Sistem Berbasis Pengetahuan

1.      Skema Hukum Detasemen

pàq

p   

\q            

Contoh:

Jika air kotor, maka warnanya keruh

Air kotor

\ Warnanya keruh

Pembuktian:

p	q	p->q	(p->q)^p	((p->q)^p)->q
T	T	T	T	T
T	F	F	F	T
F	T	T	F	T
F	F	T	F	T

2.      Skema Hukum Kontrapositif

pàq         

\~q          à~p

Contoh:

Jika hujan lebat, maka Jakarta banjir

\ Jika Jakarta tidak banjir, maka hujan tidak lebat

Pembuktian:

p	q	~p	~q	p->q	~q->~p	(p->q)->(~q->~p)
T	T	F	F	T	T	T
T	F	F	T	F	F	T
F	T	T	F	T	T	T
F	F	T	T	T	T	T

3.      Skema Hukum Modus Tollens

pàq

~q                         

\ ~p

Contoh:

Jika ada sinyal, smartphone bisa internet-an

Smartphone tidak bisa internet-an

 

\ Tidak ada sinyal

Pembuktian :

p	q	~p	~q	p->q	(p->q)^~q	((p->q)^~q)->~p
T	T	F	F	T	F	T
T	F	F	T	F	F	T
F	T	T	F	T	F	T
F	F	T	T	T	T	T

Expert System: Knowledge Base III

Representasi Pengetahuan

Representasi pengetahuan merupakan kelanjutan dari proses akuisisi pengetahuan. Setelah pengetahuan berhasil disarikan dari pakar, maka selanjutnya yang dilakukan adalah merepresentasikan bentuk-bentuk pengetahuan tersebut menjadi bentuk yang dikenali oleh sistem (komputer).

Beberapa cara yang dapat digunakan untuk merepresentasikan bentuk ini antara lain jaringan semantik (semantic net), bingkai (frame), aturan produksi (production rule), logika (logic), bahasa natural (natural language), dan sistem basis data (database system).

Representasi pengetahuan dimaksudkan untuk menangkap sifat-sifat penting suatu pengetahuan agar dapat diakses dan digunakan dalam metode pemecahan masalah. Bahasa representasi haruslah mampu membuat seorang pemrogram mengekspresikan pengetahuan yang diperlukan untuk mendapatkan solusi permasalahan.

Representasi pengetahuan yang baik haruslah memiliki sifat-sifat berikut:

      ·         Mengemukakan hal secara eksplisit

      ·         Membuat masalah menjadi transparan

      ·         Komplit dan efisien

      ·         Menampilkan batasan-batasan alami yang ada

      ·         Menekan dan menghilangkan detil-detil yang diperlukan

      ·         Dapat dilakukan komputasi terhadapnya (memiliki batasan).

Representasi pengetahuan dikelompokkan ke dalam empat jenis, yaitu:

      ·         Representasi Logika

Representasi jenis ini menggunakan ekspresi-ekspresi logika formal dalam melakukan representasi.

      ·         Representasi Prosedural

Sementara jenis kedua ini menggambarkan pengetahuan sebagai kumpulan instruksi untuk memecahkan suatu problema.

      ·         Representasi Jaringan (Network)

Representasi ini menangkap pengetahuan sebagai suatu graf di mana simpul-simpulnya merupakan obyek atau konsep dari problema yang dihadapi, sementara garisnya (edge)  menggambarkan hubungan di antara mereka.

      ·         Representasi Terstruktur

Dalam representasi ini, jaringan diperluas dengan cara membuat tiap simpulnya menjadi sebuah struktur data kompleks.

Prinsip representasi pengetahuan adalah jika suatu permasalahan dideskripsikan dengan menggunakan representasi yang tepat, maka dapat dipastikan bahwa masalah tersebut dapat diselesaikan.

Expert System: Knowledge Base II

Basis Pengetahuan

Menurut Gondran (1986) dalam Utami (2002), basis pengetahuan merupakan representasi dari seorang pakar, yang kemudian dapat dimasukkan kedalam bahasa pemrograman khusus untuk kecerdasan buatan (misalnya PROLOG atau LISP) atau shell sistem pakar (misalnya EXSYS, PC-PLUS, CRYSTAL, dsb.)

Basis pengetahuan berisi pengetahuan-pengetahuan pakar berupa fakta-fakta, konsep, aturan, prosedur, dan hubungan di antaranya, yang telah direpresentasikan dalam bentuk yang dimengerti oleh sistem. Basis pengetahuan dibutuhkan untuk memahami, memformulasikan, dan memecahkan masalah yang dihadapi oleh sistem, di sini basis pengetahuan berfungsi sebagai sumber referensi untuk mengambil suatu tindakan. Semakin banyak pengetahuan yang dimiliki oleh suatu basis pengetahuan, maka sistem tersebut akan semakin mendekati sifat “cerdas”, dengan kata lain kemampuan sistem akan semakin mendekati kemampuan pakar.

Gambar 1. Basis Pengetahuan sebagai salah satu komponen Sistem Pakar.

Feigenbaum (1977) menyatakan bahwa kesuksesan dari suatu sistem pakar tidaklah bergantung pada kecanggihan strategi penalaran ataupun inferensinya, namun pada jumlah informasi yang dikandungnya mengenai bagaimana simbol-simbol diinterrelasikan, yaitu jumlah pengetahuan yang dimilikinya[4]. Prinsip ini adalah prinsip pengetahuan (knowledge principle), yang merupakan perluasan dari hipotesis simbol fisik (physical symbol hypothesis) dari Newell dan Simon (1981). Hipotesis simbol fisik menganggap bahwa pengetahuan terdiri dari simbol-simbol realitas dan relasi antara simbol-simbol ini, serta bahwa inteligensi adalah manipulasi logis yang sesuai terhadap simbol-simbol dan relasinya[5].

Expert System: Knowledge Base I

Knowledge pada Kecerdasan Buatan

Dalam lapangan sistem informasi, ada kebingungan dalam istilah data, informasi, dan knowledge

(pengetahuan).

Data

Istilah data mengacu pada string numeric (atau alphanumeric) yang tak memiliki arti apa-apa. Bisa

berupa fakta-fakta atau gambar yang akan diproses.

Information

Informasi adalah data yang terorganisasi sehingga memiliki arti bagi orang yang menerimanya.

Knowledge

Memiliki berbagai definisi, yaitu:

* Persepsi yang jelas dan pasti dari suatu hal.

* Pemahaman.

* Pembelajaran.

* Semua hal yang dipersepsikan atau dipegang teguh oleh hati.

* Pengalaman praktis, ketrampilan. Kemudahan pengaksesan atau mudah untuk dikenal.

* Cognizance; pengenalan.

* Informasi terorganisasi yang teraplikasi pada penyelesaian masalah.

Penggunaan Knowledge

Walaupun komputer tidak mempunyai pengalaman atau studi dan belajar seperti halnya

yang terjadi pada batin manusia, tapi komputer dapat menggunakan knowledge yang diberikan

oleh pakar manusia. Knowledge ini terdiri dari fakta, konsep, teori, metode heuristik, prosedur, dan

hubungan diantaranya. Knowledge juga merupakan informasi yang diorganisasi dan dianalisis untuk

membuatnya dimengerti dan dapat diaplikasikan dalam penyelesaian masalah atau pengambilan

keputusan. Koleksi dari knowledge yang berelasi ke suatu masalah (atau peluang) yang digunakan

dalam sistem AI disebut dengan knowledge base. Kebanyakan basis pengetahuan ini terbatas pada

fokus daerah subyek atau domainnya yang spesifik, malah biasanya sempit.

 Sekali basis pengetahuan dibangun, teknik AI dapat digunakan untuk menghasilkan

kemampuan inferensi pada komputer.

Basis-basis pengetahuan dan organisasi berbasis pengetahuan

Data, informasi, dan knowledge dapat diklasifikasikan berdasarkan derajat abstraksi dan

kuantitasnya.

Sistem Berbasis Pengetahuan

Script Program:
 

Peng. Teknologi Sistem Cerdas: Main Area Dalam Sebuah Expert System

Pada dasarnya ada 4 langkah untuk membangun sebuah sistem pakar:
1. Analisis
2. Spesifikasi
3. Pengembangan
4. Penyebaran
Model spiral biasanya digunakan untuk pengembangan software dan sangat umum untuk menerapkan pendekatan ini.  Penjelasannya dari 4 langkah pengembangan  sebagai berikut :
Analisis
        Tujuan analisis adalah untuk mengidentifikasi aplikasi yang potensial . Aplikasi yang mungkin termasuk diagnostik, controller, dll. Selama analisis pengembang juga harus menilai kesesuaian pengetahuan rekayasa teknologi untuk aplikasi ini. Anda harus yakin dan bertanya  apakah system ini dapat bekerja lebih baik? Hal ini berlaku untuk menerapkan semua jenis kecerdasan buatan untuk memecahkan masalah.
Spesifikasi

        Langkah spesifikasi adalah tempat pengembang mendefinisikan apa yang sistem pakar dapat dilakukan. Para pengembang  juga harus bekerja dengan para pakar untuk belajar dan merencanakan pengembangan sistem.  Ahli adalah manusia yang diidentifikasi sebagai ahli  di domain bidang tertentu, seperti psikolog, dokter dan ilmuwan. Pengembang harus membiasakan diri dengan masalah sehingga pengembangan sistem dapat dilakukan. Pengembang akan menghabiskan sejumlah besar waktu dalam fase memperoleh pengetahuan.

Soft Computing

Apa Itu Soft Computing ?

Soft computing adalah koleksi dari beberapa metodologi yang bertujuan untuk mengeksploitasi adanya toleransi terhadap ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk dapat diselesaikan dengan mudah, robustness, dan biaya penyelesaiannya murah. Definisi ini pertama kali diungkapkan oleh Prof. Lotfi A. Zadeh pada tahun 1992.

Karakteristik Soft Computing :

1.  Soft computing memerlukan keahlian manusia, apabila direpresentasikan dalam bentuk aturan (IF – THEN).

2.  Model komputasinya diilhami oleh proses biologis.

3.  Soft computing merupakan teknik optimasi baru.

4.  Soft computing menggunakan komputasi numeris.

5.  Soft computing memiliki toleransi kegagalan (meskipun kualitasnya berangsur-angsur memburuk). 

Unsur - Unsur Pokok Dalam Soft Computing :

1.  Sistem Fuzzy (mengakomodasi ketidaktepatan);

2.  Jaringan Syaraf (menggunakan pembelajaran);

3.  Probabilistic Reasoning (mengakomodasi ketidakpastian);

4.  Evolutionary Computing (optimasi).

Keempat unsur tesebut bukan merupakan pesaing antara satu dengan lainnya, namun diantaranya bisa saling melengkapi. Sehingga, Prof. Lotfi A. Zadeh juga mendefinisikan bahwa soft computing itu merupakan hubungan antara logika fuzzy, neuro-computing, probabilistic reasoning, dan algoritma genetik.