1 / 51

REPRESENTASI PENGETAHUAN

REPRESENTASI PENGETAHUAN. Nelly Oktavia Adiwijaya , S.Si , MT. Computer. Inputs. Outputs. Knowledge base. Inference mechanism. Representasi pengetahuan. Problem solving  pengetahuan yang cukup Kemampuan nalar sistem

madra
Download Presentation

REPRESENTASI PENGETAHUAN

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. REPRESENTASI PENGETAHUAN Nelly OktaviaAdiwijaya, S.Si, MT

  2. Computer Inputs Outputs Knowledge base Inference mechanism Representasipengetahuan • Problem solving  • pengetahuan yang cukup • Kemampuannalarsistem • Langkahawaldalammembangunsebuah program AI adalahmembangunsebuahKnowledge Base • Representasi Pengetahuan: ProsesbagaimanapengetahuandirepresentasikanuntukmembentuksebuahKnowledge Base

  3. Representasipengetahuan • Dimaksudkanuntukmenangkapsifat-sifatpentingmasalahdanmembuatinfomasidapatdiaksesolehprosedurpemecahanmasalah. • Bahasarepresentasiharusdapatmembuatseorang programmer mampumengekspresikanpengetahuanuntukmendapatkansolusisuatumasalah.

  4. Representasipengetahuan • Cara-cara lama: • List, digunakanpada LISP • Predicate Calculus, digunakanpada Prolog • Tree, untuk heuristic search • Karakteristik RP: • Dapatdiprogramkan • Dapatdimanfaatkanuntukpenalaran, menggambarkankesimpulansebagaifungsikecerdasan

  5. Representasipengetahuan 1. RepresentasiLogika • Representasiinimenggunakanekspresi-ekspresidalamlogika formal untukmerepresentasikan basis pengetahuan. 2.Representasi Prosedural • Menggambarkanpengetahuansebagaisekumpulaninstruksiuntukmemecahkansuatumasalah. Dalamsistem yang berbasisaturan, aturanif-thendapatditafsirkansebagaisebuahproseduruntukmencapaitujuanpemecahanmasalah.

  6. Representasipengetahuan 3. Representasi Network • Menyatakanpengetahuansebagaisebuahgrafdimanasimpul-simpulnyamenggambarkanobyekataukonsepdalammasalah yang dihadapi, sedangkanlengkungannyamenggambarkanhubunganantarmereka. • Contohnyaadalahjaringansemantik.

  7. Representasipengetahuan 4.Representasi Terstruktur • Memperluas network dengancaramembuatsetiapsimpulnyamenjadisebuahstruktur data kompleks yang berisitempat-tempatbernama slot dengannilai-nilaitertentu. Nilai-nilaiinidapatmerupakan data numerikatausimboliksederhana, pointer kebingkai (frame) lain, ataubahkanmerupakanproseduruntukmengerjakantugastertentu. • Contoh : skrip (script), bingkai (frame) danobyek (object).

  8. RepresentasiLogika Terdiridariduajenisyaitu • Kalkulusproposisional (Propositional logic) • Kalkuluspredikatif (Predicate logic

  9. Logika • Adalahrepresentasipengetahuan yang paling tua. • Prosesmenarikkesimpulandarifakta yang sudahada • Input: premis-premisdanOuput: kesimpulan • Terdiridari: sintaks (simbol), semantik (fakta), danprosespengambilankeputusan (inferensi) • Prosespenalaran: • Deduktif (umum-khusus) • Induktif (khusus-umum) • Logika: • LogikaPreposisi: and, or, not, implikasi, danekuivalensi • LogikaPredikat: representasifaktadalambentuk well formed formula

  10. Logika • Contoh Penalaran Deduktif Premis mayor : Jika hujan turun saya tidak akan berangkat kuliah Premis minor : Hari ini hujan turun Konklusi : Hariinisayatidakakanberangkatkuliah • ContohPenalaranInduktif Premis -1 : Aljabaradalahpelajaran yang sulit Premis -2 : Geometriadalahpelajaran yang sulit Premis -3 : Kalkulus adalah pelajaran yang sulit Konklusi : Matematika adalah pelajaran yang sulit

  11. Bagaimanajika • Premis -4 : Logika adalah pelajaran yang sulit • Konklusi: ? ? ?

  12. Logikaproposisi • Operator logika • Konjungsi : ^ (and) • Disjungsi : v (or) • Negasi : ¬ (not) • Implikasi :  (if then) • Ekuivalensi : ↔ (jikadanhanyajika)

  13. Tabelkebenaran

  14. LogikaProposisi • Untukmelakukaninferensipadalogikaproposisi resolusi : suatuaturanuntukmelakukaninferensi yang dapatberjalansecaraefisiendalamsuatubentukkhususyaitu CNF (conjunctive normal form) • Langkah :

  15. Langkah-langkahuntukmengubahsuatukalimat (konversi) kebentuk CNF • Hilangkanimplikasidanekuivalensi • x  y menjadi ¬ x ∨ y • x ↔ y menjadi (¬ x ∨ y) ∧ (¬ y ∨ x) • Kurangilingkupsemuanegasimenjadisatunegasisaja • ¬ (¬ x) menjadi x • ¬ (x ∨ y) menjadi (¬ x ∧ ¬ y) • ¬ (x ∧ y) menjadi (¬ x ∨ ¬ y) • Gunakanaturanassosiatifdandistributifuntukmengkonversimenjadiconjuction of disjunction • Assosiatif : (A∨ B)∨ C menjadi A∨ (B∨ C) • Distributif : (A ∧ B)∨ C menjadi (A∨ C) ∧ (B ∨ C) • Buatsatukalimatterpisahuntuktiap-tiapkonjungsi

  16. Contoh: Diketahui basis pengetahuan (fakta-fakta yang bernilaibenar) sebagaiberikut : 1. P 2. (P ∧ Q) R 3. (S ∨ T) Q 4. T Tentukankebenaran R. Untukmembuktikankebenaran R denganmenggunakanresolusi,makaubahdulumenjadibentuk CNF.

  17. Kemudiankitatambahkankontradiksipadatujuannya, R menjadi ¬ R sehinggafakta-fakta (dalambentuk CNF) dapatdisusunmenjadi : 1. P 2. ¬ P ∨ ¬ Q ∨ R 3. ¬ S ∨ Q 4. ¬ T∨ Q 5. T 6. ¬ R Sehinggaresolusidapatdilakukanuntukmembuktikankebenaran R, sebagaiberikut

  18. Contohbiladiterapkandalamkalimat • P: Anianak yang cerdas • Q: Anirajinbelajar • R: AniakanmenjadiJuaraKelas • S: Animakannyabanyak • T: Aniistirahatnyacukup

  19. Kalimat yang terbentuk • Anianak yang cerdas • Jikaanianak yang cerdasdananirajinbelajar, makaaniakanmenjadijuarakelas • Jikaanimakannyabanyakatauaniistirahatnyacukup, makaanirajinbelajar • Aniistirahatnyacukup

  20. Setelahdilakukankonversi CNF, didapat: • Fakta ke-2 : Anitidakcerdasatauanitidakrajinbelajaratauaniakanmenjadijuarakelas • Fakta ke-3 : Anitidakmakanbanyakatauanirajinbelajar • Fakta ke-4 : Anitidakcukupistirahatatauanirajinbelajar

  21. Logic: Predicate Logic (1) • Using all the same concepts and rules of propositional logic • Represent knowledge in finer detail • Breaking a statement (proposition) down into component parts: • Argumen : individuatauobjek yang membuatketerangan • Predikat :keterangan yang membuatargumendanpredikat

  22. PREDICATE (Individual [object]1, Individual [object]2) Logic: Predicate Logic (2) Examples: Proposition: The car is in the garage IN (car, garage) PROLOG Predicate (assertion) Argument (object)

  23. Contoh: • Jikabesoktidakhujan, Tommy pergikegunung ¬ cuaca(hujan,besok) pergi(tommy, gunung) • Diana adalahnenekdariibu Amir nenek(Diana,ibu(Amir)) • Mahasiswaberadadidalamkelas didalam(mahasiswa,kelas) Dari contohdiatasdapatdijabarkansebagaiberikut : didalam = predikat (keterangan) mahasiswa = argumen (objek) kelas = argumen (objek)

  24. Contoh: Johan suka Maria Ramon suka Maria Misal : Johan = x, Maria = y, Ramon = z Maka : suka(x,y) ∧ suka(z,y) tidaksuka(x,z) Dibaca : Jika Johan suka Maria dan Ramon suka Maria, maka Johan tidaksuka Ramon

  25. Contoh: diketahuifakta-faktaberikut • Andi adalah seorang laki-laki : A • Ali adalahseoranglaki-laki : B • Amir adalahseoranglaki-laki : C • Anto adalah seorang laki-laki : D • Agusadalahseoranglaki-laki : E Dengan logikapredikatdapatdituliskan: laki-laki(x) Dimana x : variabel

  26. Latihan. Misalterdapatpernyataanberikut • Andiadalahseorangmahasiswa • AndimasukjurusanElektro • Setiap mahasiswa elektro pasti mahasiswa teknik • Kalkulusadalahmatakuliah yang sulit • Setiapmahasiswateknikpastiakansukakalkulusatauakanmembencinya • Setiapmahasiswapastiakansukaterhadapsuatumatakuliah • Mahasiswa yang tidakpernahhadirpadakuliahmatakuliahsulit, makamereka pasti tidak sukaterhadapmatakuliahtersebut. • Andi tidak pernah hadir kuliah matakuliah kalkulus

  27. Gunakan operator , ¬, ^, v,  (untuksetiap) ,  (terdapat) • mahasiswa (Andi) • Elektro (Andi) • x : elektro(x)  teknik(x) • Sulit (kalkulus) • x : teknik(x)  suka (x, kalkulus) v benci (x, kalkulus) • x y : suka (x,y) • x  y : mahasiswa(x) ^ sulit (y) ^ ¬hadir(x,y) •  ¬suka(x,y) • 8. ¬hadir(Andi, kalkulus)

  28. List dan Tree • List : Serangkaian struktur data yang dibuatsecaraberhubungan, list bisajugamenggambarkanrelasidanhirarki • Tree : Suatu struktur data yang berupa node-node yang dibuatsecarahirarkisdanhubungannya • LihatdiStruktur Data!

  29. Node Arc Lists & Trees (2) List: Tree:

  30. Sematic Network • Diperkenalkan oleh Ros Quillian • Very flexible: almost any kind of object, attribute, concept, etc. can be defined and relationship created with links • To seek answer: the computer simply searches forward or backward through the arcs from a starting node • Gambaran pengetahuan grafis yang menunjukkan hubungan antar objek. • Terdiri dari: • lingkaran-lingkaran yang menunjukkan obyek dan informasi mengenai obyek tersebut • panah (arc) yang menunjukkan hubungan antar obyek • Kelebihan: • Memiliki sifat inheritance • Menggunakan representasi OAV (Object Atributte Value)

  31. contoh

  32. Frame (bingkai) • Frame merupakankumpulanpengetahuantentangsutauobjektertentu, peristiwa, lokasi, situasi, dll. • Frame memiliki slot yang menggambarkanrincian (atribut) dankarakteristikobjek.

  33. Script • Miripdengan frame, merepresentasikanpengetahuanberdasarkanpengalaman-pengalaman • Frame menggambarkanobyek, sedangkan script menggambarkanurutanperistiwa • Elemen script: • Kondisi input: start, awal • Track: variasi yang mungkin terjadi • Prop: obyek pendukung yang harus ada • Role: peranyang dimainkan olehsuatuobyek • Scence: adegan yang terjadi • Hasil (result): kondisiakhir yang terjadi

  34. Contoh script • John pergike restaurant kemarinmalam. Diamemesan steak. Saatmembayar, diamenyadariuangnyakurang. Diacepatpulang, karenahujanmulaiturun. • Apakah John makanmalam? • (Dijawabdenganmengaktifkan Script restaurant) Dari soal, urutankejadian normal, sehinggapasti script restaurant berjalan normal, jadi John pastimelewatitahapmakan.

  35. Contoh script • Susan makansiangdiluar. Diadudukdimejadanmemanggilpelayan. Pelayanmemberikan menu dan Susan memesan hamburger. • Mengapapelayanmemberikan menu? • Script mengandungduajawaban: - karena Susan meminta (backward) - agar Susan dapatmenentukanapa yang ingindimakannya (Forward)

  36. Contoh script kejadian yang adadi UAS Jalur (track) : ujiantertulismatakuliahKecerdasanBuatan Role (peran) : mahasiswa, pengawas Prop (pendukung) : lembar soal, lembar jawab, presensi, pena, dll Kondisi input : mahasiswaterdaftaruntukmengikutiujian Adegan (scene) -1 : Persiapanpengawas •Pengawasmenyiapkanlembarsoal • Pengawasmenyiapkanlembarjawab • Pengawasmenyiapkanlembarpresensi

  37. Adegan-2 : Mahasiswamasukruangan • Pengawasmempersilahkanmahasiswamasuk • Pengawasmembagikanlembarsoal • Pengawasmembagikanlembarjawab • Pengawasmemimpin doa Adegan – 3 : Mahasiswamengerjakansoalujian • Mahasiswamenuliskanidentitasdilembarjawab • Mahasiswamenandatangailembarjawab • Mahasiswamengerjakansoal • Mahasiswamengecekjawaban

  38. Adegan – 4 : Mahasiswatelahselesaiujian • Pengawasmempersilahkanmahasiswakeluarruangan • Mahasiswamengumpulkankembalilembarjawab • Mahasiswakeluar ruangan Adegan – 5 : Mahasiswamengemasilembarjawab • Pengawasmengurutkanlembarjawab • Pengawasmengeceklembarjawabdanpresensi • Pengawasmeninggalkanruangan

  39. Hasil : • Mahasiswa merasa senang dan lega • Mahasiswamerasakecewa • Mahasiswapusing • Mahasiswamemaki – maki • Mahasiswasangatbersyukur

  40. Aturan Produksi • Paling populer (sejaktahun 1943-Post, 1957-Chomsky, 1972-Alan Newell) • Terdiridariantecedent/premis/situasidankonsekuen/kesimpulan/tindakan • Digambarkandalam IF-THEN rules • DigunakanpadaSistemPakar • Contoh: • IF temp > 30 C THEN hidupkan AC • IF permintaanmeningkat AND persediaanmenipis THEN pemesananbarang • IF pelamar <= 25 OR lulusankomputer THEN bisaditerimamenjadipegawai

  41. Sistemproduksisecaraumumterdiridarikomponen-komponen : 1. ruangkeadan, yang berisikeadaanawal, tujuan, kumpulanaturan yang digunakanuntukmencapaitujuan 2. strategikontrol, bergunauntukmengarahkanbagaimanaprosespencarianakanberlangsungdanmengendalikanaraheksplorasi

  42. Kelebihan dan Kekurangan • Mudah dimengerti dan luwes, mudah dikembangkan dan disesuaikan dengan pengetahuan yang ada • Inferensi mudah diturunkan • Modifikasi mudah • Mendukung ketidak pastian • Simpel dan intuitive • Jika pengetahuannya banyak dan kompleks, akan sulit • Sulit mendeteksi konflik

  43. Sistem Produksi • Memiliki 3 elemen: • Global Database: mulai dari matriks sederhana, list, atau basis data untuk menyimpan aturan produksi dan memory kerja • Aturan Produksi: berisi aturan IF-THEN • Sistem Kontrol: program pengkontrol urutan mana aturan kaidah-kaidah produksi yang harus dipilih dan menyelesaikan konflik pada saat pemilihan

  44. Resolusi Konflik • Urutkan aturan berdasarkan prioritas, kemudian pilih aturan pertama yang memiliki prioritas tertinggi • Pilih aturan yang paling strict (ketat) • Pilih aturan yang paling sering digunakan • Pilih aturan yang paling akhir dimasukkan di dalam sistem • Pilih semua aturan yang memungkinkan

  45. Metode Penalaran • Forward reasoning (data driven): dimulai dari keadaan awal (dari fakta), kemudian menuju ke arah kesimpulan / tujuan • Backward reasoning (goal driven): dimulai dari tujuan / hipotesa baru dicocokkan dengan keadaan awal / fakta-fakta

More Related