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.
Ontologi
Kunci
dari suatu basis pengetahuan adalah ontologi, yaitu sistem
konsep-konsep yang terorganisir yang menjadikan sesuatu yang ada dalam
domain menjadi eksplisit[7]. Ontologi merupakan spesifikasi dari suatu
konseptualisasi, atau suatu teori logis yang memberikan suatu akun
eksplisit yang parsial dari suatu konseptualisasi[8]; atau bahkan
sinonim dari konseptualisasi itu sendiri.
Ontologi digunakan untuk menjelaskan mengenai properti dari suatu domain, dan juga untuk mendefinisikan domain tersebut.
Komponen-komponen dari ontologi antara lain:
· Konsep
(concept) digunakan dalam pemahaman yang luas. Sebuah konsep dapat
sesuatu yang dikatakan, sehingga dapat pula merupakan penjelasan dari
tugas, fungsi, aksi, strategi, dan sebagainya.
· Relasi
(relation) merupakan representasi sebuah tipe dari interaksi antara
konsep dari sebuah domain. Secara formal dapat didefinisikan sebagai
subset dari sebuah pruduk dari n set,
Sebagai contoh dari relasi biner termasuk subclass-of dan connected-to.
· Fungsi (function) adalah sebuah relasi khusus di mana elemen ke-n dari relasi adalah unik untuk elemen ke-(n-1).
Contohnya adalah Mother-of.
· Aksioma (axiom) digunakan untuk memodelkan sebuah kalimat yang selalu benar.
· Instans (instance) digunakan untuk merepresentasikan elemen.
Menurut
Tom Gruber dari Stanford University, makna ontologi dalam konteksnya di
ilmu komputer adalah “suatu deskripsi konsep dan relasi yang ada dalam
suatu agen maupun komunitas agen”[9].
Sebuah
ontologi memberikan pengertian untuk penjelasan secara eksplisit dari
konsep terhadap representasi pengetahuan pada sebuah basis pengetahuan
(Bernaras, proyek KACTUS). Sementara menurut proyek SENSUS, Sebuah
ontologi adalah sebuah struktur hirarki dari istilah untuk menjelaskan
sebuah domain yang dapat digunakan sebagai landasan untuk sebuah basis
pengetahuan.
Sistem Perbaikan Pengetahuan
Sistem
Perbaikan Pengetahuan (Knowledge Refining System) merupakan suatu
sistem untuk memperbaiki kinerja sistem pakar. Dengan sistem ini, pakar
dapat melakukan analisis kinerja, lalu melakukan pembelajaran, dan
kemudian meningkatkannya pada konsultasi berikutnya.
Pada
pembelajaran mesin, tujuan dari perbaikan basis pengetahuan (knowledge
base refinement) adalah meningkatkan performa sistem dengan pembelajaran
empiris, di mana performa sistem diukur dari jumlah kesalahan yang
terdeteksi ketika sistem dieksekusi untuk kasus-kasus yang ada dalam
pustaka sistem.