Pengetahuan
Pengetahuan dibedakan menjadi 3 klasifikasi yaitu:
Prodecural Knowledge adalah pengetahuan yang berkaitan dengan prosedur atau cara untuk melakukan sesuatu. Contohnya, bagaimana cara mendidihkan air dalam panci.
Declarative Knowledge adalah pengetahuan untuk dapat menentukan nilai benar dan salah suatu hal. Contohnya, jangan celupkan tangan anda dalam air yang mendidih.
Tacid Knowledge kadang disebut juga sebagai "unconscious knowledge", karena pengetahuan tidak dapat diekspresikan atau didefinisikan dengan bahasa. Contohnya, bagaimana menggerakkan tangan.
Representasi Pengetahuan
Representasi pengetahuan adalah suatu teknik untuk merepresentasikan basis pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi/keterhubungan antara suatu data dengan data yang lain sehingga dapat diuji kebenaran penalarannya.
Representasi pengetahuan biasanya digunakan untuk pembuatan sistem pakar di mana komputer dirancang untuk dapat mengambil keputusan seperti manusia agar dapat memecahkan permasalahan.
Secara singkat, represntasi pengetahuan diklarifikasikan menjadi 4 kategori :
Representasi logika
Representasi jenis ini menggunakan ekspresi-ekspresi dalam logika formal untuk merepresentasikan basis pengetahuan.
Representasi prosedural
Representasi yang menggambarkan pengetahuan sebagai kumpulan instruksi untuk memcahkan suatu problema.
Representasi network
Representasi ini menangkap pengetahuan sebagai sebuah graf dimana simpul-simpulnya menggambarkan obyek atau konsep dari problema yang dihadapi, sedangkan edgenya mengambarkan hubungan atau asosiasi antar mereka.
Representasi terstruktur
Representasi terstruktur memperluas network dengan cara membuat setiap simpulnya menjadi struktur data kompleks.
Adapun bentuk representasi pengetahuan yang telah dikembangkan, yaitu :
Jaringan Semantik ( Semantic nets)
Jaringan Semantik adalah tehnik representasi dalam artificial intelligence klasik untuk informasi proposional, sehingga sering kali disebut sebagai poporsional network. Proposisi adalah pernyataan yang dapat bernilai benar atau salah dan merupakan bentuk pengetahuan deklaratif. Semantic network pertama kali dikembangkan untuk AI sebagai cara untuk mempresentasikan memory dan pemahaman bahasa manusia. Struktur semantic nets berupa grafik dengan node (simpul) dan arc (ruas) yang menghubungkannya.
Object-Attribute-Value (OAV)
Bentuk object-attribute-value triple daapat digunakan untuk mempresentasikan semua karakteristik pengetahuan dalam semantic net dan digunakan pada sistem pakar MYCIN untuk mendiagnosa penykit infeksi.
Bingkai (Frame)
Salah satu tipe skema yang digunakan dalam beberapa aplikasi AI adalah frame. Frame merupakan struktur yang baik untuk mempresentasikan objek yang tipikal dalam situasi tertentu. Karakteristik dasar frame adalah frame mempresentasikan pengetahuan yang terkait mengenai sebuah subjek yang sempit dan memiliki default. Sistem frame adalah pilihan yang baik untuk mendeskripsikan peralatan mekanik seperti mobil. Frame mencoba memodelkan obyek yang ada di dunia nyata menggunakan pengetahuan generik untuk atribut yang banyak dimiliki oleh obyek dan pengetahuan spesifik untuk kasus khusus.
Aturan Produksi (Production Rule)
Aturan produksi adalah jenis representasi pengetahuan yang paling umum digunakan karena memiliki keuntungan yang lebih dibandingkan dengan kekurangannya.
Keuntungan dalam menggunakan representasi pengetahuan.
Dapat membuat objek dan relasi yang penting menjadi jelas.
Menyingkap constraint (batasan) dalam suatu permasalahan sehingga suatu masalah dapat diungkap dengan menggunakan suatu relasi dengan relasi yang lain terhadap objek yang dihadapi.
Kita akan dapatkan objek dan relasi secara bersama-sama dan kita bisa melihat semuanya dalam satu waktu.
Kita dapat menghilangkan semua komponen yang tidak berhubungan dalam masalah yang sedang kita selesaikan. Jadi kita bisa menghemat suatu logika untuk mendapatkan suatu pemecahanan permasalahan yang dihadapi.
Akan membuat permasalahan menjadi transparan, kita dapat memahami dengan jelas dan menyelesaikannya.
Akan membuat permasalahan menjadi ringkas, kita akan berpikir ringkas (merepresentasikan secara efisien dah fokus terhadap masalah).
Akan membuat pekerjaan kita menjadi cepat dan menjadi penting.
Menjadikan permasalahan secara terkomputerisasi, dengan ini kita dapat melakukan prosedur-prosedur dalam menyelesaikannya.
Disamping keuntungan diatas ada satu hal yang menjadi prinsip dalam representasi pengetahuan adalah Jika suatu permasalahan dideskripsikan dengan menggunakan representasi yang tepat, maka dapat dipastikan bahwa permasalahan tersebut dapat dieselesaikan.
