06-Representasi Pengetahuan
description
Transcript of 06-Representasi Pengetahuan
Representasi Pengetahuan
Representasi Pengetahuan
Representasi pengetahuan : Proses untuk menangkap sifat-sifat penting dari suatu problem/masalah dan membuat informasi tersebut dapat diakses oleh prosedur pemecahan permasalahan
Bahasa Representasi harus dapat membuat seorang pemrogram mampu mengekspresikan pengetahuan yang diperlukan untuk mendapatkan solusi permasalahan
Karakteristik Representasi Pengetahuan
Dapat diprogram dengan bahasa komputer dan disimpan dalam memori
Fakta dan pengetahuan lain yang terkandung di dalamnya dapat digunakan untuk melakukan penalaran
Representasi yang Baik
• Mengemukakan hal secara eksplisit
• Membuat masalah menjadi transparan
• Komplit dan efisien
• Menampilkan batasan2 alami yang ada
• Menekan/menghilangkan detil detil yang diperlukan
• Dapat dilakukan komputasi
Kategori Representasi• Representasi Logika ekspresi dalam logika formal utk
merepresentasikan basis pengetahuan
• Representasi Prosedural menggambarkan pengetahuan sebagai kumpulan instruksi utk memecahkan problema
• Representasi network menangkap pengetahuan sbg sebuah grap dmn simpulnya menggambarkan obyek/konsep dari problema yg dihadapi, edge menytakan hubungan antar mereka
• Representasi terstruktur memperluas network dg membuat setiap simpul mjd sebuah struktur data kompleks
• dan lain lain(kromosom,jaringan saraf, genetika,dll)
Jika suatu permasalahan dideskripsikan dengan menggunakan representasi yang
tepat, maka dapat dipastikan bahwa permasalahan tersebut dapat diselesaikan.
Sistem Produksi Representasi pengetahuan dengan sistem produksi
berupa aplikasi aturan (rule) yang berupa :
Anteseden, bagian yang mengekspresikan situasi atau premis (pernyataan berawalan IF)
Konsekuen, bagian yang menyatakan suatu tindakan tertentu atau konklusi yang diterapkan jika suatu situasi atau premis bernilai benar (pernyataan berawalan THEN)
Konsekuensi atau konklusi yang dinyatakan pada bagian THEN baru dinyatakan benar, jika bagian IF pada sistem tersebut juga benar atau sesuai dengan aturan tertentu.
Sistem Produksi Terdiri dari komponen-komponen :
ruang keadaan, yang berisi keadaan awal, tujuan, kumpulan aturan yang digunakan untuk mencapai tujuan
strategi kontrol, berguna untuk mengarahkan bagaimana proses pencarian akan berlangsung dan mengendalikan arah eksplorasi
Contoh
IF lalulintas pagi ini padat
THEN saya naik sepeda motor saja
Bentuk Aturan IF premis THEN kesimpulan
Jika pendapatan tinggi MAKA pajak yang harus dibayar juga tinggi
Kesimpulan IF premis Pajak yang harus dibayar tinggi JIKA
pendapatan tinggi Inclusion of ELSE
IF pendapatan tinggi OR pengeluaran tinggi, THEN pajak yang harus dibayar tinggi
ELSE pajak yang harus dibayar rendah
Metode Penalaran
Metode penalaran yang dapat digunakan : Forward reasoning (penalaran maju)
Pelacakan dimulai dari keadaan awal (informasi atau fakta yang ada) dan kemudian dicoba untuk mencocokkan dengan tujuan yang diharapkan
Backward reasoning (penalaran mundur) Penalaran dimulai dari tujuan atau hipotesa,
baru dicocokkan dengan keadaan awal atau fakta-fakta yang ada.
Metode PenalaranFaktor yang mempengaruhi pemilihan
metode penalaran : Jika jumlah keadaan awal lebih kecil daripada
tujuan, maka digunakan penalaran forward. Jika jumlah tujuan lebih banyak daripada
keadaan awal, maka dipilih penalaran backward bentuk kejadian yang akan memicu penyelesaian
masalah. Jika kejadian itu berupa fakta baru, maka lebih baik dipilih penalaran forward. Namun jika kejadian itu berupa query, maka lebih baik digunakan penalaran backward.
Forward Reasoning / Chaining
• Dimulai dari data-data dan aturan yang ada untuk menghasilkan lebih banyak data sampai tujuan dicapai.
• Motor inferensi menggunakan pencarian forward chaining untuk mencari aturan inferensi sampai ditemukan satu dimana anteseden (If clause) bernilai true.
• Ketika ditemukan, bisa ditarik kesimpulan, menghasilkan informasi baru.
Karakteristik Foward Chainning
• Perencanaan, monitoring, kontrol
• Disajikan untuk masa depan
• Bekerja dari anteseden ke konsekuen
• Data-driven
Forward Reasoning / Chaining
• Contoh 1: Menentukan warna binatang bernama Fritz. Data awal adalah Frits melompat dan memakan serangga.
• Misalkan ada 4 aturan :
– If x melompat dan memakan serangga, maka x adalah katak
– If x terbang dan bernyanyi, maka x adalah burung kenari
– If x adalah katak, maka x berwarna hijau
– If x adalah burung kenari, maka x berwarna kuning
Forward Reasoning / Chaining
• Yang dicari pertama adalah aturan nomor 1, karena anteseden-nya cocok dengan data kita (if fritz melompat dan memakan serangga)
• Konsekuen (then fritz adalah katak) ditambahkan ke data yang dimiliki
• If fritz adalah katak, maka Fritz berwarna hijau (tujuan)
• Contoh Kasus 2 : Seorang user ingin berkonsultasi apakah tepat jika dia berinvestasi pada stock IBM?
Variabel-variabel yang digunakan:
A = memiliki uang $10.000 untuk investasi
B = berusia < 30 tahun
C = tingkat pendidikan pada level college
D = pendapatan minimum pertahun $40.000
E = investasi pada bidang Sekuritas (Asuransi)
F = investasi pada saham pertumbuhan (growth stock)
G = investasi pada saham IBM
Setiap variabel dapat bernilai TRUE atau FALSE
• Fakta
– Memiliki uang $10.000 (A TRUE)
– Berusia 25 tahun (B TRUE)
• Dia ingin meminta nasihat apakah tepat jika berinvestasi pada IBM stock?
Penyelesaian
• RulesR1 : IF seseorang memiliki uang $10.000 untuk berinvestasi
AND dia berpendidikan pada level college
THEN dia harus berinvestasi pada bidang sekuritas
R2 : IF seseorang memiliki pendapatan per tahun min $40.000
AND dia berpendidikan pada level college
THEN dia harus berinvestasi pada saham pertumbuhan (growth stocks)
R3 : IF seseorang berusia < 30 tahun
AND dia berinvestasi pada bidang sekuritas
THEN dia sebaiknya berinvestasi pada saham pertumbuhan
R4 : IF seseorang berusia < 30 tahun dan > 22 tahun
THEN dia berpendidikan college
R5 : IF seseorang ingin berinvestasi pada saham pertumbuhan
THEN saham yang dipilih adalah saham IBM.
R1: IF A and C, THEN E
R2: IF D and C, THEN F
R3: IF B and E, THEN F
R4: IF B, THEN C
R5: IF F, THEN G
Backward Reasoning / Chaining
• Dimulai dari daftar tujuan dan bergerak ke belakang dari konsekuen ke anteseden untuk melihat data yang mendukung konsekuen.
• Mencari sampai ada konsekuen (Then clause) yang merupakan tujuan. Jika antecedent (If clause) belum diketahui nilainya (bernilai benar/salah), maka ditambahkan ke daftar tujuan.
Karakteristik Backward Chaining
• Diagnosis
• Disajikan untuk masa lalu
• Konsekuen ke anteseden
• Goal driven
Backward Reasoning / Chaining• Contoh 1: Menentukan warna binatang
bernama Fritz. Data awal adalah Frits melompat dan memakan serangga.
• Misalkan ada 4 aturan :
– If x melompat dan memakan serangga, maka x adalah katak
– If x terbang dan bernyanyi, maka x adalah burung kenari
– If x adalah katak, maka x berwarna hijau
– If x adalah burung kenari, maka x berwarna kuning
Backward Reasoning / Chaining
• Pertama akan mencari aturan 3 dan 4 (sesuai dengan tujuan kita mencari warna)
• Belum diketahui bahwa Fritz adalah katak, maka kedua anteseden (If Fritz adalah katak, If Fritz adalah burung kenari) ditambahkan ke daftar tujuan.
• Lalu mencari aturan 1 dan 2, karena konsekuen-nya (then x adalah katak, then x adalah burung kenari) cocok dengan daftar tujuan yang baru ditambahkan.
Backward Reasoning / Chaining
• Anteseden (If Fritz melompat dan memakan serangga) bernilai true/benar, maka disimpulkan Fritz adalah katak, dan bukan burung kenari.
• Tujuan menentukan warna Fritz sekarang sudah dicapai (Fritz berwarna hijau jika katak, dan kuning jika burung kenari, Fritz adalah katak karena melompat dan memakan serangga, jadi Fritz berwarna hijau).
Backward ChainingBackward Chaining
Program dimulai dengan tujuan (goal) yang diverifikasi apakah bernilai TRUE atau FALSE
Kemudian melihat rule yang mempunyai GOAL tersebut pada bagian konklusinya.
Mengecek pada premis dari rule tersebut untuk menguji apakah rule tersebut terpenuhi (bernilai TRUE)
Proses tersebut berlajut sampai semua kemungkinan yang ada telah diperiksa atau sampai rule inisial yang diperiksa (dg GOAL) telah terpenuhi
Jika GOAL terbukti FALSE, maka GOAL berikut yang dicoba.
Penyelesaian contoh kasus 2
Jaringan Semantik
Merupakan gambaran pengetahuan grafis yang menunjukkan hubungan antar berbagai objek.
Terdiri dari lingkaran-lingkaran yang menunjukkan objek dan informasi tentang objek-objek tersebut.
Objek disini bisa berupa benda atau peristiwa. Antara 2 objek dihubungkan oleh arc yang menunjukkan hubungan antar objek.
Jaringan Semantik
Frame Kumpulan pengetahuan tentang suatu objek
tertentu, peristiwa, lokasi, situasi, dll. Memiliki slot yang menggambarkan rincian
(atribut) dan karakteristik objek. Biasanya digunakan untuk merepresentasikan
pengetahuan yang didasarkan pada karakteristik yang sudah dikenal, yang merupakan pengalaman-pengalaman.
Dengan menggunakan frame, sangat mudah untuk membuat inferensi tentang objek, peristiwa, atau situasi baru, karena frame menyediakan basis pengetahuan yang ditarik dari pengalaman.
Frame
Hirarki Frame
Kebanyakan sistem AI menggunakan kumpulan frame yang saling terkait satu dengan lainnya bersama-sama.
Contoh : hirarki frame kendaraan, terdiri dari 5 frame yaitu frame kereta api, frame sampan, frame mobil, frame pesawat, frame kapal.
Masing-masing frame masih dapat dipecah lagi menjadi beberapa frame yang rinci, misal frame mobil terdiri dari frame penumpang mobil, frame truk, frame bis.
Hirarki Frame
Hirarki Frame Susunan hirarki dari frame mengijinkan pewarisan frame.
Akar dari tree terletak di puncak, dimana level tertinggi dari abstraksi disajikan.
Frame pada bagian dasar (bawah) disebut daun dari tree. Hirarki mengijinkan pewarisan sifat-sifat. Setiap frame
biasanya mewarisi sifat-sifat dari frame dengan level yang lebih tinggi.
Pewarisan merupakan mekanisme untuk membentuk pengetahuan, yang menyediakan nilai slot, dari frame ke frame.
Didalam hirarki diatas, masing-masing frame dirinci hubungannya seperti hubungan antara frame orangtua (parent frame) dan anak (child frame)
Hirarki Frame
Contoh Frame
Script Skema representasi pengetahuan yang sama
dengan frame, yaitu merepresentasikan pengetahuan berdasarkan karakteristik yang sudah dikenal sebagai pengalaman-pengalaman.
Perbedaannya, frame menggambarkan objek, sedangkan script menggambarkan urutan peristiwa.
Dalam menggambarkan urutan peristiwa, script menggunakan slot yang berisi informasi tentang orang, objek, dan tindakan-tindakan yang terjadi dalam suatu peristiwa.
Elemen Script Kondisi input, yaitu kondisi yang harus dipenuhi sebelum
terjadi atau berlaku suatu peristiwa dalam script Track, yaitu variasi yang mungkin terjadi dalam suatu
script Prop, berisi objek-objek pendukung yang digunakan
selama peristiwa terjadi Role, yaitu peran yang dimainkan oleh seseorang dalam
peristiwa Scene, yaitu adegan yang dimainkan yang menjadi
bagian dari suatu peristiwa Hasil, yaitu kondisi yang ada setelah urutan peristiwa
dalam script terjadi.
Contoh Script
Jalur (track) : ujian tertulis matakuliah Kecerdasan Buatan
Role (peran) : mahasiswa, pengawas Prop (pendukung) : lembar soal, lembar
jawab, absen, pena, dll Kondisi input : mahasiswa terdaftar untuk
mengikuti ujian
Contoh Script
Adegan (scene) -1 : Persiapan pengawas Pengawas menyiapkan lembar soal Pengawas menyiapkan lembar jawab Pengawas menyiapkan lembar presensi
Adegan-2 : Mahasiswa masuk ruangan Pengawas mempersilahkan mahasiswa
masuk Pengawas membagikan lembar soal Pengawas membagikan lembar jawab Pengawas memimpin doa
Contoh Script Adegan – 3 : Mahasiswa mengerjakan soal ujian
Mahasiswa menuliskan identitas di lembar jawab Mahasiswa menandatangai lembar jawab Mahasiswa mengerjakan soal Mahasiswa mengecek jawaban
Adegan – 4 : Mahasiswa telah selesai ujian
Pengawas mempersilahkan mahasiswa keluar ruangan
Mahasiswa mengumpulkan kembali lembar jawab Mahasiswa keluar ruangan
Contoh Script
Adegan – 5 : Mahasiswa mengemasi lembar jawab
Pengawas mengurutkan lembar jawab Pengawas mengecek lembar jawab dan absen Pengawas meninggalkan ruangan
Hasil : Mahasiswa merasa senang dan lega Mahasiswa merasa kecewa