Model Representasi Pengetahuan

Representasi pengetahuan memainkan peran penting dalam kecerdasan buatan. Hal ini berkaitan dengan ‘thinking’ sistem AI dan berkontribusi terhadap perilaku cerdasnya. Representasi Pengetahuan adalah bidang kecerdasan buatan yang berkaitan dengan penyajian informasi dunia nyata dalam bentuk yang dapat ‘dipahami’ oleh komputer dan digunakan untuk ‘memecahkan’ masalah kehidupan nyata atau ‘menangani’ tugas-tugas kehidupan nyata. Kemampuan komputer untuk berpikir dan bertindak seperti manusia – memahami, menafsirkan, dan menalar, merupakan representasi pengetahuan. Representasi pengetahuan yang efektif harus cukup banyak untuk mencakup pengetahuan yang diperlukan untuk memecahkan masalah. Berikut adalah empat tipe dasar teknik representasi pengetahuan:

Representasi Logika

Pengetahuan dan penalaran logis memainkan peran besar dalam kecerdasan buatan. Diperlukan metode khusus untuk memastikan perilaku cerdas dari komputer. Logika formal adalah model yang paling tepat untuk representasi pengetahuan logika. Representasi pengetahuan jenis ini bergantung metode logika yang digunakan untuk memahami atau memecahkan permasalahan.

Contoh penggunaan logika formal dalam pemrograman Python sebagai berikut:

user_age = int(input(“Masukkan usia Anda: “))

if user_age >= 18:

# Pengguna dewasa, lakukan sesuatu

else:

# Pengguna di bawah umur, berikan peringatan

Kelebihan

• Membantu melakukan penalaran logis.
• Representasi ini adalah dasar dari bahasa pemrograman.

Kekurangan

• Representasi ini memiliki beberapa keterbatasan dan sulit untuk dikerjakan.
• Inferensinya mungkin tidak terlalu efisien.

Jaringan Semantik

Jaringan semantik adalah bentuk representasi pengetahuan yang menggunakan node yang mewakili objek dan garis untuk menggambarkan hubungan antar objek. Objek dapat berupa objek fisik atau konsep atau bahkan kejadian tertentu. Jaringan semantik umumnya digunakan untuk merepresentasikan data atau mengungkapkan struktur tertentu. Jaringan semantik tergolong sederhana dan mudah dan dipahami dalam merepresentasikan pengetahuan.

Kelebihan

• Jaringan semantik adalah representasi alami dari pengetahuan.
• Sederhana dan mudah dimengerti.

Kekurangan:

• Relasi yang digunakan terbatas
• Sulit direpsentasikan dalam bahasa pemrograman

Representasi Frame

Frame adalah kumpulan atribut dan nilai terkaitnya, yang menggambarkan suatu entitas di dunia nyata. Ini adalah struktur yang terdiri dari slot dan nilainya. Slot dapat memiliki berbagai ukuran dan jenis. Slot ini memiliki nama dan nilai. Atau mereka dapat memiliki subbidang yang diberi nama faset. Mereka memungkinkan Anda memberi batasan pada frame. Tidak terdapat batasan  batasan tentang jumlah slot yang harus dimiliki.

Kelebihan:

• Representasi dalam pemrograman lebih mudah dengan mengelompokkan data terkait.
• Mudah dipahami dan divisualisasikan.
• Mudah menambahkan slot untuk atribut dan relasi baru.

Kekurangan:

• Mekanisme inferensi tidak mudah diproses.
• Mekanisme inferensi tidak dapat berjalan mulus melalui representasi frame.

Aturan Produksi

Representasi berbasis aturan produksi memiliki banyak properti penting untuk representasi pengetahuan. Biasanya terdiri dari aturan produksi, memori kerja, dan siklus pengenalan-tindakan. Dalam aturan produksi, dilakukan pemeriksaan kondisi dan jika kondisi tersebut ada maka aturan produksi akan diaktifkan dan tindakan terkait akan dilakukan. Bagian kondisi dari aturan menentukan aturan mana yang dapat diterapkan pada suatu masalah. Sedangkan bagian tindakan melaksanakan langkah-langkah pemecahan masalah yang terkait.

Contoh

Aturan Produksi: Identifikasi Infeksi Saluran Pernapasan Atas (ISPA) pada Anak-anak

Kondisi:

• Demam (> 38.5°C)
• Batuk
• Pilek

Tindakan: Membawa anak ke dokter jika gejala berlanjut.

Kelebihan:

• Aturan produksi dinyatakan dalam bahasa alami.
• Aturan produksi sangat modular dan dapat dengan mudah dihapus atau dimodifikasi.

Kekurangan:

• Selama eksekusi program, banyak aturan yang mungkin aktif sehingga tidak terlalu efisien.

Referensi

https://fingent.medium.com/knowledge-representation-models-in-artificial-intelligence

https://www.edureka.co/blog/knowledge-representation-in-ai/