Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Representasi Pengetahuan Artificial Intelligence STMIK MDP-2010.

Presentasi serupa


Presentasi berjudul: "Representasi Pengetahuan Artificial Intelligence STMIK MDP-2010."— Transcript presentasi:

1 Representasi Pengetahuan Artificial Intelligence STMIK MDP-2010

2 Pendahuluan Dalam menyelesaikan masalah tentu saja dibutuhkan pengetahuan yang cukup. Tidak hanya itu,sistem juga harus memiliki kemampuan untuk menalar. Basis pengetahuan dan kemampuan menalar merupakan bagian penting dari sistem yang menggunakan kecerdasan buatan

3 Representasi Pengetahuan Bagaimana merepresentasikan pengetahuan ke dalam basis pengetahuan dan menguji kebenaran penalaran Cara-cara lama: – List, digunakan pada LISP – Predicate Calculus, digunakan pada Prolog – Tree, untuk heuristic search Karakteristik RP: – Dapat diprogramkan – Dapat dimanfaatkan untuk penalaran, menggambarkan kesimpulan sebagai fungsi kecerdasan

4 Alasan Pemilihan Why knowledge representation rather than information representation? – Karena pada konvensional database merepresentasikan data secara sederhana: string, number, boolean – Namun AI menganggap pengetahuan lebih kompleks, seperti proses, prosedur, aksi, waktu, tujuan dan penalaran – Knowledge should be collected, codified, and organized in systematic order

5 Representasi Pengetahuan (2) Harus terdiri dari struktur data dan prosedur untuk penafsiran Hal yang berhubungan dengan RP: – Object pengetahuan itu sendiri – Event: kejadian-kejadian dalam dunia nyata dan hubungannya – Performa: bagaimana melakukan suatu tugas tertentu – Meta knowledge: pengetahuan tentang pengetahuan yang direpresentasikan

6 Penggunaan Pengetahuan Acuisition: mengintegrasikan informasi baru kedalam pengetahuan sistem. – Dua level: Menyusun fakta ke dalam database Pembuatan fungsi untuk mengintegrasikannya dengan cara “belajar dan mengadaptasikannya” terlebih dahulu Retrieval: mengingat kembali, menyusun ulang pengetahuan berdasarkan hubungan pengetahuan terhadap masalah – Linking: mengekstrak informasi baru tersebut – Lumping: mengelompokkan hasil ekstraksi pengetahuan baru tersebut kedalam struktur yang lebih besar seperti yang dibutuhkan dalam menyelesaikan masalah

7 Penggunaan Pengetahuan (2) Reasoning: pengetahuan digunakan untuk menalar suatu permasalahan – Formal reasoning: menggunakan logika proporsional – Procedural reasoning: menggunakan aturan produksi ( IF-THEN) – Analogical reasoning: sangat sulit

8 Klasifikasi Kategori RP Menurut Mylopoulus dan Levesque: (declarative) – Representasi Logika: menggunakan logika formal. Digunakan pada PROLOG – Representasi Prosedural: menggambarkan prosedur sebagai kumpulan instruksi untuk memecahkan masalah. Digunakan dalam pemrograman: IF-THEN – Representasi Network: menggambarkan pengetahuan sebagai Graph dan Tree – Representasi Terstruktur: memperluas konsep Representsi Network dengan membuat node-nodenya menjadi struktur data yang kompleks. Contoh: script, frame, dan object Procedural: dibuat dalam prosedur-prosedur

9 Logika Adalah representasi pengetahuan yang paling tua. Proses menarik kesimpulan dari fakta yang sudah ada Input: premis-premis dan Ouput: kesimpulan Terdiri dari: sintaks (simbol), semantik (fakta), dan proses pengambilan keputusan (inferensi) Proses penalaran: – Deduktif (umum-khusus) – Induktif (khusus-umum) Logika: – Logika Preposisi: and, or, not, implikasi, dan ekuivalensi – Logika Predikat: representasi fakta dalam bentuk well formed formula Lihat dibuku Artificial Intelligence (Sri Kusuma Dewi)

10 Logic: Proposition Logic PQP AND Q TTT TFF FTF FFF PQP Q (implikasi) TTT TFF FTT FFT PQP OR Q TTT TFT FTT FFF PQP Q (ekuivalensi) TTT TFF FTF FFT

11 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: – Arguments: the individuals or objects an assertion is made about – Predicate: the assertion made about them Prolog: PROgramming in LOGic

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

13 Logic: Predicate Logic (3) Examples: John likes MaryLIKES(John, Mary) The door is openOPEN(door) The tire is flatFLAT(tire) Chris is a manman(Chris) PREDICATE (Individual [object]1, Individual [object]2) Function Predicate express conditions Function shows a relationship

14 Logic: Predicate Logic (4) Quantifiers – All Javanese are Indonesian – Some cars are red [car(X) AND IS RED(x)]

15 List dan Tree List:serangkaian struktur data yang dibuat secara berhubungan, list bisa juga menggambarkan relasi dan hirarki Tree: suatu struktur data yang berupa node- node yang dibuat secara hirarkis dan hubungannya Lihat di Struktur Data!

16 Lists & Trees (2) List: Tree: Node Arc

17 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)

18 Semantic Network (2)

19 Frame Diperkenalkan oleh Minsky tahun 1975 Suatu struktur data yang digunakan untuk merepresentasikan pengetahuan dan situasi- situasi yang telah dipahami Frame memiliki slot untuk menggambarkan rincian dan karakteristik obyek

20 Frames (2)

21 Frames (3)

22 Script Mirip dengan frame, merepresentasikan pengetahuan berdasarkan pengalaman-pengalaman Frame menggambarkan obyek, sedangkan script menggambarkan urutan peristiwa Elemen script: – Kondisi input: start, awal – Track: variasi yang mungkin terjadi – Prop: obyek pendukung – Role: peran yang dimainkan oleh suatu obyek – Scence: adegan yang terjadi – Hasil (result): kondisi akhir yang terjadi

23 Schemas: Scripts (2)

24 Aturan Produksi Paling populer (sejak tahun 1943-Post, Chomsky, 1972-Alan Newell) Terdiri dari antecedent/premis/situasi dan konsekuen/kesimpulan/tindakan Digambarkan dalam IF-THEN rules Digunakan pada Sistem Pakar Contoh: – IF temp > 30 C THEN hidupkan AC – IF permintaan meningkat AND persediaan menipis THEN pemesanan barang – IF pelamar <= 25 OR lulusan komputer THEN bisa diterima menjadi pegawai

25 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

26 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

27 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

28 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

29 Alasan pemilihan metode Tergantung dari banyaknya keadaan awal dan tujuan. – Jika jml awal lebih kecil dari tujuan gunakan penalaran maju. – Jika jml tujuan lebih banyak dari awal, gunakan penalaran mundur


Download ppt "Representasi Pengetahuan Artificial Intelligence STMIK MDP-2010."

Presentasi serupa


Iklan oleh Google