2 - representasi-pengetahuan

Representasi Pengetahuan

Ringkasan

Representasi pengetahuan (KR) = cara sajikan fakta domain agar komputer bisa olah, bernalar, putuskan. Logika = proses bentuk kesimpulan dari premis benar lewat penalaran. Materi: 4 syarat KR baik, logika + aturan produksi, forward/backward reasoning, semantic net, frame, tree vs graph, matriks adjacency. Studi kasus: aturan kredit, frame mobil sedan, semantic net kenari, klasifikasi hewan (NetworkX opsional).

---

Konsep Kunci

1. Empat syarat KR baik

• Representational Adequacy: mampu wakili semua jenis pengetahuan domain.
• Inferential Adequacy: mampu manipulasi struktur hasilkan pengetahuan baru (inferensi).
• Inferential Efficiency: info tambahan bikin inferensi lebih efisien.
• Acquisitional Efficiency: mudah tambah pengetahuan baru.

Bentuk umum: logika (proposisi & predikat), aturan produksi, jaringan semantik, frame, pohon, graf.

2. Logika dan aturan produksi

Logika nyatakan pengetahuan proposisi/predikat benar-salah. Aturan produksi: IF (antecedent/premis) THEN (konsekuen/tindakan). Konsekuen benar hanya jika IF benar. Bentuk tulis:

• IF premis THEN kesimpulan — “Jika pendapatan tinggi MAKA pajak tinggi”.
• Kesimpulan IF premis — “Pajak tinggi JIKA pendapatan tinggi”.
• IF ... OR ... THEN ... ELSE ... — pendapatan tinggi OR pengeluaran tinggi THEN pajak tinggi ELSE pajak rendah.
• Kompleks: IF rating kredit tinggi AND gaji > Rp 3 Jt OR aset > Rp 75 Jt AND riwayat bayar tidak buruk THEN pinjaman > Rp 10 Jt disetujui AND kategori "B".

Deklaratif, mudah dibaca; lemah untuk relasi hierarkis banyak.

3. Forward vs backward reasoning

• Forward: dari fakta awal → cocokkan → ke tujuan. Fakta-baru picu penyelesaian.
• Backward: dari tujuan/hipotesa → cocokkan mundur ke fakta. Query picu penyelesaian.

Faktor pilih: jumlah fakta awal vs tujuan (kecil → mulai dari sisi kecil; fakta awal sedikit pakai forward, tujuan banyak pakai backward), rata-rata cabang node (pilih cabang sedikit), butuh tanya user (pilih arah mudah), pemicu (fakta baru = forward, query = backward).

4. Jaringan semantik

Graf node (objek/konsep/situasi) + arc/edge (relasi). Kuat di pewarisan sifat (inheritance). Relasi umum: Is-a (kelas, Canary is-a Bird) dan Has (bagian, Bird has Wings).

5. Frame

Struktur slot-filler per objek, mirip OOP. Frame = objek/konsep, slot = atribut, filler = nilai.

6. Tree vs graph

• Tree: hierarki root-cabang-leaf, tanpa siklus. Guna: organisasi, taksonomi, decision tree, pohon pelacakan search.
• Graph: $G=(V,E)$, $V$ simpul, $E$ sisi. Boleh siklus, banyak jalur antar dua simpul. Guna: ruang keadaan (state) search, simpul = keadaan, sisi = aksi/transisi + cost. Fondasi algoritma A*.

7. Matriks adjacency

Matriks $n\times n$ ($n$ = jumlah simpul). Elemen $A_{i,j}$ = ada sisi $i$-$j$ (1 atau bobot; 0 bila tak ada). Undirected: simetris ($A_{i,j}=A_{j,i}$). Directed: tak selalu simetris.

---

Contoh (dengan perhitungan)

Aturan kredit (forward chaining)

Fakta: rating = tinggi, gaji = Rp 4 Jt, aset = Rp 80 Jt, riwayat = baik. Aturan: IF rating tinggi AND (gaji > 3 Jt OR aset > 75 Jt) AND riwayat tidak buruk THEN setuju > 10 Jt kategori B. Evaluasi: tinggi $\wedge$ (4 > 3 $\vee$ 80 > 75) $\wedge$ baik = benar $\wedge$ benar $\wedge$ benar = benar → pinjaman disetujui kategori B.

Frame mobil sedan

• Nama frame: Mobil_Sedan. Slot-filler: Merk Toyota, Model Vios, Warna Hitam, Jumlah_Pintu 4, Bahan_Bakar Bensin, Kecepatan_Maksimum 180 km/jam.

Semantic net kenari

Canary —Is-a→ Bird —Is-a→ Animal. Bird —Has→ Wings. Canary —Has-color→ Yellow. Inferensi warisan: Canary dapat sifat Bird (punya sayap) dan Animal (hewan) tanpa tulis ulang.

Adjacency graf $V=\{A,B,C\}$, $E=\{AB,BC\}$

$A=\left(\begin{array}{ccc}0& 1& 0\\ 1& 0& 1\\ 0& 1& 0\end{array}\right)$

Baris B: terhubung A dan C. Simetris karena undirected.

---

Keterkaitan

• Prasyarat: Pengenalan Sistem Cerdas
• Lanjutan: Graf dan Dijkstra, Pencarian A-Star