Iii Representasi Pengetahuan

9,874 views

Published on

Representasi Pengetahuan

Published in: Education, Business, Technology
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
9,874
On SlideShare
0
From Embeds
0
Number of Embeds
17
Actions
Shares
0
Downloads
467
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Iii Representasi Pengetahuan

  1. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 20. III – Representasi Pengetahuan 20 CONTOH FRAME TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  21. 21. III – Representasi Pengetahuan 21 TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
  22. 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.

×