1. Representasi pengetahuan dalam AI adalah metode atau cara untuk menyimpan, mengorganisasikan, dan memanipulasi informasi yang dimiliki oleh sistem AI sehingga dapat digunakan untuk pengambilan keputusan, inferensi, dan pemecahan masalah. Representasi ini dapat berbentuk simbolik (seperti logika dan aturan), jaringan semantik, ontologi, atau bahkan model berbasis statistik (seperti jaringan saraf tiruan).
Russell, S. J., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach. Pearson.
2. Jenis-jenis Representasi Pengetahuan
   - Logika Proposisional
     
     Logika proposisional (propositional logic) adalah bentuk representasi yang menggunakan proposisi atau pernyataan yang bisa benar atau salah. Setiap proposisi dihubungkan dengan operator logika seperti "AND", "OR", "NOT". Misalnya, pernyataan “Hujan turun” atau “Langit berawan” bisa dihubungkan dalam logika proposisional. Sistem ini efektif untuk situasi sederhana dengan aturan yang jelas dan tegas, seperti pengambilan keputusan biner atau pengujian hipotesis dengan nilai benar-salah.
     Kelebihan: Sangat cocok untuk masalah yang sederhana, seperti kontrol logis dalam sistem elektronik.  
     Keterbatasan: Tidak bisa menangani situasi kompleks yang melibatkan relasi antarobjek atau penalaran kuantitatif.
   - Logika Predikat
     
     Logika predikat (predicate logic) adalah pengembangan dari logika proposisional yang memungkinkan representasi relasi antara objek, serta penggunaan variabel. Sebagai contoh, predikat "Manusia(x) → Bernapas(x)" menyatakan bahwa semua manusia bernapas. Representasi ini lebih kuat karena dapat menangkap relasi yang lebih kompleks antara entitas dalam suatu domain.
     Kelebihan: Mampu merepresentasikan hubungan yang lebih kompleks dan lebih baik untuk penalaran formal.  
     Keterbatasan: Dapat menjadi sangat kompleks dan tidak efisien untuk masalah yang sangat besar.
   - Jaringan Semantik (Semantic Networks)
     
     Jaringan semantik menggunakan node (simpul) dan edge (garis penghubung) untuk merepresentasikan konsep dan hubungan antar-konsep dalam bentuk graf. Misalnya, simpul "Burung" bisa dihubungkan dengan simpul "Bisa Terbang" melalui edge "memiliki kemampuan". Jaringan semantik sering digunakan dalam aplikasi seperti ontologi dan pemrosesan bahasa alami.
     Kelebihan: Efektif dalam merepresentasikan informasi hierarkis dan relasi antar-konsep dalam skala besar, seperti dalam sistem pengolahan bahasa alami.  
     Keterbatasan: Terbatas dalam menangani penalaran yang memerlukan lebih dari sekadar hubungan konseptual sederhana.
   - Sistem Berbasis Aturan (Rule-Based Systems)
     
     Sistem berbasis aturan terdiri dari kumpulan aturan jika-maka (if-then rules), di mana aturan-aturan ini digunakan untuk melakukan inferensi berdasarkan fakta yang ada. Contohnya, dalam sistem pakar medis, aturan "Jika suhu tinggi dan batuk → Maka kemungkinan flu" dapat digunakan untuk diagnosis penyakit.
-Kelebihan: Efektif untuk domain yang memerlukan aturan yang jelas dan eksplisit, seperti sistem pakar atau diagnosa.  
- Keterbatasan: Menjadi tidak efisien saat menghadapi domain yang sangat luas atau berubah-ubah, serta memerlukan pemeliharaan aturan yang intensif.
Efektivitas Berdasarkan Situasi:
- Logika Proposisional cocok untuk sistem kontrol sederhana atau masalah pengujian hipotesis dasar.
- Logika Predikat lebih cocok digunakan dalam masalah yang membutuhkan penalaran kuantitatif atau kompleksitas yang lebih tinggi, seperti penalaran matematika atau penalaran berbasis relasi antarobjek.
- Jaringan Semantik efektif dalam aplikasi di mana representasi hubungan konseptual atau hierarkis sangat penting, misalnya dalam pengolahan bahasa alami dan sistem ontologi pengetahuan.
- Sistem Berbasis Aturan sangat berguna dalam sistem pakar yang memerlukan aturan tegas, seperti di bidang kedokteran atau diagnosa teknis.
Referensi teoritis: Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach.