III – Representasi Pengetahuan 1
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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
Pengetahuan Prosedural (Procedural Knowledge)
Peraturan (rules) Strategi Agenda Prosedur
Declarative Knowledge Konsep Obyek Fakta
Meta-Knowledge Pengetahuan tentang berbagai jenis pengetahuan dan Bagaimana menggunakannya
Pengetahuan Heuristic (Heuristic Knowledge) Petunjuk praktis (Rules of thumb)
Pengetahuan Struktural (Structural Knowledge)
Sekumpulan aturan Concept Relationships Concept to Object Relationship
TEKNIK REPRESENTASI PENGETAHUAN § Logika § Object-Attribute-Value triplets (OAV) § Aturan-aturan (Rules) § Jaringan Semantik (Semantic Networks) § Frames
III – Representasi Pengetahuan 2
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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 ≡
III – Representasi Pengetahuan 3
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
§ 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
III – Representasi Pengetahuan 4
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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)
III – Representasi Pengetahuan 5
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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)”
III – Representasi Pengetahuan 6
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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 (AààB)]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.
III – Representasi Pengetahuan 7
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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.
III – Representasi Pengetahuan 8
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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.
4 5 6 7 tinggi (dalam feet)
Height
Pendek Sedang Tinggi
Membership value
1
0.5
0
III – Representasi Pengetahuan 9
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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
IF warna bola merah THEN saya suka bola itu
IF saya suka bola itu
THEN saya akan beli bola itu
Warna bola itu merah
Saya suka bola itu
Saya akan beli bola itu
Knowledge Base
Working memory Q : Warna bola? A : Merah
§ 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
III – Representasi Pengetahuan 10
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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
III – Representasi Pengetahuan 11
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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”
III – Representasi Pengetahuan 12
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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
III – Representasi Pengetahuan 13
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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.
III – Representasi Pengetahuan 14
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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”
III – Representasi Pengetahuan 15
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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.
III – Representasi Pengetahuan 16
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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.
III – Representasi Pengetahuan 17
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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
III – Representasi Pengetahuan 18
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
§ 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
III – Representasi Pengetahuan 19
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
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
III – Representasi Pengetahuan 20
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
CONTOH FRAME
III – Representasi Pengetahuan 21
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
III – Representasi Pengetahuan 22
TKE-392 Sistem Pakar Herman Tolle, ST.,MT.
Perbandingan berbagai Teknik Representasi Pengetahuan
Skema Advantages Disadvantages Logika Fakta yang disediakan
independen terhadap penggunaan, menjamin hanya konsekuen valid yang dinyatakan (asserted)
Terpisah antara representasi dan pemrosesan, tidak efisien dengan set data yang besar, lambat pada knowledge base yang besar
Rules Sintaks sederhana, mudah dipahami, mudah diterjemahkan sangat modular, fleksibel (mudah ditambah dan dimodifikasi)
Sulit jika mengikuti hirarki, tidak efisien untuk sistem yang besar, tidak semua pengetahuan dapat diekspresikan dengan rules, jelek dalam merepresentasi pengetahuan deskriptif terstruktur
Jaringan Semantik Mudah untuk mengikuti hirarki, mudah melacak asosiasi, fleksibel
Arti yang melekat pada node bisa ambigous, penanganan pengecualian cukup sulit, sulit dalam pemrograman
Frames Bentuk yang sangat ekspresif, mudah men-set-up slot untuk properti baru, mudah membuat prosedur, mudah mengisikan informasi default dan mendeteksi value yang tidak ada
Sulit dalam pemrograman, sulit dalam inferensi
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
Top Related