SlideShare une entreprise Scribd logo
1  sur  22
Télécharger pour lire hors ligne
III – Representasi Pengetahuan                                                       1



                        REPRESENTASI PENGETAHUAN
                       (KNOWLEDGE REPRESENTATION)

KNOWLEDGE IS POWER! Pengetahuan adalah kekuatan!

Representasi Pengetahuan :
   § Definisi dlm ES: Metode yang digunakan untuk mengkodekan
      pengetahuan dalam sebuah sistem pakar yang berbasis pengetahuan.
   § Perepresentasian dimaksudkan untuk menangkap sifat-sifat penting
      problema dan membuat informasi itu dapat diakses oleh prosedur
      pemecahan problema.
   § Bahasa representasi harus dapat membuat seorang programmer mampu
      mengekspresikan pengetahuan yang diperlukan untuk mendapatkan
      solusi problema à dapat diterjemahkan ke dalam bahasa pemrograman
      dan dapat disimpan
   § Harus dirancang agar fakta-fakta dan pengetahuan lainnya yang
      terkandung didalamnya bisa digunakan untuk penalaran

Jenis-jenis Pengetahuan
                   Jenis-jenis pengetahuan
                             Peraturan (rules)
 Pengetahuan Prosedural      Strategi
 (Procedural Knowledge)      Agenda
                             Prosedur
                             Konsep
 Declarative Knowledge       Obyek
                             Fakta
                             Pengetahuan tentang berbagai jenis
 Meta-Knowledge              pengetahuan dan Bagaimana
                             menggunakannya
 Pengetahuan Heuristic
                             Petunjuk praktis (Rules of thumb)
 (Heuristic Knowledge)
                             Sekumpulan aturan
 Pengetahuan Struktural
                             Concept Relationships
 (Structural Knowledge)
                             Concept to Object Relationship


TEKNIK REPRESENTASI PENGETAHUAN
  § Logika
  § Object-Attribute-Value triplets (OAV)
  § Aturan-aturan (Rules)
  § Jaringan Semantik (Semantic Networks)
  § Frames




TKE-392 Sistem Pakar                                              Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                   2



LOGIKA
  § Logika merupkan suatu pengkajian ilmiah tentang serangkaian
     penalaran, sistem kaidah dan prosedur yang membantu proses
     penalaran.
  § Merupakan bentuk representasi pengetahuan yang paling tua, dan
     menjadi dasar dari teknik representasi high level.

PENALARAN DEDUKTIF
   § Penalaran ini bergerak dari penalaran umum menuju ke konklusi khusus
   § Umumnya dimulai dari suatu sylogisme, atau pernyataan premis dan
     inferensi
   § Umumnya terdiri dari 3 bagian: premis mayor, premis minor dan
     konklusi.
   § Contoh
     Premis mayor : Jika hujan turun saya tidak akan lari pagi
     Premis Minor : Pagi ini hujan turun
     Konklusi : Oleh karena itu pagi ini saya tidak akan lari pagi

PENALARAN INDUKTIF
   § Merupakan kebalikan dari deduktif, yaitu dimulai dari masalah khusus
     menuju ke masalah umum
   § Menggunakan sejumlah fakta atau premis yang mantap untuk menarik
     kesimpulan umum.
   § Contoh:
     Premis : Dioda yang salah menyebabkan peralatan elektronik rusak
     Premis : Transistor rusak menyebabkan elektronik rusak
     Premis : IC rusak menyebabkan peralatan elektronik tidak berfungsi
     Konklusi : Maka, peralatan semi konduktor rusak merupakan penyebab
     utama rusaknya peralatan elektronik

   §   Konklusi tidak selalu mutlak, dapat berubah jika ditemukan fakta-fakta
       baru

LOGIKA PROPORSIONAL
  § Dalam melakukan penalaran dengan komputer, komputer harus dapat
     menggunakan proses penalaran deduktif dan induktif ke dalam bentuk
     yang sesuai dengan manipulasi komputer à Logika Simbolik atau
     Logika Matematik
  § Metode itu disebut Logika Komputasional
  § Bentuk logika komputasional ada 2 macam : Logika Proporsional atau
     Kalkulus dan Logika Predikat

   §   Suatu Proposisi merupakan suatu statemen atau pernyataan yang
       menyatakan benar (TRUE) atau salah (FALSE).

   Tabel 3.1 Operator Logika dan Simbol
    Operator        Symbol
    AND             ∩, &, ∧
    OR              ∪, +, ∨
    NOT             ¬, ~
    IMPILIES        ⊃, →
    EQUIVALENCE     ≡




TKE-392 Sistem Pakar                                          Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                   3



   §   Untuk menggambarkan berbagai proposisi, premis atau konklusi kita
       gunakan simbol seperti huruf abjad.
       Misalnya:
       A = Tukang pos mengantarkan surat mulai Senin s/d Sabtu
       B = Hari ini adalaha Hari Minggu
       C = Maka hari ini tukang pos tidak mengantar surat

   NOT
     D = Hari ini hujan
     Not D = Hari ini tidak Hujan

       Tabel Kebenaran NOT
           A        NOT A
           T          F
           F          T

   AND
   § Hasil proposisi akan benar jika kedua proposisi awal benar
     A = mobil saya berwarna hitam
     B = mesin mobil berwarna hitam itu 6 silinder
     C = mobil saya berwarna hitam dan mesinnya 6 silinder
     D = A dan B

   Pada kasus diatas, D baru benar jika A dan B benar

       Tabel Kebenaran AND
         A     B     D
         F     F     F
         T     F     F
         F     T     F
         T     T     T

   OR
   § Proposisi akan benar jika salah satu atau kedua propisis benar
      A = Seorang wanita berusia 25 tahun
      B = Lulusan Teknik Elektro
      C = A OR B

   Pada kasus diatas, C akan benar jika salah satu dari A atau B benar

       Tabel Kebenaran OR
         A     B     C
         F     F     F
         T     F     T
         F     T     T
         T     T     T

   IMPLIES (menyatakan)
   § Pada konektif IMPLIES, jika proposisi A benar, maka propisi B pun harus
      benar.
      A = Mobil rusak
      B = Saya tidak bisa naik mobil
      C = A Implies B
   § Dapat juganakan menggunakan IF-THEN, IF mobil rusak THEN saya tidak
      bisa naik mobil


TKE-392 Sistem Pakar                                          Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                    4




       Tabel Kebenaran IMPLIES
         A     B     C
         F     F     T
         F     T     T
         T     F     F
         T     T     T

   1. Jika A Salah dan B Salah maka C Benar.
       Jika mobil tidak rusak, maka saya bisa naik mobil. A IMPLIES B adalah
       Benar

   2. Jika A Salah dan B Benar maka C Benar.
       Jika mobil tidak rusak, maka saya tidak bisa naik mobil. A IMPLIES B
       adalah Benar

   3. Jika A Benar dan B Salah maka C Salah.
       Jika mobil rusak, maka saya bisa naik mobil. A IMPLIES B adalah Salah

   4. Jika A Benar dan B Benar maka C Benar.
       Jika mobil rusak, maka saya tidak bisa naik mobil. A IMPLIES B adalah
       Benar


LOGIKA PREDIKAT / KALKULUS PREDIKAT
  § Logika predikat adalah suatu logika yang lebih canggih yang seluruhnya
     menggunakan konsep dan kaidah proposional yang sama.
  § Juga disebut kalkulus predikat, yang memberi tambahan kemampuan
     untuk merepresentasikan pengetahuan dengan sangat cermat dan rinci.
  § Istilah kalkulus berbeda dengan istilah kalkulus dalam bidang
     matematik
  § Kalkulus predikat memungkinkan kita bisa memecahkan statemen ke
     dalam bagian komponen, yang disebut objek, karakteristik objek, atau
     beberapa keterangan objek.
  § Suatu proposisi atau premis dibagi menjadi dua bagian, yaitu ARGUMEN
     (atau objek) dan PREDIKAT (keterangan).

   §   Argumen adalah individu atau objek yang membuat keterangan
   §   Predikat adalah keterangan yang membuat argumen dan predikat
   §   Dalam suatu kalimat, predikat bisa berupa kata kerja atau bagian kata
       kerja.

   PREDIKAT (individu[objek]1, individu[objek] 2

   Misalnya proposisi:
      Mobil berada dalam garasi

   Dinyatakan menjadi:
      Di dalam(mobil, garasi)

       Di dalam = produk (keterangan)
       Mobil = Argumen(objek)
       Garasi = Argumen(objek)




TKE-392 Sistem Pakar                                           Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                         5



   Contoh Lain:
      Proposisi                  : Rojali suka Juleha
      Kalkulus Predikat          : SUKA (Rojali, Juleha) ß dua argumen

       Proposisi                 : Pintu Terbuka
       Kalkulus Predikat         : BUKA (pintu)    ß satu argumen

       Proposisi                 : Sensor Cahaya Aktif
       Kalkulus Predikat         : AKTIF(Sensor Cahaya)

   Variabel
      § Huruf bisa menggantikan argumen
      § Simbol-simbol juga bisa digunakan untuk merancang beberapa objek
         atau individu

       Misalnya:
       x = Rojali dan y = Juleha, Maka proposisinya menjadi Suka(x,y)

       §   Dengan menggunakan sistem ini, pangkalan pengetahuan
           (knowledge base) dapat dibentuk
       §   Pengetahuan diekspresikan dalam kalkulus predikat yang bisa
           dimanipulasi agar menimbulkan inferensi

   FUNGSI
     § Predikat kalukulus membolehkan penggunaan simbol untuk mewakili
        Fungsi-fungsi

       Misalnya:
       ayah(Juleha) = Jojon            ibu(Rojali) = Dorce

       §   Fungsi dapat digunakan bersamaan dengan predikat

       Misalnya:
       Predikat berikut menjelaskan bahwa Jojon dan Dorce adalah berteman

               teman(ayah(Juleha),ibu(Rojali) = teman(Jojon,Dorce)

   OPERASI
     § Predikat kalkulus menggunakan operator yang sama seperti pada
        logika proporsional

       Misalnya:
       Proposition: Rojali suka Juleha               suka(Rojali,Juleha)
       Proposition: Mandra suka Juleha               suka(Mandra,Juleha)

       Pada 2 predikat diatas, ada dua orang menyukai Juleha. Untuk
       memberikan pernyataan adanya Kecemburuan disitu, maka
             suka(x,y) AND suka(z,y) IMPLIES NOT suka(x,z)
       atau
             suka(x,y) ∧ suka(z,y) à ¬ suka(x,z)

       dalam kalimat pengetahuan yang tersimpan adalah:
              “Jika dua orang pria menyukai wanita yang sama, maka kedua
       pria itu pasti tidak saling suka (saling membenci)”




TKE-392 Sistem Pakar                                                Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                     6



       PENGUKURAN KUANTITAS (Quantifier)
       § Pengukuran kuantitas (Quantifier) adalah simbol yang mengijinkan
         kita untuk menyatakan suatu rangkaian atau cakrawala variabel
         dalam suatu ekspresi logika.
       § Dua pengukuran kuantitas, yaitu:
             o Ukuran kuantitas universal à ∀ : yang berarti “untuk
                semua”
             o Ukuran kuantitas eksistensial à ∃ , yang berarti berada

       Contoh 1:
       Proposisi :     “Semua orang Malang adalah warganegara Indonesia”

       diekspresikan menjadi:
              ∀
             (∀x)[orang Malang(x), warga negara Indonesia(x)]

           §   Simbol ∀ menyatakan bahwa ekspresi ini berlaku secara
               universal benar. Yaitu untuk semua nilai x.
           §   Jika x adalah orang Malang, maka benar jika x adalah warga
               negara Indonesia

       Contoh 2:
       Proposisi:      “Beberapa Mobil berwarna merah”

       diekspresikan menjadi:
              ∃
             (∃x)[mobil(x) dan berwarna merah (x)]

           §   Ekspresi diatas berarti ada beberapa mobil tertentu x yang
               sesuai dengan ekspresi ini
           §   Jika x adalah sebuah mobil dan mobil itu berwarna merah

       PENALARAN DENGAN LOGIKA
          § Pengetahuan itu dibutuhkan untuk membuat inferensi, yaitu
            bagaimana kita menggunakan pengetahuan itu untuk menjawab
            pertanyaan, menalar atau menarik kesimpulan
          § Kaidah inferensi yang paling sederhana adalah: MODUS PONEN
            Yaitu:
            Jika Proposisi A benar dan A IMPLIES B, adalah benar, maka
            proposisi B adalah benar juga.

               [A AND (A à B)]B

           §   Dengan demikian kita bisa menggunakan modus ponen untuk
               menarik kesimpulan bahwa B benar jika kedua ekspresi yang
               pertama juga benar.
               Contoh:
               A     = Udara Cerah
               B     = Kita pergi ke pantai
               AàB = Jika udara cerah, maka kita pergi ke pantai

               Premis pertama menyatakan udara cerah, yang kedua
               menyatakan pergi ke pantai. Selanjutnya A IMPLIES B, Dengan
               demikian, jika kedua A dan A IMPLIES B benar, maka B juga
               benar.




TKE-392 Sistem Pakar                                            Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                      7



OBJECT-ATTRIBUTE-VALUE (OAV) Triplets
   §   Object dapat berupa bentuk fisik atau konsep
   §   Atribut adalah karakteristik atau sifat dari object tersebut.
   §   Values (Nilai) – besaran/nilai/takaran spesifik dari atribut tersebut
       pada situasi tertentu. Dapat berupa numerik, string atau boolean.
   §   Sebuah object bisa memiliki beberapa atribut --> OAV Multi-atribut
   §   Sebuah atribut dapat dianggap sebagai suatu object baru dan memiliki
       atribut sendiri.
   §   Digunakan juga pada frames dan Jaringan semantik

Representasi Item O-A-V
 Object                 Attribute                    Values
 Rumah                  Kamar Tidur                  2,3,4, dll
 Rumah                  Warna                        Hijau, putih, biru, dll
 Kamar Tidur            Ukuran                       3x4, 4x4, dll
 Bola                   Diameter                     30 cm
 Bola                   Warna                        Merah
 Bola                   berat                        10 ons




   §   Fakta Nilai Tunggal (Single-Valued Facts) : atribut yang hanya
       memiliki satu nilai tunggal

       Q : Please Tell If the barometer is
            Falling
            Steady
            Rising
       A : Falling

   §   Fakta Nilai Ganda (Multiple-Valued Facts) : atribut yang dapat
       memiliki satu nilai lebih dari satu

       Person à Level of Education à High School, College, dll

       Q : Please select the level of Education
           High School
           College
           Graduate School
       A : High School
           College

   §   Jika sebuah value dipilih dari list, maka sistem akan men-set value
       tersebut pada working memory menjadi TRUE, dan value-value yang
       lain menjadi FALSE.
           o Misalnya: dari contoh tadi, Jika user memilih “Falling”, maka
              sistem tidak hanya tahu fakta tersebut, tetapi juga tahu bahwa
              pressure barometer juga adalah tidak dalam kondisi rising dan
              tidak dalam kondisi steady.



TKE-392 Sistem Pakar                                             Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                            8



UNCERTAIN FACTS (Fakta Taktentu)
  § World is not black or white, dunia bukan hitam atau putih.
  § Kita tidak selalu tahu dengan pasti apakah suatu kejadian (event) itu
     TRUE atau FALSE.
  § Dalam beberapa kejadian kita mengenal degree of belief. Dalam
     bahasa sehari-hari kita menggunakan istilah: “barangkali”, “mungkin”
     “kemungkinan besar”, dll
  § Metode konvensional menggunakan certainty factor (CF)
  § CF merupakan besaran numerik untuk menjelaskan keadaan


Certainty Factor yang digunakan pada MYCIN




Fakta Fuzzy
   § Fuzzy logic menyediakan metode untuk merepresentasikan istilah-
      istilah yang ambigous (ambigous terms) dalam natural language.
      Ambigous = bermakna ganda.
   § Ambigous terms direpresentasikan dalam Fuzzy Sets, yang menangkap
      secara kuantitatif interpertasi manusia dari term tersebut.
           o Misalnya : “Orang tersebut tinggi”
              kalimat tersebut menjadi ambigous karena menggunakan kata
              tinggi.
   § Gambar berikut menunjukkan 3 set fuzzy yang memetakan (mapping)
      domain tinggi kedalam sejumlah angka yang disebut membership value.

                                               Height




                                 Pendek          Sedang           Tinggi
                     1

       Membership
         value    0.5



                     0

                         4                5                   6              7
                                          tinggi (dalam feet)




TKE-392 Sistem Pakar                                                   Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                           9



        o Membership value bernilai antara 0 sampai 1 yang menentukan level
          of belief.
        o Misalnya: seorang dengan tinggi 5,5 feet, dapat dikatakan sebagai
          member dari orang bertinggi sedang dengan nilai membership = 1,
          atau, member dari orang bertinggi badan pendek atau tinggi dengan
          nilai membership = 0,25.




RULES

    §   Rules (aturan-aturan), merupakan pengetahuan prosedural
    §   Menghubungkan informasi yang diberikan dengan tindakan (action)
    §   Struktur rule, secara logika menghubungkan satu atau lebih antecedent
        (atau premises) yang berada pada bagian IF, dengan satu atau lebih
        consequents (atau conclusions/kesimpulan) pada bagian THEN.

    Misalnya:
       IF     Warna bola itu merah
       THEN Saya suka bola itu

    §   Sebuah rule dapat memiliki multiple premise yang tergabung dengan
        menggunakan operasi logika (AND, OR)
    §   Bagian Konklusi dapat berupa kalimat tunggal atau gabungan dengan
        menggunakan operasi logika (AND) dan dapat pula memiliki kalimat
        ELSE.

                         Contoh operasi sistem berbasis aturan

                                              Knowledge Base
                                          IF warna bola merah
                                         THEN saya suka bola itu

                                          IF saya suka bola itu
                                       THEN saya akan beli bola itu


                                              Working memory
            Q : Warna bola?
            A : Merah                     Warna bola itu merah

                                            Saya suka bola itu

                                          Saya akan beli bola itu




§   Selain memberikan informasi baru, suatu rule dapat juga melakukan
    beberapa operasi:
    IF Luas dari bujursangkar diperlukan
    THEN LUAS = PANJANG X LEBAR

§   Untuk operasi-operasi yang kompleks, sistem berbasis aturan dirancang
    untuk mengakses program eksternal




TKE-392 Sistem Pakar                                                  Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                10



1. Program Prosedural
      Rule 1
      IF disain membutuhkan kotak baru
      AND JUMLAH = jumlah item dalam satu pack kotak
      AND SIZE = ukuran satu item
      THEN CALL COMPUTE_BOX_VOLUME
      AND SEND JUMLAH, SIZE
      AND RETURN VOLUME

2. Spreadsheet
      Rule 2
      IF penjualan bulan Januari dibutuhkan
      THEN OPEN SALES
      AND JANUARY_SALES = B7

3. Database
      Rule 3
      IF terjadi situasi darurat
      AND NAMA = Smith
      THEN OPEN TELEPHONE
      AND FIND NAMA, NAMA-FIELD
      AND TELEPHONE = TELEPHONE FIELD

§   Dengan mengakses data eksternal, memberikan fleksibilitas dalam proses
    peningkatan kemampuan sistem pakar yang dirancang.



JENIS-JENIS RULES

RELATIONSHIP/HUBUNGAN
IF   Bateri sudah soak
THEN Mobil tidak bisa distarter

REKOMENDASI
IF   Mobil tidak bisa distarter
AND Sistem bahan bakar OK
THEN Periksa bagian elektrikal

STRATEGI
IF   Mobil tidak bisa distarter
THEN Pertama periksa sistem bahan bakar, lalu periksa sistem elektrikal

HEURISTIC
IF    Mobil tidak bisa distarter
AND Mobilnya adalah Ford tahun 1957
THEN Periksa float-nya

Rules juga dapat dikategorikan berdasarkan paradigma masalah:

INTERPRETASI
IF    Tegangan Resistor R1 lebih besar dari 2.0 volt
AND Tegangan Kolektor pada Q1 kurang dari 1.0 volt
THEN Bagian Pre-Amp berada pada range normal




TKE-392 Sistem Pakar                                         Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                  11



DIAGNOSA
IF   stain dari organisme adalah grampos
AND morfologi dari organisme adalah coccus
AND pertumbuhan dari organisme adalah chains
THEN organisme tersebut adalah streptococcus

DISAIN
IF     task sekarang adalah menempatkan catu daya
AND posisi dari catu daya pada kabinet sudah diketahui
AND ada ruang tersedia dalam kabinet untuk catu daya
THEN letakkan catu daya pada kabinet tersebut


RULES dengan VARIABEL

§   Basic knowledge dapat dibuat menggunakan variabel untuk memudahkan
    dalam perawatan dan pengembangan.

    Contoh:
    IF      John Smith adalah seorang karyawan
    AND     John Smith berusia lebih dari 65 tahun
    THEN    John Smith bisa pensiun

§   Pada contoh diatas, jika sistem ingin mengecek kasus yg sama pada orang
    yang berbeda maka harus dibuat rules khusus untuk orang tersebut ß tidak
    efisien!
§   Pattern matching rules digunakan untuk mencocokan kalimat masalah
    yang sama.

    Contoh dengan menggunakan variabel:
    IF       ?X adalah seorang KARYAWAN
    AND      ?X UMUR > 65 tahun
    THEN     ?X bisa pensiun

§   Pada contoh diatas, jika kita mempunya sejumlah informasi berikut pada
    Working Memory, dimana nama-nama individu diassign pada variabel ?X:

    PRIMUS adalah KARYAWAN       Odi adalah KARYAWAN   UJO adalah KARYAWAN
    UMUR PRIMUS = 67             UMUR Odi = 60         UMUR UJO = 70

    Maka pernyataan baru yang muncul dari proses pencocokan adalah:

       PRIMUS bisa pensiun          UJO bisa pensiun

§   Pattern matching rules memberikan cara yang efisien dalam memproses
    informasi. Kita bisa menulis hanya satu rule yang bisa menangkap
    informasi yang bisa diterapkan secara umum

§   Pada contoh tadi, rule tsb. merupakan representasi dari kalimat berikut:

       ” Jika seorang karyawan berusia lebih dari 65 tahun, maka dia bisa
       pensiun”




TKE-392 Sistem Pakar                                           Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                             12



META RULES
  § Meta knowledge : Pengetahuan tentang bagaimana menggunakan dan
     mengendalikan domain pengetahuan
  § Meta Rules : Suatu rule yang menjelaskan bagaimana rule yang lain
     digunakan
  § Suatu meta-rule memberikan strategi-strategi yang menjelaskan
     bagaimana menggunakan rule-rule spesisfik yang ada.

       Contoh:
       IF    Mobil tidak bisa distarter
       AND Sistem elektrikal beroperasi dengan normal
       THEN Gunakan rule-rule pada sistem bahan bakar

   §   KNOWLEDGE RULES atau DECLARATIVE RULES, menyatakan fakta dan
       hubungannya dari suatu masalah

   §   Meta-rules disebut juga INFERENCE RULES atau PROCEDURAL RULES.

   §   Meta-rules memberitahu bagaimana menyelesaikan suatu masalah,
       biasanya digunakan pada bagian INFERENCE ENGINE

Knowledge Rules:
RULE 1:
IF   konflik internasional dimulai
THEN harga emas akan naik

RULE 2:
IF    angka inflasi menurun
THEN harga emas turun

RULE 3:
IF    konflik internasional kurang seminggu lagi
AND terjadi di timur tengah
THEN beli EMAS!

Inference Rules:
RULE 1:
IF    data yang dibutuhkan tidak ada pada sistem
THEN request dari user

RULE 2:
IF    lebih dari satu rule yang digunakan
THEN non-aktif-kan semua rule yang tidak menambah data baru


Keunggulan Sistem berbasis RULES:
   § Modifikasi dan perawatan relatif mudah
   § Uncertainty dapat dikombinasikan dengan rules
   § Tiap rules biasanya independent dari yang lainnya

Keterbatasan:
   § Pengetahuan yang kompleks membutuhkan rules yang sangat banyak
   § Sistem dengan banyak rules mungkin mempunyai keterbatasan dalam
      proses pencarian pada bagian program kontrol




TKE-392 Sistem Pakar                                      Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                    13



Uncertain Rules
Contoh 1:
IF    Inflation is high
THEN Almost certainly interest are high

Contoh 2:
IF    Inflation is high
THEN Interest rates are high CF=0.8


RULE SET
  § Sekumpulan rules yang disusun untuk digunakan dalam penyelesaian
      dari suatu masalah
  § Masing-masing bagian memiliki rules khusus yang dapat berbeda satu
      dengan lainnya
  § Set of rules merupakan penjabaran dari skill seorang pakar dalam
      mengatasi suatu masalah
  § Pemilihan dan penggunaan dari rule yang berbeda merupakan
      kompetensi reasoning yang dimiliki seorang pakar.
  § Sebuah strategi dibutuhkan untuk mengetahui kapan dan bagaimana
      menggunakan rule tersebut à Perlu ada Meta-Rule untuk mengatur
      bagaimana memanfaatkan suatu rule set.




                    Contoh Rule set dari Automobile Diagnostic


   §   Keuntungan dari bentuk ini adalah mudah dalam pengembangan sistem
       dan perawatan (maintenance)
   §   Kita bisa membangun (build) dan melakukan pengujian (test) secara
       terpisah pada masing-masing modul
   §   Selain itu kita bisa juga menerapkan teknik representasi pengetahuan
       dan strategi inferensi yang berbeda pada tiap modul dari sistem.




TKE-392 Sistem Pakar                                             Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                 14



JARINGAN SEMANTIK (SEMANTIC NETWORKS)

   §   Jaringan semantik merupakan pengetahuan secara grafis yang
       menunjukkan hubungan antar berbagai objek
   §   Suatu jaringan semantik sederhana bisa dilihat pada gambar berikut:




   §   Jaringan semantik disusun dari NODE dan ARC (Lines)
   §   Node merupakan representasi dari objek, objek properti atau properti
       value. (digambarkan dengan lingkaran)
   §   Arc merupakan representasi dari hubungan antar node. (digambarkan
       dengan garis)
   §   Baik node maupun arc memiliki label yang secara jelas menjelaskan
       representasi dari objek dan hubungan antar node.
   §   Hampir semua objek, atribut, pemikiran atau apapun dapat dirumuskan
       dan dihubungkan antara satu dengan lainnya oleh garis-garis (arc)
   §   Arc umumnya menggunakan istilah seperti : “IS-A”, “HAS-A”, dll.
   §   Pada gambar contoh tadi: Link “IS-A” diantara node “Canary” dan
       “Bird” menjelaskan hubungan “spesific-to-general” diantara keduanya.

PERLUASAN JARINGAN SEMANTIK
   § Kita dapat dengan mudah memperluas (expanding) jaringan semantik
     dengan menambah NODE dan menghubungkan dengan NODE yang
     bersesuaian pada Jaringan Semantik
   § Node baru tersebut dapat merupakan objek tambahan atau properti
     tambahan
   § Umumnya penambahan dapat dilakukan dalam 3 cara:
     (1) objek yang sama
         Penambahan node “Penguin” yang merupakan objek yang sama
         dengan “Canary” yang merupakan hubungan “IS-A” dari node “Bird”

       (2) objek yang lebih khusus
           Penambahan node “Tweety” yang merupakan objek khusus dari
           node “Canary”. Penambahan tersebut memberikan informasi bahwa
           “Tweety” adalah juga termasuk “Bird”

       (3) objek yang lebih umum
           Kita dapat menambahkan node yang merupakan representasi yang
           lebih umum dari suatu node, yang di-link dengan arc “IS-A”.
           Misalnya penambahan node “Animal” pada node “Bird” yang
           menginformasikan bahwa “Bird” termasuk dalam objek “Animal”




TKE-392 Sistem Pakar                                          Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                    15




                       Contoh Perluasan dari jaringan semantik


PEWARISAN (INHERITANCE) PADA JARINGAN SEMANTIK

   §   Node yang ditambahkan pada Jaringan Semantik secara otomatis
       mewarisi informasi yang telah ada pada Jaringan
   §   Penambahan node “Tweety” otomatis juga mewariskan sifat-sifat dari
       “Animal” pada objek “Tweety”
   §   Misalnya: ‘“Tweety” breathes air’, karena ‘“Animal” breathes air’


OPERASI PADA JARINGAN SEMANTIK

   §   Salah satu cara untuk menggunakan Jaringan Semantik adalah dengan
       bertanya pada node
   §   Misalnya:
       Case 1 :
       Jika kita bertanya pada “Bird”, “How do you Travel?”
       Jawabannya: “Fly”

       Untuk menjawab, maka node tersebut akan mengecek pada arc dengan
       label travel dan kemudian menggunakan informasi (value) yang ada
       pada arc tersebut sebagai jawabannya




       Case 2 :
       Jika kita bertanya pada “Tweety”, “How do you Travel?”
       Jawabannya : “FLY”

       Jika node tidak menemukan jawaban pada lokal arc, maka akan
       mencari pada link dengan hubungan “IS-A” yang dimiliki node tsb.


TKE-392 Sistem Pakar                                             Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                16




PENANGANAN PENGECUALIAN (EXCEPTION HANDLING)

   §   Case 3 :
       Jika kita bertanya pada “Penguin”, “How do you Travel?”
       Jawaban normal adalah: “Fly”

       Hal ini tidak sesuai dengan fakta sebenarnya bahwa “Penguin” travel
       dengan cara “WALK”

   §   Untuk mengatasi kasus tersebut, maka kita bisa menambahkan arc
       khusus pada node “Penguin” untuk meng-over-ride informasi yang telah
       diwariskan.
   §   Penanganan Pengecualian (Exception Handling) merupakan teknik
       sederhana yang digunakan untuk mengatasi masalah tersebut, yang
       merupakan kelemahan pada Jaringan Semantik.
   §   Proses override berarti kita menambahkan arc atau sifat yang sama
       dengan objek induk pada node, tetapi dengan value atau karakteristik
       yang berbeda


Notes:
§ Walaupun jaringan semantik pada dasarnya berbentuk grafik, tapi dalam
   komputer tidak tampak.
§ Berbagai objek dan hubungannya dinyatakan dalam istilah verbal
§ Untuk memanfaatkan hasil program, titik tolak diberikan pada node awal
   tertentu.
§ Titik awal biasanya ditentukan oleh sebuah pertanyaan, kemudian
   komputer menggunakan berbagai teknik pelacakan ke dalam struktur
   jaringan untuk mendefinisikan objek yang diinginkan dan menentukan
   hubungan-hubungannya seperti yang diajukan oleh pertanyaan tersebut.




TKE-392 Sistem Pakar                                         Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                 17



FRAME
   §   Definisi: struktur data untuk merepresentasi pengetahuan stereotip
       dari suatu konsep atau objek
   §   Pertama kali diusulkan oleh Minsky (1975)
   §   Perancang sistem pakar menggunakan ide yang sama pada SKEMA
       (schema) untuk menangkap dan merepresentasi pengetahuan
       konseptual dalam Sistem Pakar.
   §   Skema merupakan suatu satuan (unit) yang berisi pengetahuan khusus
       tentang suatu konsep atau objek yang mengandung baik pengetahuan
       deklaratif maupun prosedural
   §   Skema merupakan perluasan natural dari Jaringan Semantik dan
       diusulkan pertama kali oleh Barlett (1932)

Disain Frame Dasar
   § Frame dapat dianggap sama dengan bentuk-bentuk form untuk input
       data. Misalnya seperti form “Report Card” (semacam KHS) :

                                 REPORT CARD




   §   Form tersebut menyediakan tipe umum dari informasi yang dapat
       digunakan untuk karakterisasi dari masing-masing siswa

   §   Struktur dari sebuah frame ditunjukkan dalam gambar berikut




   §   Frame dapat juga memiliki field tambahan yang disebut Class. Yang
       dapat diisi sebuah nilai (misalnya: Object2) yang merupakan nama dari
       frame yang lain yang berhubungan dengan Object1.
   §   Biasanya dalam hubungan IS-A à Object1 IS-A Object2


TKE-392 Sistem Pakar                                          Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                 18



   §   Misalnya dengan mengisi “human” (manusia) pada class dari slot frame
       untuk “John”. Hal ini berarti “John IS-A human” (John adalah manusia)
   §   Secara umum frame memiliki 2 elemen dasar SLOT dan FACET
   §   Slot : merupakan kumpulan atribut/properti yang menjelaskan objek
       yang direpresentasi oleh frame
   §   Facet (atau disebut juga: subslot) menjelaskan pengetahuan atau
       prosedur dari atribut pada slot
   §   Facet dapat berbentuk:
       o Value : menjelaskan tentang nilai dari suatu atribut
       o Default : nilai yang digunakan jika suatu slot kosong atau tidak
          dideskripsikan pada frame instansiasi
       o Range : menandakan jenis dari informasi yang dapat muncul pada
          slot tersebut (misalnya 0 sampai 100)
       o If Added : berisi informasi prosedural yang berupa suatu tindakan
          yang akan dikerjakan jika nilai dari slot diisi (atau berubah).
       o If Needed : facet ini digunakan pada kasus dimana tidak ada value
          pada slot. Suatu prosedur akan dikerjakan untuk memperoleh atau
          menghitung sebuah value
       o Other : slot bisa berisi frame, rule, jaringan semantik ataupun tipe
          lain dari informasi

Frame Kelas (Class)
   § Sebuah frame kelas merepresentasi karaktistik (sifat-sifat) umum dari
     suatu objek
   § Dalam setiap frame kelas kita bisa mendefinisikan properti-properti
     umum yang biasanya dimiliki oleh semua objek dalam kelas tersebut.
   § Ada 2 jenis properti : statik dan dinamik
   § Properti Statik merupakan fitur dari objek yang tidak dapat berubah
   § Properti dinamik merupakan fitur yang dapat berubah selama sistem
     berjalan
                      Contoh Kelas Frame dari “Bird”




   §   Properti berisi sifat-sifat umum dari objek “Bird”
   §   Properti seperti Color dan No_Wings adalah statik (karena merupakan
       ciri-ciri/featur yang nilainya tidak berubah)
   §   Properti seperti Hungry dan Activity adalah dinamik (karena selama
       program/sistem berjalan value-nya bisa berubah)
   §   Value “unknown” berarti bahwa kita tidak dapat mengisi sebuah nilai
       pada properti tersebut sebelum kita merepresentasi objek khusus dari
       kelas tersebut



TKE-392 Sistem Pakar                                          Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                 19



Frame Instansiasi (Instance)
   § Ketika kita menggunakan kelas untuk mendeskripsikan suatu objek
     khusus dari kelas tersebut, maka hal ini disebut proses “instansiaisi”
     dari sebuah kelas atau juga disebut “frame instansiasi”
   § Frame tersebut secara otomatis mewarisi properti dan value dari
     properti dari kelas tersebut
   § Kita dapat membuat banyak instansiasi dari kelas yang sama
   § Pendekatan ini sangat berpengaruh pada kecepatan proses pembuatan
     kode program, terutama untuk kasus dimana ada banyak instansiasi
     yang harus dibuat kodenya
   § Dalam teknik pemrograman, frame dapat direpresentasikan dengan
     metode Object Oriented Programming (OOP)




Pewarisan Frame
     § Seperti halnya NODE pada Jaringan Semantik, frame instansiasi juga
         mewarisi informasi dari kelas frame nya.
     § Tetapi kita juga bisa menambahkan properti khusus yang hanya
         dimiliki oleh frame instansiasi tersebut.

Facet IF-NEEDED
      § Merupakan suatu prosedur atau metode yang akan dieksekusi pada
          saat suatu value dari properti dibutuhkan.

   IF          Tweety:No_Wings < 2
   THEN        Tweety:Flies = False

   IF          Tweety:No_Wings > 2
   THEN        Tweety:Flies = True

   Bentuk penulisan pada pemrograman Shell Kappa PC:
   IF          Self:No_Wings < 2
   THEN        Self:Flies = False

   IF          Self:No_Wings > 2
   THEN        Self:Flies = True

Facet IF-ADDED (IF-CHANGED)
      § Merupakan suatu prosedur atau metode yang akan dieksekusi pada
          saat suatu value dari properti diisikan atau mengalami perubahan.

       IF   Self:Hungry = True
       THEN Self:Activity = Eating #Self:Eats




TKE-392 Sistem Pakar                                          Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                    20



CONTOH FRAME




TKE-392 Sistem Pakar             Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                    21




TKE-392 Sistem Pakar             Herman Tolle, ST.,MT.
III – Representasi Pengetahuan                                                        22



          Perbandingan berbagai Teknik Representasi Pengetahuan

        Skema                    Advantages                     Disadvantages
Logika                  Fakta yang disediakan           Terpisah antara representasi
                        independen terhadap             dan pemrosesan, tidak efisien
                        penggunaan, menjamin hanya      dengan set data yang besar,
                        konsekuen valid yang            lambat pada knowledge base
                        dinyatakan (asserted)           yang besar
Rules                   Sintaks sederhana, mudah        Sulit jika mengikuti hirarki,
                        dipahami, mudah                 tidak efisien untuk sistem yang
                        diterjemahkan                   besar, tidak semua
                        sangat modular, fleksibel       pengetahuan dapat
                        (mudah ditambah dan             diekspresikan dengan rules,
                        dimodifikasi)                   jelek dalam merepresentasi
                                                        pengetahuan deskriptif
                                                        terstruktur
Jaringan Semantik       Mudah untuk mengikuti           Arti yang melekat pada node
                        hirarki, mudah melacak          bisa ambigous, penanganan
                        asosiasi, fleksibel             pengecualian cukup sulit, sulit
                                                        dalam pemrograman
Frames                  Bentuk yang sangat ekspresif,   Sulit dalam pemrograman, sulit
                        mudah men-set-up slot untuk     dalam inferensi
                        properti baru, mudah
                        membuat prosedur, mudah
                        mengisikan informasi default
                        dan mendeteksi value yang
                        tidak ada


EXERCISES

1. Gambarkan skema jenis-jenis pengetahuan beserta contoh dari setiap jenis
   pengetahuan tersebut
2. Jelaskan apa yang dimaksud dengan META RULES dan META KNOWLEDGE
3. Buat dalam bentuk pernyataan logika predikat dan tabel kebenaran implies
   (untuk a dan b) untuk premis-premis berikut:
          a. Jika Tidak ada Sinyal Maka Handphone tidak bisa digunakan
          b. Jika Terjadi hubungan pendek maka Sekring akan putus
          c. Semua Mahasiswa elektro Unibraw adalah mahasiswa Fakultas
              Teknik Unibraw
          d. Football players are strong
4. Definisikan Set dari Rules dan gambarkan tree-nya untuk kasus berikut:
          a. Lampu Pijar ruang tamu yang tidak menyala ketika saklar
              diaktifkan
          b. Diagnosa dan Repair pesawat TV
5. Buat 3 buah rules yang menjelaskan hubungan uncertain, dan tentukan
   nilai CF dari masing-masing rules tersebut
6. Gambarkan Jaringan Semantik dari Mobil
   (Mis: MobilßMobil KijangßMobil Kijang Saya)
7. Buat Frame Kelas dari Komputer Personal dan Frame instansiasi untuk
   Jenis komputer Intel Pentium II. Buat Facet If Needed / If Added dari
   frame kelas tersebut. Misalnya pada Slot: Support Multimedia, Slot: Play
   MPEG Movie




TKE-392 Sistem Pakar                                                 Herman Tolle, ST.,MT.

Contenu connexe

Tendances

Bab 3 resolusi logika ta 2019
Bab 3 resolusi logika ta 2019Bab 3 resolusi logika ta 2019
Bab 3 resolusi logika ta 2019Sukma Puspitorini
 
Algoritma dan Struktur Data - Pohon Biner
Algoritma dan Struktur Data - Pohon BinerAlgoritma dan Struktur Data - Pohon Biner
Algoritma dan Struktur Data - Pohon BinerKuliahKita
 
6. metode inferensi
6. metode inferensi6. metode inferensi
6. metode inferensieman02
 
Materi 3 Finite State Automata
Materi 3   Finite State AutomataMateri 3   Finite State Automata
Materi 3 Finite State Automataahmad haidaroh
 
Pertemuan 9 Representasi Pengetahuan
Pertemuan 9 Representasi PengetahuanPertemuan 9 Representasi Pengetahuan
Pertemuan 9 Representasi PengetahuanEndang Retnoningsih
 
Bab 01 logika mtk diskrit
Bab 01 logika mtk diskritBab 01 logika mtk diskrit
Bab 01 logika mtk diskritKarlFykr
 
Matematika diskrit (dual graf, lintasan dan sirkuit euler, lintasan dan sirku...
Matematika diskrit (dual graf, lintasan dan sirkuit euler, lintasan dan sirku...Matematika diskrit (dual graf, lintasan dan sirkuit euler, lintasan dan sirku...
Matematika diskrit (dual graf, lintasan dan sirkuit euler, lintasan dan sirku...Fatma Qolbi
 
BAB 2 : KALIMAT BERKUANTOR
BAB 2 : KALIMAT BERKUANTORBAB 2 : KALIMAT BERKUANTOR
BAB 2 : KALIMAT BERKUANTORMustahal SSi
 
Matematika Diskrit - 11 kompleksitas algoritma - 03
Matematika Diskrit - 11 kompleksitas algoritma - 03Matematika Diskrit - 11 kompleksitas algoritma - 03
Matematika Diskrit - 11 kompleksitas algoritma - 03KuliahKita
 
Representasi pengetahuan
Representasi pengetahuanRepresentasi pengetahuan
Representasi pengetahuanbungpoetra
 
proposisi majemuk & Tautologi
 proposisi majemuk & Tautologi proposisi majemuk & Tautologi
proposisi majemuk & TautologiHuzairi Zairi
 
Teori bahasa formal dan Otomata
Teori bahasa formal dan OtomataTeori bahasa formal dan Otomata
Teori bahasa formal dan OtomataRisal Fahmi
 
Laporan Praktikum Basis Data Modul I-Membangun Database SQL Pada MYSQL
Laporan Praktikum Basis Data Modul I-Membangun Database SQL Pada MYSQLLaporan Praktikum Basis Data Modul I-Membangun Database SQL Pada MYSQL
Laporan Praktikum Basis Data Modul I-Membangun Database SQL Pada MYSQLShofura Kamal
 
Matematika Diskrit - 10 pohon - 04
Matematika Diskrit - 10 pohon - 04Matematika Diskrit - 10 pohon - 04
Matematika Diskrit - 10 pohon - 04KuliahKita
 
Mata Kuliah Basis Data
Mata Kuliah Basis DataMata Kuliah Basis Data
Mata Kuliah Basis DataMr. Nugraha
 

Tendances (20)

Bab 3 resolusi logika ta 2019
Bab 3 resolusi logika ta 2019Bab 3 resolusi logika ta 2019
Bab 3 resolusi logika ta 2019
 
Bab 4 aljabar boolean
Bab 4 aljabar booleanBab 4 aljabar boolean
Bab 4 aljabar boolean
 
Algoritma dan Struktur Data - Pohon Biner
Algoritma dan Struktur Data - Pohon BinerAlgoritma dan Struktur Data - Pohon Biner
Algoritma dan Struktur Data - Pohon Biner
 
6. metode inferensi
6. metode inferensi6. metode inferensi
6. metode inferensi
 
Struktur Data Tree
Struktur Data TreeStruktur Data Tree
Struktur Data Tree
 
Materi 3 Finite State Automata
Materi 3   Finite State AutomataMateri 3   Finite State Automata
Materi 3 Finite State Automata
 
Pertemuan 9 Representasi Pengetahuan
Pertemuan 9 Representasi PengetahuanPertemuan 9 Representasi Pengetahuan
Pertemuan 9 Representasi Pengetahuan
 
Bab 01 logika mtk diskrit
Bab 01 logika mtk diskritBab 01 logika mtk diskrit
Bab 01 logika mtk diskrit
 
Matematika diskrit (dual graf, lintasan dan sirkuit euler, lintasan dan sirku...
Matematika diskrit (dual graf, lintasan dan sirkuit euler, lintasan dan sirku...Matematika diskrit (dual graf, lintasan dan sirkuit euler, lintasan dan sirku...
Matematika diskrit (dual graf, lintasan dan sirkuit euler, lintasan dan sirku...
 
BAB 2 : KALIMAT BERKUANTOR
BAB 2 : KALIMAT BERKUANTORBAB 2 : KALIMAT BERKUANTOR
BAB 2 : KALIMAT BERKUANTOR
 
Matematika Diskrit - 11 kompleksitas algoritma - 03
Matematika Diskrit - 11 kompleksitas algoritma - 03Matematika Diskrit - 11 kompleksitas algoritma - 03
Matematika Diskrit - 11 kompleksitas algoritma - 03
 
8 logika predikat
8  logika predikat8  logika predikat
8 logika predikat
 
Representasi pengetahuan
Representasi pengetahuanRepresentasi pengetahuan
Representasi pengetahuan
 
proposisi majemuk & Tautologi
 proposisi majemuk & Tautologi proposisi majemuk & Tautologi
proposisi majemuk & Tautologi
 
Mengenal Program Jahat Komputer
Mengenal Program Jahat KomputerMengenal Program Jahat Komputer
Mengenal Program Jahat Komputer
 
Teori bahasa formal dan Otomata
Teori bahasa formal dan OtomataTeori bahasa formal dan Otomata
Teori bahasa formal dan Otomata
 
Logika dasr
Logika dasrLogika dasr
Logika dasr
 
Laporan Praktikum Basis Data Modul I-Membangun Database SQL Pada MYSQL
Laporan Praktikum Basis Data Modul I-Membangun Database SQL Pada MYSQLLaporan Praktikum Basis Data Modul I-Membangun Database SQL Pada MYSQL
Laporan Praktikum Basis Data Modul I-Membangun Database SQL Pada MYSQL
 
Matematika Diskrit - 10 pohon - 04
Matematika Diskrit - 10 pohon - 04Matematika Diskrit - 10 pohon - 04
Matematika Diskrit - 10 pohon - 04
 
Mata Kuliah Basis Data
Mata Kuliah Basis DataMata Kuliah Basis Data
Mata Kuliah Basis Data
 

En vedette

En vedette (10)

Bahasa assemler
Bahasa assemlerBahasa assemler
Bahasa assemler
 
Dasar Algoritma
Dasar Algoritma Dasar Algoritma
Dasar Algoritma
 
perubahan pola pikir sd smp-sma-smk
perubahan pola pikir sd smp-sma-smkperubahan pola pikir sd smp-sma-smk
perubahan pola pikir sd smp-sma-smk
 
0.1 perubahan mindset
0.1 perubahan mindset0.1 perubahan mindset
0.1 perubahan mindset
 
Subsequent events
Subsequent eventsSubsequent events
Subsequent events
 
Representasi Pengetahuan
Representasi PengetahuanRepresentasi Pengetahuan
Representasi Pengetahuan
 
Perubahan Pola Pikir dari Pelajar menjadi Mahasiswa
Perubahan Pola Pikir dari Pelajar menjadi MahasiswaPerubahan Pola Pikir dari Pelajar menjadi Mahasiswa
Perubahan Pola Pikir dari Pelajar menjadi Mahasiswa
 
Setitik nila
Setitik nilaSetitik nila
Setitik nila
 
Setitik nila
Setitik nilaSetitik nila
Setitik nila
 
Perubahan Pola Pikir dalam Kurikulum 2013
Perubahan Pola Pikir dalam Kurikulum 2013Perubahan Pola Pikir dalam Kurikulum 2013
Perubahan Pola Pikir dalam Kurikulum 2013
 

Similaire à Iii Representasi Pengetahuan

Intelegensi Buatan - Representasi Pengetahuan
Intelegensi Buatan - Representasi PengetahuanIntelegensi Buatan - Representasi Pengetahuan
Intelegensi Buatan - Representasi PengetahuanIlyas Ilyas Mo
 
Pertemuan 06 Logic dan Learning Method
Pertemuan 06 Logic dan Learning MethodPertemuan 06 Logic dan Learning Method
Pertemuan 06 Logic dan Learning MethodEndang Retnoningsih
 
Representasi Pengetahuan
Representasi PengetahuanRepresentasi Pengetahuan
Representasi PengetahuanHerman Tolle
 
Dw 4-intelijensi buatan
Dw 4-intelijensi buatanDw 4-intelijensi buatan
Dw 4-intelijensi buatanDian Sari
 
INFORMATIKA Rumpun Teknologi_Bab 1 Berpikir Komputasional.pptx
INFORMATIKA Rumpun Teknologi_Bab 1 Berpikir Komputasional.pptxINFORMATIKA Rumpun Teknologi_Bab 1 Berpikir Komputasional.pptx
INFORMATIKA Rumpun Teknologi_Bab 1 Berpikir Komputasional.pptxAzlinManurung
 
Pengenalan Logika dan logika Proposional.ppt
Pengenalan Logika dan logika Proposional.pptPengenalan Logika dan logika Proposional.ppt
Pengenalan Logika dan logika Proposional.pptFirdausHwoarang2
 
PPT LOGIKA KEL 2.pptx
PPT LOGIKA KEL 2.pptxPPT LOGIKA KEL 2.pptx
PPT LOGIKA KEL 2.pptxthemakelis
 
Makalah logika matematika
Makalah logika matematikaMakalah logika matematika
Makalah logika matematikaNasifah LasMana
 
Makalah logika matematika
Makalah logika matematikaMakalah logika matematika
Makalah logika matematikaNasifah LasMana
 
Makalah logika matematika
Makalah logika matematikaMakalah logika matematika
Makalah logika matematikaNasifah LasMana
 
Makalah logika matematika
Makalah logika matematikaMakalah logika matematika
Makalah logika matematikaNasifah LasMana
 
Iv Teknik Inferensi
Iv   Teknik InferensiIv   Teknik Inferensi
Iv Teknik InferensiHerman Tolle
 
pengantar sistem Pakar 2
pengantar sistem Pakar 2 pengantar sistem Pakar 2
pengantar sistem Pakar 2 yanthi Ncenk
 
Logika
LogikaLogika
LogikaAv Ri
 
Bab I. Kalimat Deklaratif
Bab I. Kalimat DeklaratifBab I. Kalimat Deklaratif
Bab I. Kalimat DeklaratifMustahal SSi
 
Kuliah1 0809
Kuliah1 0809Kuliah1 0809
Kuliah1 0809nilahafni
 

Similaire à Iii Representasi Pengetahuan (20)

Intelegensi Buatan - Representasi Pengetahuan
Intelegensi Buatan - Representasi PengetahuanIntelegensi Buatan - Representasi Pengetahuan
Intelegensi Buatan - Representasi Pengetahuan
 
AI
AIAI
AI
 
Pertemuan 06 Logic dan Learning Method
Pertemuan 06 Logic dan Learning MethodPertemuan 06 Logic dan Learning Method
Pertemuan 06 Logic dan Learning Method
 
Representasi Pengetahuan
Representasi PengetahuanRepresentasi Pengetahuan
Representasi Pengetahuan
 
Dw 4-intelijensi buatan
Dw 4-intelijensi buatanDw 4-intelijensi buatan
Dw 4-intelijensi buatan
 
Isi
IsiIsi
Isi
 
INFORMATIKA Rumpun Teknologi_Bab 1 Berpikir Komputasional.pptx
INFORMATIKA Rumpun Teknologi_Bab 1 Berpikir Komputasional.pptxINFORMATIKA Rumpun Teknologi_Bab 1 Berpikir Komputasional.pptx
INFORMATIKA Rumpun Teknologi_Bab 1 Berpikir Komputasional.pptx
 
Pengenalan Logika dan logika Proposional.ppt
Pengenalan Logika dan logika Proposional.pptPengenalan Logika dan logika Proposional.ppt
Pengenalan Logika dan logika Proposional.ppt
 
Slide-GNR105-Pertemuan-2.pptx
Slide-GNR105-Pertemuan-2.pptxSlide-GNR105-Pertemuan-2.pptx
Slide-GNR105-Pertemuan-2.pptx
 
PPT LOGIKA KEL 2.pptx
PPT LOGIKA KEL 2.pptxPPT LOGIKA KEL 2.pptx
PPT LOGIKA KEL 2.pptx
 
Makalah logika matematika
Makalah logika matematikaMakalah logika matematika
Makalah logika matematika
 
Makalah logika matematika
Makalah logika matematikaMakalah logika matematika
Makalah logika matematika
 
Makalah logika matematika
Makalah logika matematikaMakalah logika matematika
Makalah logika matematika
 
Makalah logika matematika
Makalah logika matematikaMakalah logika matematika
Makalah logika matematika
 
17546918 03a-taksonomi-bloom
17546918 03a-taksonomi-bloom17546918 03a-taksonomi-bloom
17546918 03a-taksonomi-bloom
 
Iv Teknik Inferensi
Iv   Teknik InferensiIv   Teknik Inferensi
Iv Teknik Inferensi
 
pengantar sistem Pakar 2
pengantar sistem Pakar 2 pengantar sistem Pakar 2
pengantar sistem Pakar 2
 
Logika
LogikaLogika
Logika
 
Bab I. Kalimat Deklaratif
Bab I. Kalimat DeklaratifBab I. Kalimat Deklaratif
Bab I. Kalimat Deklaratif
 
Kuliah1 0809
Kuliah1 0809Kuliah1 0809
Kuliah1 0809
 

Plus de Herman Tolle

03 Teknologi Web 2
03 Teknologi Web 203 Teknologi Web 2
03 Teknologi Web 2Herman Tolle
 
Pengantar Sistem Pakar
Pengantar Sistem PakarPengantar Sistem Pakar
Pengantar Sistem PakarHerman Tolle
 
Pengantar Kecerdasan Buatan
Pengantar Kecerdasan BuatanPengantar Kecerdasan Buatan
Pengantar Kecerdasan BuatanHerman Tolle
 
I Pengantar Kecerdasan Buatan
I   Pengantar Kecerdasan BuatanI   Pengantar Kecerdasan Buatan
I Pengantar Kecerdasan BuatanHerman Tolle
 
II Pengantar Sistem Pakar
II   Pengantar Sistem PakarII   Pengantar Sistem Pakar
II Pengantar Sistem PakarHerman Tolle
 
Forward Backward Chaining
Forward Backward ChainingForward Backward Chaining
Forward Backward ChainingHerman Tolle
 
01 Internet Trends
01 Internet Trends01 Internet Trends
01 Internet TrendsHerman Tolle
 

Plus de Herman Tolle (11)

06 Javascript
06 Javascript06 Javascript
06 Javascript
 
03 Teknologi Web 2
03 Teknologi Web 203 Teknologi Web 2
03 Teknologi Web 2
 
05 XHTML CSS
05 XHTML CSS05 XHTML CSS
05 XHTML CSS
 
02 Teknologi Web
02 Teknologi Web02 Teknologi Web
02 Teknologi Web
 
Pengantar Sistem Pakar
Pengantar Sistem PakarPengantar Sistem Pakar
Pengantar Sistem Pakar
 
Pengantar Kecerdasan Buatan
Pengantar Kecerdasan BuatanPengantar Kecerdasan Buatan
Pengantar Kecerdasan Buatan
 
CNF
CNFCNF
CNF
 
I Pengantar Kecerdasan Buatan
I   Pengantar Kecerdasan BuatanI   Pengantar Kecerdasan Buatan
I Pengantar Kecerdasan Buatan
 
II Pengantar Sistem Pakar
II   Pengantar Sistem PakarII   Pengantar Sistem Pakar
II Pengantar Sistem Pakar
 
Forward Backward Chaining
Forward Backward ChainingForward Backward Chaining
Forward Backward Chaining
 
01 Internet Trends
01 Internet Trends01 Internet Trends
01 Internet Trends
 

Dernier

Seminar Seri AI Talks - AI dan Media Kristen
Seminar Seri AI Talks - AI dan Media KristenSeminar Seri AI Talks - AI dan Media Kristen
Seminar Seri AI Talks - AI dan Media KristenSABDA
 
Aksi Nyata Guru Penggerak Modul 3.3. Program Berdampak Positif pada Murid
Aksi Nyata Guru Penggerak Modul 3.3. Program Berdampak Positif pada MuridAksi Nyata Guru Penggerak Modul 3.3. Program Berdampak Positif pada Murid
Aksi Nyata Guru Penggerak Modul 3.3. Program Berdampak Positif pada MuridDonyAndriSetiawan
 
UTS CT (ppg prajabatan gelombang 1 tahun 2023).pptx
UTS CT (ppg prajabatan gelombang 1 tahun 2023).pptxUTS CT (ppg prajabatan gelombang 1 tahun 2023).pptx
UTS CT (ppg prajabatan gelombang 1 tahun 2023).pptxYusufAmirudin3
 
Menyiapkan Guru Masa Depan yang Bagus da
Menyiapkan Guru Masa Depan yang Bagus daMenyiapkan Guru Masa Depan yang Bagus da
Menyiapkan Guru Masa Depan yang Bagus daWijaya Kusumah
 
Dinamika atmosfer dan Dampaknya terhadap kehidupan.pptx
Dinamika atmosfer dan Dampaknya terhadap kehidupan.pptxDinamika atmosfer dan Dampaknya terhadap kehidupan.pptx
Dinamika atmosfer dan Dampaknya terhadap kehidupan.pptxFritzPieterMichaelNa
 
MATERI PESANTREN KILAT RAMADHAN AQIDAH ISLAM.pptx
MATERI PESANTREN KILAT RAMADHAN  AQIDAH ISLAM.pptxMATERI PESANTREN KILAT RAMADHAN  AQIDAH ISLAM.pptx
MATERI PESANTREN KILAT RAMADHAN AQIDAH ISLAM.pptxSuarniSuarni5
 
K1_pengantar komunikasi pendidikan (1).pdf
K1_pengantar komunikasi pendidikan (1).pdfK1_pengantar komunikasi pendidikan (1).pdf
K1_pengantar komunikasi pendidikan (1).pdfbayuputra151203
 
Paparan Model Kompetensi Kepala Sekolah.pptx
Paparan Model Kompetensi Kepala Sekolah.pptxPaparan Model Kompetensi Kepala Sekolah.pptx
Paparan Model Kompetensi Kepala Sekolah.pptxagunk4
 
Aksi Nyata Modul 3.3.pdf tentang kepemimpinan murid
Aksi Nyata Modul 3.3.pdf tentang kepemimpinan muridAksi Nyata Modul 3.3.pdf tentang kepemimpinan murid
Aksi Nyata Modul 3.3.pdf tentang kepemimpinan muridYusnelMarni
 
Tanqihul Qoul Bab 14 - Keutamaan Ibadah Fardhu.pptx
Tanqihul Qoul Bab 14  - Keutamaan Ibadah Fardhu.pptxTanqihul Qoul Bab 14  - Keutamaan Ibadah Fardhu.pptx
Tanqihul Qoul Bab 14 - Keutamaan Ibadah Fardhu.pptxMMuminSholih
 
Makna, hukum, hikmah dan keutamaan puasa.pdf
Makna, hukum, hikmah dan keutamaan puasa.pdfMakna, hukum, hikmah dan keutamaan puasa.pdf
Makna, hukum, hikmah dan keutamaan puasa.pdfAdindaRizkiThalia
 
KISI-KISI DAN KARTU SOAL INFORMATIKA PAKET A.docx
KISI-KISI DAN KARTU SOAL INFORMATIKA PAKET A.docxKISI-KISI DAN KARTU SOAL INFORMATIKA PAKET A.docx
KISI-KISI DAN KARTU SOAL INFORMATIKA PAKET A.docxrulimustiyawan37
 
Paket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptx
Paket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptxPaket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptx
Paket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptxDarmiahDarmiah
 
materi pondok romadon sekolah dasar dengan materi zakat fitrah
materi pondok romadon sekolah dasar dengan materi zakat fitrahmateri pondok romadon sekolah dasar dengan materi zakat fitrah
materi pondok romadon sekolah dasar dengan materi zakat fitrahkrisdanarahmatullah7
 
573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptx
573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptx573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptx
573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptxanisakhairoza
 
Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...
Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...
Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...Shoffan shoffa
 
Program Roots Indonesia - Aksi Nyata.pdf
Program Roots Indonesia - Aksi Nyata.pdfProgram Roots Indonesia - Aksi Nyata.pdf
Program Roots Indonesia - Aksi Nyata.pdfrizalrulloh1992
 
DSKP KSSM Kurikulum Bersepadu Dini LAM Tingkatan 3
DSKP KSSM Kurikulum Bersepadu Dini LAM Tingkatan 3DSKP KSSM Kurikulum Bersepadu Dini LAM Tingkatan 3
DSKP KSSM Kurikulum Bersepadu Dini LAM Tingkatan 3sekolah9304
 

Dernier (20)

Seminar Seri AI Talks - AI dan Media Kristen
Seminar Seri AI Talks - AI dan Media KristenSeminar Seri AI Talks - AI dan Media Kristen
Seminar Seri AI Talks - AI dan Media Kristen
 
Aksi Nyata Guru Penggerak Modul 3.3. Program Berdampak Positif pada Murid
Aksi Nyata Guru Penggerak Modul 3.3. Program Berdampak Positif pada MuridAksi Nyata Guru Penggerak Modul 3.3. Program Berdampak Positif pada Murid
Aksi Nyata Guru Penggerak Modul 3.3. Program Berdampak Positif pada Murid
 
UTS CT (ppg prajabatan gelombang 1 tahun 2023).pptx
UTS CT (ppg prajabatan gelombang 1 tahun 2023).pptxUTS CT (ppg prajabatan gelombang 1 tahun 2023).pptx
UTS CT (ppg prajabatan gelombang 1 tahun 2023).pptx
 
Menyiapkan Guru Masa Depan yang Bagus da
Menyiapkan Guru Masa Depan yang Bagus daMenyiapkan Guru Masa Depan yang Bagus da
Menyiapkan Guru Masa Depan yang Bagus da
 
Dinamika atmosfer dan Dampaknya terhadap kehidupan.pptx
Dinamika atmosfer dan Dampaknya terhadap kehidupan.pptxDinamika atmosfer dan Dampaknya terhadap kehidupan.pptx
Dinamika atmosfer dan Dampaknya terhadap kehidupan.pptx
 
DEFINISI DAN KONTEKS MANAJEMEN ISU DAN KRISIS.pptx
DEFINISI DAN KONTEKS MANAJEMEN ISU DAN KRISIS.pptxDEFINISI DAN KONTEKS MANAJEMEN ISU DAN KRISIS.pptx
DEFINISI DAN KONTEKS MANAJEMEN ISU DAN KRISIS.pptx
 
MATERI PESANTREN KILAT RAMADHAN AQIDAH ISLAM.pptx
MATERI PESANTREN KILAT RAMADHAN  AQIDAH ISLAM.pptxMATERI PESANTREN KILAT RAMADHAN  AQIDAH ISLAM.pptx
MATERI PESANTREN KILAT RAMADHAN AQIDAH ISLAM.pptx
 
K1_pengantar komunikasi pendidikan (1).pdf
K1_pengantar komunikasi pendidikan (1).pdfK1_pengantar komunikasi pendidikan (1).pdf
K1_pengantar komunikasi pendidikan (1).pdf
 
Paparan Model Kompetensi Kepala Sekolah.pptx
Paparan Model Kompetensi Kepala Sekolah.pptxPaparan Model Kompetensi Kepala Sekolah.pptx
Paparan Model Kompetensi Kepala Sekolah.pptx
 
Aksi Nyata Modul 3.3.pdf tentang kepemimpinan murid
Aksi Nyata Modul 3.3.pdf tentang kepemimpinan muridAksi Nyata Modul 3.3.pdf tentang kepemimpinan murid
Aksi Nyata Modul 3.3.pdf tentang kepemimpinan murid
 
Persiapandalam Negosiasi dan Loby .pptx
Persiapandalam  Negosiasi dan Loby .pptxPersiapandalam  Negosiasi dan Loby .pptx
Persiapandalam Negosiasi dan Loby .pptx
 
Tanqihul Qoul Bab 14 - Keutamaan Ibadah Fardhu.pptx
Tanqihul Qoul Bab 14  - Keutamaan Ibadah Fardhu.pptxTanqihul Qoul Bab 14  - Keutamaan Ibadah Fardhu.pptx
Tanqihul Qoul Bab 14 - Keutamaan Ibadah Fardhu.pptx
 
Makna, hukum, hikmah dan keutamaan puasa.pdf
Makna, hukum, hikmah dan keutamaan puasa.pdfMakna, hukum, hikmah dan keutamaan puasa.pdf
Makna, hukum, hikmah dan keutamaan puasa.pdf
 
KISI-KISI DAN KARTU SOAL INFORMATIKA PAKET A.docx
KISI-KISI DAN KARTU SOAL INFORMATIKA PAKET A.docxKISI-KISI DAN KARTU SOAL INFORMATIKA PAKET A.docx
KISI-KISI DAN KARTU SOAL INFORMATIKA PAKET A.docx
 
Paket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptx
Paket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptxPaket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptx
Paket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptx
 
materi pondok romadon sekolah dasar dengan materi zakat fitrah
materi pondok romadon sekolah dasar dengan materi zakat fitrahmateri pondok romadon sekolah dasar dengan materi zakat fitrah
materi pondok romadon sekolah dasar dengan materi zakat fitrah
 
573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptx
573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptx573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptx
573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptx
 
Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...
Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...
Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...
 
Program Roots Indonesia - Aksi Nyata.pdf
Program Roots Indonesia - Aksi Nyata.pdfProgram Roots Indonesia - Aksi Nyata.pdf
Program Roots Indonesia - Aksi Nyata.pdf
 
DSKP KSSM Kurikulum Bersepadu Dini LAM Tingkatan 3
DSKP KSSM Kurikulum Bersepadu Dini LAM Tingkatan 3DSKP KSSM Kurikulum Bersepadu Dini LAM Tingkatan 3
DSKP KSSM Kurikulum Bersepadu Dini LAM Tingkatan 3
 

Iii Representasi Pengetahuan

  • 1. III – Representasi Pengetahuan 1 REPRESENTASI PENGETAHUAN (KNOWLEDGE REPRESENTATION) KNOWLEDGE IS POWER! Pengetahuan adalah kekuatan! Representasi Pengetahuan : § Definisi dlm ES: Metode yang digunakan untuk mengkodekan pengetahuan dalam sebuah sistem pakar yang berbasis pengetahuan. § Perepresentasian dimaksudkan untuk menangkap sifat-sifat penting problema dan membuat informasi itu dapat diakses oleh prosedur pemecahan problema. § Bahasa representasi harus dapat membuat seorang programmer mampu mengekspresikan pengetahuan yang diperlukan untuk mendapatkan solusi problema à dapat diterjemahkan ke dalam bahasa pemrograman dan dapat disimpan § Harus dirancang agar fakta-fakta dan pengetahuan lainnya yang terkandung didalamnya bisa digunakan untuk penalaran Jenis-jenis Pengetahuan Jenis-jenis pengetahuan Peraturan (rules) Pengetahuan Prosedural Strategi (Procedural Knowledge) Agenda Prosedur Konsep Declarative Knowledge Obyek Fakta Pengetahuan tentang berbagai jenis Meta-Knowledge pengetahuan dan Bagaimana menggunakannya Pengetahuan Heuristic Petunjuk praktis (Rules of thumb) (Heuristic Knowledge) Sekumpulan aturan Pengetahuan Struktural Concept Relationships (Structural Knowledge) Concept to Object Relationship TEKNIK REPRESENTASI PENGETAHUAN § Logika § Object-Attribute-Value triplets (OAV) § Aturan-aturan (Rules) § Jaringan Semantik (Semantic Networks) § Frames TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 2. III – Representasi Pengetahuan 2 LOGIKA § Logika merupkan suatu pengkajian ilmiah tentang serangkaian penalaran, sistem kaidah dan prosedur yang membantu proses penalaran. § Merupakan bentuk representasi pengetahuan yang paling tua, dan menjadi dasar dari teknik representasi high level. PENALARAN DEDUKTIF § Penalaran ini bergerak dari penalaran umum menuju ke konklusi khusus § Umumnya dimulai dari suatu sylogisme, atau pernyataan premis dan inferensi § Umumnya terdiri dari 3 bagian: premis mayor, premis minor dan konklusi. § Contoh Premis mayor : Jika hujan turun saya tidak akan lari pagi Premis Minor : Pagi ini hujan turun Konklusi : Oleh karena itu pagi ini saya tidak akan lari pagi PENALARAN INDUKTIF § Merupakan kebalikan dari deduktif, yaitu dimulai dari masalah khusus menuju ke masalah umum § Menggunakan sejumlah fakta atau premis yang mantap untuk menarik kesimpulan umum. § Contoh: Premis : Dioda yang salah menyebabkan peralatan elektronik rusak Premis : Transistor rusak menyebabkan elektronik rusak Premis : IC rusak menyebabkan peralatan elektronik tidak berfungsi Konklusi : Maka, peralatan semi konduktor rusak merupakan penyebab utama rusaknya peralatan elektronik § Konklusi tidak selalu mutlak, dapat berubah jika ditemukan fakta-fakta baru LOGIKA PROPORSIONAL § Dalam melakukan penalaran dengan komputer, komputer harus dapat menggunakan proses penalaran deduktif dan induktif ke dalam bentuk yang sesuai dengan manipulasi komputer à Logika Simbolik atau Logika Matematik § Metode itu disebut Logika Komputasional § Bentuk logika komputasional ada 2 macam : Logika Proporsional atau Kalkulus dan Logika Predikat § Suatu Proposisi merupakan suatu statemen atau pernyataan yang menyatakan benar (TRUE) atau salah (FALSE). Tabel 3.1 Operator Logika dan Simbol Operator Symbol AND ∩, &, ∧ OR ∪, +, ∨ NOT ¬, ~ IMPILIES ⊃, → EQUIVALENCE ≡ TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 3. III – Representasi Pengetahuan 3 § Untuk menggambarkan berbagai proposisi, premis atau konklusi kita gunakan simbol seperti huruf abjad. Misalnya: A = Tukang pos mengantarkan surat mulai Senin s/d Sabtu B = Hari ini adalaha Hari Minggu C = Maka hari ini tukang pos tidak mengantar surat NOT D = Hari ini hujan Not D = Hari ini tidak Hujan Tabel Kebenaran NOT A NOT A T F F T AND § Hasil proposisi akan benar jika kedua proposisi awal benar A = mobil saya berwarna hitam B = mesin mobil berwarna hitam itu 6 silinder C = mobil saya berwarna hitam dan mesinnya 6 silinder D = A dan B Pada kasus diatas, D baru benar jika A dan B benar Tabel Kebenaran AND A B D F F F T F F F T F T T T OR § Proposisi akan benar jika salah satu atau kedua propisis benar A = Seorang wanita berusia 25 tahun B = Lulusan Teknik Elektro C = A OR B Pada kasus diatas, C akan benar jika salah satu dari A atau B benar Tabel Kebenaran OR A B C F F F T F T F T T T T T IMPLIES (menyatakan) § Pada konektif IMPLIES, jika proposisi A benar, maka propisi B pun harus benar. A = Mobil rusak B = Saya tidak bisa naik mobil C = A Implies B § Dapat juganakan menggunakan IF-THEN, IF mobil rusak THEN saya tidak bisa naik mobil TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 4. III – Representasi Pengetahuan 4 Tabel Kebenaran IMPLIES A B C F F T F T T T F F T T T 1. Jika A Salah dan B Salah maka C Benar. Jika mobil tidak rusak, maka saya bisa naik mobil. A IMPLIES B adalah Benar 2. Jika A Salah dan B Benar maka C Benar. Jika mobil tidak rusak, maka saya tidak bisa naik mobil. A IMPLIES B adalah Benar 3. Jika A Benar dan B Salah maka C Salah. Jika mobil rusak, maka saya bisa naik mobil. A IMPLIES B adalah Salah 4. Jika A Benar dan B Benar maka C Benar. Jika mobil rusak, maka saya tidak bisa naik mobil. A IMPLIES B adalah Benar LOGIKA PREDIKAT / KALKULUS PREDIKAT § Logika predikat adalah suatu logika yang lebih canggih yang seluruhnya menggunakan konsep dan kaidah proposional yang sama. § Juga disebut kalkulus predikat, yang memberi tambahan kemampuan untuk merepresentasikan pengetahuan dengan sangat cermat dan rinci. § Istilah kalkulus berbeda dengan istilah kalkulus dalam bidang matematik § Kalkulus predikat memungkinkan kita bisa memecahkan statemen ke dalam bagian komponen, yang disebut objek, karakteristik objek, atau beberapa keterangan objek. § Suatu proposisi atau premis dibagi menjadi dua bagian, yaitu ARGUMEN (atau objek) dan PREDIKAT (keterangan). § Argumen adalah individu atau objek yang membuat keterangan § Predikat adalah keterangan yang membuat argumen dan predikat § Dalam suatu kalimat, predikat bisa berupa kata kerja atau bagian kata kerja. PREDIKAT (individu[objek]1, individu[objek] 2 Misalnya proposisi: Mobil berada dalam garasi Dinyatakan menjadi: Di dalam(mobil, garasi) Di dalam = produk (keterangan) Mobil = Argumen(objek) Garasi = Argumen(objek) TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 5. III – Representasi Pengetahuan 5 Contoh Lain: Proposisi : Rojali suka Juleha Kalkulus Predikat : SUKA (Rojali, Juleha) ß dua argumen Proposisi : Pintu Terbuka Kalkulus Predikat : BUKA (pintu) ß satu argumen Proposisi : Sensor Cahaya Aktif Kalkulus Predikat : AKTIF(Sensor Cahaya) Variabel § Huruf bisa menggantikan argumen § Simbol-simbol juga bisa digunakan untuk merancang beberapa objek atau individu Misalnya: x = Rojali dan y = Juleha, Maka proposisinya menjadi Suka(x,y) § Dengan menggunakan sistem ini, pangkalan pengetahuan (knowledge base) dapat dibentuk § Pengetahuan diekspresikan dalam kalkulus predikat yang bisa dimanipulasi agar menimbulkan inferensi FUNGSI § Predikat kalukulus membolehkan penggunaan simbol untuk mewakili Fungsi-fungsi Misalnya: ayah(Juleha) = Jojon ibu(Rojali) = Dorce § Fungsi dapat digunakan bersamaan dengan predikat Misalnya: Predikat berikut menjelaskan bahwa Jojon dan Dorce adalah berteman teman(ayah(Juleha),ibu(Rojali) = teman(Jojon,Dorce) OPERASI § Predikat kalkulus menggunakan operator yang sama seperti pada logika proporsional Misalnya: Proposition: Rojali suka Juleha suka(Rojali,Juleha) Proposition: Mandra suka Juleha suka(Mandra,Juleha) Pada 2 predikat diatas, ada dua orang menyukai Juleha. Untuk memberikan pernyataan adanya Kecemburuan disitu, maka suka(x,y) AND suka(z,y) IMPLIES NOT suka(x,z) atau suka(x,y) ∧ suka(z,y) à ¬ suka(x,z) dalam kalimat pengetahuan yang tersimpan adalah: “Jika dua orang pria menyukai wanita yang sama, maka kedua pria itu pasti tidak saling suka (saling membenci)” TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 6. III – Representasi Pengetahuan 6 PENGUKURAN KUANTITAS (Quantifier) § Pengukuran kuantitas (Quantifier) adalah simbol yang mengijinkan kita untuk menyatakan suatu rangkaian atau cakrawala variabel dalam suatu ekspresi logika. § Dua pengukuran kuantitas, yaitu: o Ukuran kuantitas universal à ∀ : yang berarti “untuk semua” o Ukuran kuantitas eksistensial à ∃ , yang berarti berada Contoh 1: Proposisi : “Semua orang Malang adalah warganegara Indonesia” diekspresikan menjadi: ∀ (∀x)[orang Malang(x), warga negara Indonesia(x)] § Simbol ∀ menyatakan bahwa ekspresi ini berlaku secara universal benar. Yaitu untuk semua nilai x. § Jika x adalah orang Malang, maka benar jika x adalah warga negara Indonesia Contoh 2: Proposisi: “Beberapa Mobil berwarna merah” diekspresikan menjadi: ∃ (∃x)[mobil(x) dan berwarna merah (x)] § Ekspresi diatas berarti ada beberapa mobil tertentu x yang sesuai dengan ekspresi ini § Jika x adalah sebuah mobil dan mobil itu berwarna merah PENALARAN DENGAN LOGIKA § Pengetahuan itu dibutuhkan untuk membuat inferensi, yaitu bagaimana kita menggunakan pengetahuan itu untuk menjawab pertanyaan, menalar atau menarik kesimpulan § Kaidah inferensi yang paling sederhana adalah: MODUS PONEN Yaitu: Jika Proposisi A benar dan A IMPLIES B, adalah benar, maka proposisi B adalah benar juga. [A AND (A à B)]B § Dengan demikian kita bisa menggunakan modus ponen untuk menarik kesimpulan bahwa B benar jika kedua ekspresi yang pertama juga benar. Contoh: A = Udara Cerah B = Kita pergi ke pantai AàB = Jika udara cerah, maka kita pergi ke pantai Premis pertama menyatakan udara cerah, yang kedua menyatakan pergi ke pantai. Selanjutnya A IMPLIES B, Dengan demikian, jika kedua A dan A IMPLIES B benar, maka B juga benar. TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 7. III – Representasi Pengetahuan 7 OBJECT-ATTRIBUTE-VALUE (OAV) Triplets § Object dapat berupa bentuk fisik atau konsep § Atribut adalah karakteristik atau sifat dari object tersebut. § Values (Nilai) – besaran/nilai/takaran spesifik dari atribut tersebut pada situasi tertentu. Dapat berupa numerik, string atau boolean. § Sebuah object bisa memiliki beberapa atribut --> OAV Multi-atribut § Sebuah atribut dapat dianggap sebagai suatu object baru dan memiliki atribut sendiri. § Digunakan juga pada frames dan Jaringan semantik Representasi Item O-A-V Object Attribute Values Rumah Kamar Tidur 2,3,4, dll Rumah Warna Hijau, putih, biru, dll Kamar Tidur Ukuran 3x4, 4x4, dll Bola Diameter 30 cm Bola Warna Merah Bola berat 10 ons § Fakta Nilai Tunggal (Single-Valued Facts) : atribut yang hanya memiliki satu nilai tunggal Q : Please Tell If the barometer is Falling Steady Rising A : Falling § Fakta Nilai Ganda (Multiple-Valued Facts) : atribut yang dapat memiliki satu nilai lebih dari satu Person à Level of Education à High School, College, dll Q : Please select the level of Education High School College Graduate School A : High School College § Jika sebuah value dipilih dari list, maka sistem akan men-set value tersebut pada working memory menjadi TRUE, dan value-value yang lain menjadi FALSE. o Misalnya: dari contoh tadi, Jika user memilih “Falling”, maka sistem tidak hanya tahu fakta tersebut, tetapi juga tahu bahwa pressure barometer juga adalah tidak dalam kondisi rising dan tidak dalam kondisi steady. TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 8. III – Representasi Pengetahuan 8 UNCERTAIN FACTS (Fakta Taktentu) § World is not black or white, dunia bukan hitam atau putih. § Kita tidak selalu tahu dengan pasti apakah suatu kejadian (event) itu TRUE atau FALSE. § Dalam beberapa kejadian kita mengenal degree of belief. Dalam bahasa sehari-hari kita menggunakan istilah: “barangkali”, “mungkin” “kemungkinan besar”, dll § Metode konvensional menggunakan certainty factor (CF) § CF merupakan besaran numerik untuk menjelaskan keadaan Certainty Factor yang digunakan pada MYCIN Fakta Fuzzy § Fuzzy logic menyediakan metode untuk merepresentasikan istilah- istilah yang ambigous (ambigous terms) dalam natural language. Ambigous = bermakna ganda. § Ambigous terms direpresentasikan dalam Fuzzy Sets, yang menangkap secara kuantitatif interpertasi manusia dari term tersebut. o Misalnya : “Orang tersebut tinggi” kalimat tersebut menjadi ambigous karena menggunakan kata tinggi. § Gambar berikut menunjukkan 3 set fuzzy yang memetakan (mapping) domain tinggi kedalam sejumlah angka yang disebut membership value. Height Pendek Sedang Tinggi 1 Membership value 0.5 0 4 5 6 7 tinggi (dalam feet) TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 9. III – Representasi Pengetahuan 9 o Membership value bernilai antara 0 sampai 1 yang menentukan level of belief. o Misalnya: seorang dengan tinggi 5,5 feet, dapat dikatakan sebagai member dari orang bertinggi sedang dengan nilai membership = 1, atau, member dari orang bertinggi badan pendek atau tinggi dengan nilai membership = 0,25. RULES § Rules (aturan-aturan), merupakan pengetahuan prosedural § Menghubungkan informasi yang diberikan dengan tindakan (action) § Struktur rule, secara logika menghubungkan satu atau lebih antecedent (atau premises) yang berada pada bagian IF, dengan satu atau lebih consequents (atau conclusions/kesimpulan) pada bagian THEN. Misalnya: IF Warna bola itu merah THEN Saya suka bola itu § Sebuah rule dapat memiliki multiple premise yang tergabung dengan menggunakan operasi logika (AND, OR) § Bagian Konklusi dapat berupa kalimat tunggal atau gabungan dengan menggunakan operasi logika (AND) dan dapat pula memiliki kalimat ELSE. Contoh operasi sistem berbasis aturan Knowledge Base IF warna bola merah THEN saya suka bola itu IF saya suka bola itu THEN saya akan beli bola itu Working memory Q : Warna bola? A : Merah Warna bola itu merah Saya suka bola itu Saya akan beli bola itu § Selain memberikan informasi baru, suatu rule dapat juga melakukan beberapa operasi: IF Luas dari bujursangkar diperlukan THEN LUAS = PANJANG X LEBAR § Untuk operasi-operasi yang kompleks, sistem berbasis aturan dirancang untuk mengakses program eksternal TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 10. III – Representasi Pengetahuan 10 1. Program Prosedural Rule 1 IF disain membutuhkan kotak baru AND JUMLAH = jumlah item dalam satu pack kotak AND SIZE = ukuran satu item THEN CALL COMPUTE_BOX_VOLUME AND SEND JUMLAH, SIZE AND RETURN VOLUME 2. Spreadsheet Rule 2 IF penjualan bulan Januari dibutuhkan THEN OPEN SALES AND JANUARY_SALES = B7 3. Database Rule 3 IF terjadi situasi darurat AND NAMA = Smith THEN OPEN TELEPHONE AND FIND NAMA, NAMA-FIELD AND TELEPHONE = TELEPHONE FIELD § Dengan mengakses data eksternal, memberikan fleksibilitas dalam proses peningkatan kemampuan sistem pakar yang dirancang. JENIS-JENIS RULES RELATIONSHIP/HUBUNGAN IF Bateri sudah soak THEN Mobil tidak bisa distarter REKOMENDASI IF Mobil tidak bisa distarter AND Sistem bahan bakar OK THEN Periksa bagian elektrikal STRATEGI IF Mobil tidak bisa distarter THEN Pertama periksa sistem bahan bakar, lalu periksa sistem elektrikal HEURISTIC IF Mobil tidak bisa distarter AND Mobilnya adalah Ford tahun 1957 THEN Periksa float-nya Rules juga dapat dikategorikan berdasarkan paradigma masalah: INTERPRETASI IF Tegangan Resistor R1 lebih besar dari 2.0 volt AND Tegangan Kolektor pada Q1 kurang dari 1.0 volt THEN Bagian Pre-Amp berada pada range normal TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 11. III – Representasi Pengetahuan 11 DIAGNOSA IF stain dari organisme adalah grampos AND morfologi dari organisme adalah coccus AND pertumbuhan dari organisme adalah chains THEN organisme tersebut adalah streptococcus DISAIN IF task sekarang adalah menempatkan catu daya AND posisi dari catu daya pada kabinet sudah diketahui AND ada ruang tersedia dalam kabinet untuk catu daya THEN letakkan catu daya pada kabinet tersebut RULES dengan VARIABEL § Basic knowledge dapat dibuat menggunakan variabel untuk memudahkan dalam perawatan dan pengembangan. Contoh: IF John Smith adalah seorang karyawan AND John Smith berusia lebih dari 65 tahun THEN John Smith bisa pensiun § Pada contoh diatas, jika sistem ingin mengecek kasus yg sama pada orang yang berbeda maka harus dibuat rules khusus untuk orang tersebut ß tidak efisien! § Pattern matching rules digunakan untuk mencocokan kalimat masalah yang sama. Contoh dengan menggunakan variabel: IF ?X adalah seorang KARYAWAN AND ?X UMUR > 65 tahun THEN ?X bisa pensiun § Pada contoh diatas, jika kita mempunya sejumlah informasi berikut pada Working Memory, dimana nama-nama individu diassign pada variabel ?X: PRIMUS adalah KARYAWAN Odi adalah KARYAWAN UJO adalah KARYAWAN UMUR PRIMUS = 67 UMUR Odi = 60 UMUR UJO = 70 Maka pernyataan baru yang muncul dari proses pencocokan adalah: PRIMUS bisa pensiun UJO bisa pensiun § Pattern matching rules memberikan cara yang efisien dalam memproses informasi. Kita bisa menulis hanya satu rule yang bisa menangkap informasi yang bisa diterapkan secara umum § Pada contoh tadi, rule tsb. merupakan representasi dari kalimat berikut: ” Jika seorang karyawan berusia lebih dari 65 tahun, maka dia bisa pensiun” TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 12. III – Representasi Pengetahuan 12 META RULES § Meta knowledge : Pengetahuan tentang bagaimana menggunakan dan mengendalikan domain pengetahuan § Meta Rules : Suatu rule yang menjelaskan bagaimana rule yang lain digunakan § Suatu meta-rule memberikan strategi-strategi yang menjelaskan bagaimana menggunakan rule-rule spesisfik yang ada. Contoh: IF Mobil tidak bisa distarter AND Sistem elektrikal beroperasi dengan normal THEN Gunakan rule-rule pada sistem bahan bakar § KNOWLEDGE RULES atau DECLARATIVE RULES, menyatakan fakta dan hubungannya dari suatu masalah § Meta-rules disebut juga INFERENCE RULES atau PROCEDURAL RULES. § Meta-rules memberitahu bagaimana menyelesaikan suatu masalah, biasanya digunakan pada bagian INFERENCE ENGINE Knowledge Rules: RULE 1: IF konflik internasional dimulai THEN harga emas akan naik RULE 2: IF angka inflasi menurun THEN harga emas turun RULE 3: IF konflik internasional kurang seminggu lagi AND terjadi di timur tengah THEN beli EMAS! Inference Rules: RULE 1: IF data yang dibutuhkan tidak ada pada sistem THEN request dari user RULE 2: IF lebih dari satu rule yang digunakan THEN non-aktif-kan semua rule yang tidak menambah data baru Keunggulan Sistem berbasis RULES: § Modifikasi dan perawatan relatif mudah § Uncertainty dapat dikombinasikan dengan rules § Tiap rules biasanya independent dari yang lainnya Keterbatasan: § Pengetahuan yang kompleks membutuhkan rules yang sangat banyak § Sistem dengan banyak rules mungkin mempunyai keterbatasan dalam proses pencarian pada bagian program kontrol TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 13. III – Representasi Pengetahuan 13 Uncertain Rules Contoh 1: IF Inflation is high THEN Almost certainly interest are high Contoh 2: IF Inflation is high THEN Interest rates are high CF=0.8 RULE SET § Sekumpulan rules yang disusun untuk digunakan dalam penyelesaian dari suatu masalah § Masing-masing bagian memiliki rules khusus yang dapat berbeda satu dengan lainnya § Set of rules merupakan penjabaran dari skill seorang pakar dalam mengatasi suatu masalah § Pemilihan dan penggunaan dari rule yang berbeda merupakan kompetensi reasoning yang dimiliki seorang pakar. § Sebuah strategi dibutuhkan untuk mengetahui kapan dan bagaimana menggunakan rule tersebut à Perlu ada Meta-Rule untuk mengatur bagaimana memanfaatkan suatu rule set. Contoh Rule set dari Automobile Diagnostic § Keuntungan dari bentuk ini adalah mudah dalam pengembangan sistem dan perawatan (maintenance) § Kita bisa membangun (build) dan melakukan pengujian (test) secara terpisah pada masing-masing modul § Selain itu kita bisa juga menerapkan teknik representasi pengetahuan dan strategi inferensi yang berbeda pada tiap modul dari sistem. TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 14. III – Representasi Pengetahuan 14 JARINGAN SEMANTIK (SEMANTIC NETWORKS) § Jaringan semantik merupakan pengetahuan secara grafis yang menunjukkan hubungan antar berbagai objek § Suatu jaringan semantik sederhana bisa dilihat pada gambar berikut: § Jaringan semantik disusun dari NODE dan ARC (Lines) § Node merupakan representasi dari objek, objek properti atau properti value. (digambarkan dengan lingkaran) § Arc merupakan representasi dari hubungan antar node. (digambarkan dengan garis) § Baik node maupun arc memiliki label yang secara jelas menjelaskan representasi dari objek dan hubungan antar node. § Hampir semua objek, atribut, pemikiran atau apapun dapat dirumuskan dan dihubungkan antara satu dengan lainnya oleh garis-garis (arc) § Arc umumnya menggunakan istilah seperti : “IS-A”, “HAS-A”, dll. § Pada gambar contoh tadi: Link “IS-A” diantara node “Canary” dan “Bird” menjelaskan hubungan “spesific-to-general” diantara keduanya. PERLUASAN JARINGAN SEMANTIK § Kita dapat dengan mudah memperluas (expanding) jaringan semantik dengan menambah NODE dan menghubungkan dengan NODE yang bersesuaian pada Jaringan Semantik § Node baru tersebut dapat merupakan objek tambahan atau properti tambahan § Umumnya penambahan dapat dilakukan dalam 3 cara: (1) objek yang sama Penambahan node “Penguin” yang merupakan objek yang sama dengan “Canary” yang merupakan hubungan “IS-A” dari node “Bird” (2) objek yang lebih khusus Penambahan node “Tweety” yang merupakan objek khusus dari node “Canary”. Penambahan tersebut memberikan informasi bahwa “Tweety” adalah juga termasuk “Bird” (3) objek yang lebih umum Kita dapat menambahkan node yang merupakan representasi yang lebih umum dari suatu node, yang di-link dengan arc “IS-A”. Misalnya penambahan node “Animal” pada node “Bird” yang menginformasikan bahwa “Bird” termasuk dalam objek “Animal” TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 15. III – Representasi Pengetahuan 15 Contoh Perluasan dari jaringan semantik PEWARISAN (INHERITANCE) PADA JARINGAN SEMANTIK § Node yang ditambahkan pada Jaringan Semantik secara otomatis mewarisi informasi yang telah ada pada Jaringan § Penambahan node “Tweety” otomatis juga mewariskan sifat-sifat dari “Animal” pada objek “Tweety” § Misalnya: ‘“Tweety” breathes air’, karena ‘“Animal” breathes air’ OPERASI PADA JARINGAN SEMANTIK § Salah satu cara untuk menggunakan Jaringan Semantik adalah dengan bertanya pada node § Misalnya: Case 1 : Jika kita bertanya pada “Bird”, “How do you Travel?” Jawabannya: “Fly” Untuk menjawab, maka node tersebut akan mengecek pada arc dengan label travel dan kemudian menggunakan informasi (value) yang ada pada arc tersebut sebagai jawabannya Case 2 : Jika kita bertanya pada “Tweety”, “How do you Travel?” Jawabannya : “FLY” Jika node tidak menemukan jawaban pada lokal arc, maka akan mencari pada link dengan hubungan “IS-A” yang dimiliki node tsb. TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 16. III – Representasi Pengetahuan 16 PENANGANAN PENGECUALIAN (EXCEPTION HANDLING) § Case 3 : Jika kita bertanya pada “Penguin”, “How do you Travel?” Jawaban normal adalah: “Fly” Hal ini tidak sesuai dengan fakta sebenarnya bahwa “Penguin” travel dengan cara “WALK” § Untuk mengatasi kasus tersebut, maka kita bisa menambahkan arc khusus pada node “Penguin” untuk meng-over-ride informasi yang telah diwariskan. § Penanganan Pengecualian (Exception Handling) merupakan teknik sederhana yang digunakan untuk mengatasi masalah tersebut, yang merupakan kelemahan pada Jaringan Semantik. § Proses override berarti kita menambahkan arc atau sifat yang sama dengan objek induk pada node, tetapi dengan value atau karakteristik yang berbeda Notes: § Walaupun jaringan semantik pada dasarnya berbentuk grafik, tapi dalam komputer tidak tampak. § Berbagai objek dan hubungannya dinyatakan dalam istilah verbal § Untuk memanfaatkan hasil program, titik tolak diberikan pada node awal tertentu. § Titik awal biasanya ditentukan oleh sebuah pertanyaan, kemudian komputer menggunakan berbagai teknik pelacakan ke dalam struktur jaringan untuk mendefinisikan objek yang diinginkan dan menentukan hubungan-hubungannya seperti yang diajukan oleh pertanyaan tersebut. TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 17. III – Representasi Pengetahuan 17 FRAME § Definisi: struktur data untuk merepresentasi pengetahuan stereotip dari suatu konsep atau objek § Pertama kali diusulkan oleh Minsky (1975) § Perancang sistem pakar menggunakan ide yang sama pada SKEMA (schema) untuk menangkap dan merepresentasi pengetahuan konseptual dalam Sistem Pakar. § Skema merupakan suatu satuan (unit) yang berisi pengetahuan khusus tentang suatu konsep atau objek yang mengandung baik pengetahuan deklaratif maupun prosedural § Skema merupakan perluasan natural dari Jaringan Semantik dan diusulkan pertama kali oleh Barlett (1932) Disain Frame Dasar § Frame dapat dianggap sama dengan bentuk-bentuk form untuk input data. Misalnya seperti form “Report Card” (semacam KHS) : REPORT CARD § Form tersebut menyediakan tipe umum dari informasi yang dapat digunakan untuk karakterisasi dari masing-masing siswa § Struktur dari sebuah frame ditunjukkan dalam gambar berikut § Frame dapat juga memiliki field tambahan yang disebut Class. Yang dapat diisi sebuah nilai (misalnya: Object2) yang merupakan nama dari frame yang lain yang berhubungan dengan Object1. § Biasanya dalam hubungan IS-A à Object1 IS-A Object2 TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 18. III – Representasi Pengetahuan 18 § Misalnya dengan mengisi “human” (manusia) pada class dari slot frame untuk “John”. Hal ini berarti “John IS-A human” (John adalah manusia) § Secara umum frame memiliki 2 elemen dasar SLOT dan FACET § Slot : merupakan kumpulan atribut/properti yang menjelaskan objek yang direpresentasi oleh frame § Facet (atau disebut juga: subslot) menjelaskan pengetahuan atau prosedur dari atribut pada slot § Facet dapat berbentuk: o Value : menjelaskan tentang nilai dari suatu atribut o Default : nilai yang digunakan jika suatu slot kosong atau tidak dideskripsikan pada frame instansiasi o Range : menandakan jenis dari informasi yang dapat muncul pada slot tersebut (misalnya 0 sampai 100) o If Added : berisi informasi prosedural yang berupa suatu tindakan yang akan dikerjakan jika nilai dari slot diisi (atau berubah). o If Needed : facet ini digunakan pada kasus dimana tidak ada value pada slot. Suatu prosedur akan dikerjakan untuk memperoleh atau menghitung sebuah value o Other : slot bisa berisi frame, rule, jaringan semantik ataupun tipe lain dari informasi Frame Kelas (Class) § Sebuah frame kelas merepresentasi karaktistik (sifat-sifat) umum dari suatu objek § Dalam setiap frame kelas kita bisa mendefinisikan properti-properti umum yang biasanya dimiliki oleh semua objek dalam kelas tersebut. § Ada 2 jenis properti : statik dan dinamik § Properti Statik merupakan fitur dari objek yang tidak dapat berubah § Properti dinamik merupakan fitur yang dapat berubah selama sistem berjalan Contoh Kelas Frame dari “Bird” § Properti berisi sifat-sifat umum dari objek “Bird” § Properti seperti Color dan No_Wings adalah statik (karena merupakan ciri-ciri/featur yang nilainya tidak berubah) § Properti seperti Hungry dan Activity adalah dinamik (karena selama program/sistem berjalan value-nya bisa berubah) § Value “unknown” berarti bahwa kita tidak dapat mengisi sebuah nilai pada properti tersebut sebelum kita merepresentasi objek khusus dari kelas tersebut TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 19. III – Representasi Pengetahuan 19 Frame Instansiasi (Instance) § Ketika kita menggunakan kelas untuk mendeskripsikan suatu objek khusus dari kelas tersebut, maka hal ini disebut proses “instansiaisi” dari sebuah kelas atau juga disebut “frame instansiasi” § Frame tersebut secara otomatis mewarisi properti dan value dari properti dari kelas tersebut § Kita dapat membuat banyak instansiasi dari kelas yang sama § Pendekatan ini sangat berpengaruh pada kecepatan proses pembuatan kode program, terutama untuk kasus dimana ada banyak instansiasi yang harus dibuat kodenya § Dalam teknik pemrograman, frame dapat direpresentasikan dengan metode Object Oriented Programming (OOP) Pewarisan Frame § Seperti halnya NODE pada Jaringan Semantik, frame instansiasi juga mewarisi informasi dari kelas frame nya. § Tetapi kita juga bisa menambahkan properti khusus yang hanya dimiliki oleh frame instansiasi tersebut. Facet IF-NEEDED § Merupakan suatu prosedur atau metode yang akan dieksekusi pada saat suatu value dari properti dibutuhkan. IF Tweety:No_Wings < 2 THEN Tweety:Flies = False IF Tweety:No_Wings > 2 THEN Tweety:Flies = True Bentuk penulisan pada pemrograman Shell Kappa PC: IF Self:No_Wings < 2 THEN Self:Flies = False IF Self:No_Wings > 2 THEN Self:Flies = True Facet IF-ADDED (IF-CHANGED) § Merupakan suatu prosedur atau metode yang akan dieksekusi pada saat suatu value dari properti diisikan atau mengalami perubahan. IF Self:Hungry = True THEN Self:Activity = Eating #Self:Eats TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 20. III – Representasi Pengetahuan 20 CONTOH FRAME TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 21. III – Representasi Pengetahuan 21 TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  • 22. III – Representasi Pengetahuan 22 Perbandingan berbagai Teknik Representasi Pengetahuan Skema Advantages Disadvantages Logika Fakta yang disediakan Terpisah antara representasi independen terhadap dan pemrosesan, tidak efisien penggunaan, menjamin hanya dengan set data yang besar, konsekuen valid yang lambat pada knowledge base dinyatakan (asserted) yang besar Rules Sintaks sederhana, mudah Sulit jika mengikuti hirarki, dipahami, mudah tidak efisien untuk sistem yang diterjemahkan besar, tidak semua sangat modular, fleksibel pengetahuan dapat (mudah ditambah dan diekspresikan dengan rules, dimodifikasi) jelek dalam merepresentasi pengetahuan deskriptif terstruktur Jaringan Semantik Mudah untuk mengikuti Arti yang melekat pada node hirarki, mudah melacak bisa ambigous, penanganan asosiasi, fleksibel pengecualian cukup sulit, sulit dalam pemrograman Frames Bentuk yang sangat ekspresif, Sulit dalam pemrograman, sulit mudah men-set-up slot untuk dalam inferensi properti baru, mudah membuat prosedur, mudah mengisikan informasi default dan mendeteksi value yang tidak ada EXERCISES 1. Gambarkan skema jenis-jenis pengetahuan beserta contoh dari setiap jenis pengetahuan tersebut 2. Jelaskan apa yang dimaksud dengan META RULES dan META KNOWLEDGE 3. Buat dalam bentuk pernyataan logika predikat dan tabel kebenaran implies (untuk a dan b) untuk premis-premis berikut: a. Jika Tidak ada Sinyal Maka Handphone tidak bisa digunakan b. Jika Terjadi hubungan pendek maka Sekring akan putus c. Semua Mahasiswa elektro Unibraw adalah mahasiswa Fakultas Teknik Unibraw d. Football players are strong 4. Definisikan Set dari Rules dan gambarkan tree-nya untuk kasus berikut: a. Lampu Pijar ruang tamu yang tidak menyala ketika saklar diaktifkan b. Diagnosa dan Repair pesawat TV 5. Buat 3 buah rules yang menjelaskan hubungan uncertain, dan tentukan nilai CF dari masing-masing rules tersebut 6. Gambarkan Jaringan Semantik dari Mobil (Mis: MobilßMobil KijangßMobil Kijang Saya) 7. Buat Frame Kelas dari Komputer Personal dan Frame instansiasi untuk Jenis komputer Intel Pentium II. Buat Facet If Needed / If Added dari frame kelas tersebut. Misalnya pada Slot: Support Multimedia, Slot: Play MPEG Movie TKE-392 Sistem Pakar Herman Tolle, ST.,MT.