REPRESENTASI PENGETAHUAN
Sistem Pakar
Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2015
Tahap Pengembangan Sistem Pakar (Marimin,2002) Mulai Identifikasi Masalah Mencari Sumber Pakar Akuisisi Pengetahuan Representasi Pengetahuan
Membuat Mesin Inferensi Implementasi Pengujian Mewakili Kepakaran ? ya tidak
Representasi Pengetahuan
Knowledge is Power
“Frasa ini akan menjadi kata kunci untuk menunjukkan bahwa
knowledge sangat berperan vital dalam pengembangan Sistem Pakar “
Overview
What is Knowledge and How to
Capture ?
Cara untuk menstrukturkan/memformalkan suatu pengetahuan hasil akuisisi Mengapa dilakukan ?
Hasil akuisisi tidak selalu terstruktur (terkait : karakteristik pakar, sifat data )
Memudahkan dalam membuat mesin inferensi
Representasi Pengetahuan
“ KR is a subarea of artificial intelligence concerned with understanding, designing, and implementing ways and impementing ways of representing information so that
Object – atribut – value (OAV) triplet
Rules
Semantic Network
Frame
Predicate Logic
Fuzzy Representation
Teknik Representasi Pengetahuan
Fakta yang terdapat bahwa setiap objek memiliki properti
atau atribut dengan nilai tertentu.
Atribut tersebut bisa tunggal dan bisa jamak
1. Object – Atribut – Value (OAV) triplet
Chair color Brown
Fig 1. objek – atribut – value (durkin, 1994)
Ball Brown 1 meter 100 gram color diameter weight
Example of Expert Systemusing OAV
1.1 Single Vs Multiple Value Facts
Question : Please tell me if the barometric pressure is ? Falling
Steady Rising Answer : Falling
Question : Please select the level of education ? High School
College Graduate School Answer : High School
College OAV-Single Value OAV-Multiple Value
Rule is a form of procedural knowledge
Logically, rule’s structure connect one or more antecendent (IF Part) to
one or more consequent (THEN Part)
2. Rules
“ A Knowledge Structure that related some known information to other information that can be concluded or inferred to be known”
IF Today’s time is after 10 am AND Today is weekday
AND I am at home
OR My boss called and said that I am late for work THEN I am late for work
Example Rule-base system
2. Rules (cont…)
Q : Ball’s color ? A : Red
IF Ball’s Color is Red THEN I Like the Ball
IF I Like the Ball THEN I Will buy the Ball
Ball’s Color is Red I Like the Ball I Will Buy the Ball
Knowledge Base Working Memory E Database A B C D X Match Fire Knowledge Base X & B & E Y Z Y & D L C L & M A X N E
Forward chaining
E X Database A B C D Match Fire Knowledge Base X & B & E Y Z Y & D L C L & M A X N LCycle One
Match Fire Knowledge Base Database A C D E Y B L X X & B & E Y Z Y & D L C L & M A X N Match Fire Knowledge Base Database A C D E L B X X & B & E Y Z Y & D L C L & M A X N
Forward chaining
Cycle Two
Cycle Three
Y Z
Forward chaining
Example
Rule 1
If patient has sore throat
And suspect a bacterial Infection
Then patient has strep throat
Rule 2
If patient temperature > 100
Then patient has a fever
Rule 3
If patient has been sick over one month
And patient has a fever
Forward chaining
Example
Cycle 1:
Rule 2 true -> conclude
Patient has a fever
patient temperature = 102
patient been sick for two months
patient has sore throat
Database
patient has a fever
bacterial infection
patient has strep throat
Cycle 3: Rule 1 true -> conclude patient has strep throat
Cycle 2:
Rule 3 true -> conclude
bacterial infection
Backward Chaining – Goal Driven
In contrast backward chaining:
goal driven, try to prove a specific goal
Work backwards from a conclusion and try to
reach a set of conditions which establish that
conclusion.
Start with a goal and use this to establish a set of
sub-goals.
continue until goal is proved (or disproved), or no
Backward chaining
Backward chaining is the
goal-driven reasoning.
In backward chaining, an expert system has the goal (a
hypothetical solution
) and the inference engine attempts to
find the evidence to prove it.
First, the knowledge base is searched to find rules that might
have the desired solution.
Such rules must have the goal in their THEN (action) parts.
If such a rule is found and its IF (condition) part matches
data in the database, then the rule is fired and the goal is
proved.
However, this is rarely the case.
Backward chaining
Thus the inference engine puts aside the rule it is
working with (the rule is said to
stack
)
And sets up a new goal, a
subgoal
, to prove the IF
part of this rule
The knowledge base is searched again for rules that
can prove the
subgoal
The inference engine repeats the process of stacking
the rules until no rules are found in the knowledge
Backward Chaining – Example 1
Goal: Z Knowledge Base Pass 1 Database B C D E A Z X & B & E Y L C L & M A X N Z Y & D Knowledge Base Sub-Goal: Y A B C D E Y ? X & B & E Y Z Y & D L C L & M A X N Pass 2 Database Sub-Goal: X Knowledge Base A B C D E X ? L C L & M N X & B & E Y Z Y & D A X Pass 3 DatabaseBackward Chaining – Example 1
Knowledge Base A C D E Z Y B X Match Fire X & B & E Y Z Y & D L C L & M A X N Pass 6 Database Match Fire Knowledge Base A B C D E X Pass 4 X & B & E Y Z Y & D L C L & M A X N Database Sub-Goal: Y Match Fire Knowledge Base A C D E Y X B X & B & E Y L C L & M A X N Z Y & D Pass 5 Databas e
Backward Chaining - Example 2
Rule 1
If patient has sore throat
And suspect a bacterial Infection
Then patient has strep throat
Rule 2
If patient temperature > 100
Then patient has a fever
Rule 3
If patient has been sick over one
month
And patient has a fever
Then we suspect a bacterial
Infection
Start with same set of facts:
patient temperature = 102
patient has been sick for two months patient has sore throat
But now start with goal
Patient has a strep throat
And try to prove this given the
rules and the facts.
Example 2 : Backward Chaining
Strep throat? Sore throat bacterial infection fever Temp>100 Sick > One month
Rule can represent various of knowledge
2.2 Type of Rules
a. Relationship
IF The battery is dead THEN The car will not start
b.Recomendation
IF The car will not start THEN Take a carb
c. Directive
IF The car will not start AND The fuel system os ok THEN Check out the electrical system
d. Heuristic
IF The car will not start AND The car is a 1957 Ford THEN Check the float
Just as you can have uncertain fact.
2.3 Uncertain Rule
IF Inflation is high
THEN Almost certainly interest rate are high
You can use value CF for Almost Certaintly
IF Inflation is high
Rule yang yang mendeskripsikan bagaimana rule lain harus
digunakan
2.4 Meta Rule
IF The car will not start
AND The electrical systemis operating normally THEN Use Rule concerning the fuel system
A method of knowledge representation using graph made
up and arcs where the node represent objects and the
arcs the relationships between the object
3. Semantic Network
Relation in Semantic Network :
IS-A
HAS
TRAVEL
3.1 Semantic Network
Tweety Canary BIRD Wings Penguin Walk Fly Animal Air IS-A IS-A IS-A IS-A TRAVEL TRAVEL HAS BREATHE Objek baru: 1. Similar Object 2. More spesific Object 3. More General Object
Inheritance sebagai salah satu fitur dalam semantic
network
Objek yang lebih spesifik akan memiliki sifat yang
diturunkan dengan relasi IS-A
Sebagi contoh :
Tweety bernapas dengan udara karena di adalah Burung
Meskipun inheritance powerful, namun memiliki kelemahan. Perhatikan contoh berikut:
3.3 Exception Handling
BIRD Penguin Walk IS-A TRAVELPada Exception Handling, mempersyaratkan untuk menghitung
pengecualian(excption) pada lokal.
Ketika suatu node
menurunkan informasi yang tidak benar, buat link node baru yang dapat secara efektif melakukan over-ride
Perhatikan narasi di bawah ini !
Pada suatu ekosistem terdapat beberapa jenis hewan. Berdasarkan ukurannya, hewan di ekosistem tersebut dapat digolongkan menjadi hewan berbadan besar dan hewan berbadan kecil. Di antara hewan kecil adalah tupai, tikus kucing dan kalajengking. Di ekosistem tersebut semua kalajengking berwarna hitam. Secara umum, tikus yang terdapat di ekosistem itu berwarna hitam meskipun tidak menutup kemungkinan ada juga beberapa yang berwarna putih. Adapun kucing, dengan suaranya yang khas (mengeong) sebagian memiliki warna putih dan sebagian memiliki warna hitam. Tikus memiliki suara gaduh dengan mencicit sedangkan tupai tidak mencicit seperti tikus.
Hewan lainnnya yang terdapat di ekosistem tersebut antara lain: gajah, jerapah, badak, kuda nil, banteng, rusa, hyna dan harimau. Dari sejumlah hawan berbadan besar hanya jerapah yang memiliki leher panjang . Hewan berbadan besar lainnya tidak memiliki leher sepanjang jerapah. Di antara hewan yang tidak berleher panjang (pendek) ada yang memiliki belalai yaitu gajah dan ada yang tidak memiliki belalai, yaitu badak kuda nil banteng dan harimau. Dari hewan berleher pendek ini hanya kuda nil saja yang suka berendam di air sedangkan lainnya tidak. Gajah dan banteng sama-sama memakan rerumputan atau dedaunan hanya saja gajah jauh lebih banyak daripada banteng dan rusa karena memang kebutuhannya yang sangat banyak. Dari hewan yang berbadan besar yang ada, harimau dan hyna suka makan daging, hanya saja harimau berburu sendiri tapi hyna makan daging sisa saja.
3.3 Latihan Semantic Network
Data Structure for Representing stereotype knowledge of some concept or object.
4. Frame
Report Card Name Address course grade ……… ………. ……… ………. ……… ………. ……… ………. Frame Name class Object 2 course grade ……… ………. ……… ………. ……… ………. ……… ………. Object 1 Basic structure analogue [Minsky, 1981]:A Frame is a collection of questions to be asked about a hypothetical situation: it specifies issues to be raised and methods to be used in dealing with them.
4. Frame
To understand a situation, questions like: • What caused it (agent)?
• What was the purpose (intention)? • What are the consequences (effects)? • Whom does it affect (recipient)? • How is it done (instruments)?
Merepresentasikan karakteristik umum dari sekumpulan objek
Pada setiap class frame, kita mendefinisakan properties baik yang umum
untuk semua objek dan memberikan nilai default
Terdapat properti yang statis dan dinamis
Static Properties : nilai tidak berubah Dinamic Properties : nilai dapat berubah
4.1 Class Frame
color Unknown Eats Worm Num_wings 2 Flies True Activity Unknown
Merupakan bentuk representasi pengetahuan yang paling
tua
Menggunakan Simbolik untuk merepresentasikan
pengetahuan dan operator untuk untuk memproduksi
penalaran logis
Yang paling sering dikatikan dengn bidang AI/ES
Logika Proposisi
Predikat Kalkulus
5. Logic
Operator Simbol AND ∩&, OR ∪,+,V NOT ¬, − IMPLIES , EQUIVALENCE ≡5 Logic (Operator)
Merepresentasikan suatu statement yang memiliki nilai
kebenaran
Dalam logika prposisi suatu statemen dinyatakan secara
simbolik
5.1 Logika Proposisi
IF The car will not start A AND It is too far to walk to work B THEN I Will miss work today C
A B A and B F F F F T F T F F T T T Assignment
- Silahkan Lakukan dengan operator lain !
Disebut juga Logika Predikat (predicate logic)
Sebagai perluasan dari logika proposisi
Memungkinkan untuk melakukan representasikan suatu
proposisi dengan satu simbol
Simbol dalam predikat kalkulus bisa berupa
konstanta,predikat,variabel
Contoh
A = ball’s color is a red
Can be represent color(ball,red)
5.2 Predikat Kalkulus
Masih Ingat Bahasa Prolog ?
5.2 Predikat Kalkulus- Prolog
ukuran(beruang,besar). ukuran(gajah,besar). ukuran(kucing,kecil). ukuran(harimau,besar). ukuran(singa, besar). ukuran(kuda, besar). warna(beruang,coklat). warna(gajah,kelabu). warna(kucing,hitam). warna(kuda, coklat). warna(singa,coklat). warna(harimau,coklat). gigi(gajah,tak_bertaring). gigi(harimau,bertaring). gigi(singa,bertaring). gigi(kucing,bertaring). gigi(beruang,bertaring). gigi(kuda,tak_bertaring). Buas (X) :- ukuran(X,besar), warna(X,gelap), gigi(X,bertaring). Gelap(Y):- warna(Y,hitam); warna(Y,coklat).
Digunakan untuk merepresentasikan pengetahuan yang bersifat ambigu.
Pada fuzzy representation domain yang masih bersifat crisp harus diubah ke dalam
skala linguistik
Proses ini disebut sebagai fuzzifikasi
Proses fuzzifikasi menggunakan kurva keanggotaan seperti : Triangular, Trapezoidal,
Gaussiian, Bell, dll
Temp: {Freezing, Cool, Warm, Hot} Degree of Truth or "Membership"
50 70 90 110
30 10
Temp. (F°)
Freezing Cool Warm Hot
0 1
6. Fuzzy Representation
6.1 Degree of Membership
50 70 90 110 30 10 Temp. (F°)Freezing Cool Warm Hot
0 1
Pertanyaan : Seberapa dinginkah suhu 36 F0
REFERENCES
Durkin, 1994. Expert System Design and Development. Prentice Hall International, Inc. USA
Marimin.2002. Sistem Pakar Teori dan Aplikasinya dalam Teknologi Manajerial. IPB Press. Indonesia
TUGAS KULIAH
Selesaikan pembentukan semantic Network masalah
ekosistem pada slide sebelumnya
Cari jurnal/prosiding internasional 5 tahun terakhir
mengenai sistem pakar dan lakukan critical review.
Maksimal 3 halaman
Tugas dikumpulkan dalam bentuk softcopy. Sertakan
jurnal/prosiding yang dikaji.
Dikumpulkan tanggal 28 Oktober 2015 melalui email
dalam format subject : Tugaskuliah_ES_NRP_.zip
Isi folder : docx, pfd (paper)
Kirim ke : [email protected]
Jurnal Rujukan yang dilanggan IPB
• ACM digital library (www.dl.acm.org)
Tidak perlu menggunakan username/password jika diakses melalui
jaringan internet IPB
• EBSCO (http://search.ebscohost.com/) Username: ns180961 Password: password • Infotrac (www.infotrac.galegroup.com/itweb) Username: ptn003 Password: success • Sciencedirect (www.sciencedirect.com)
Tidak perlu menggunakan username/password jika diakses melalui jaringan internet IPB
Username: jantisujana [untuk akses di luar kampus] Password: bogor57 • Proquest (http://search.proquest.com/) Username: 3FNP2CjRQQ Password: pqipb
