1.
ΓÇóDefinisi Representasi Pengetahuan dalam AI
Representasi pengetahuan adalah metode formal untuk:
-Menyusun dan mengorganisir informasi dalam format yang dapat dipahami komputer
-Menyimpan fakta, konsep, dan hubungan antar data secara terstruktur
-Memungkinkan sistem AI melakukan penalaran dan pengambilan keputusan
ΓÇóMengapa Representasi Pengetahuan Menjadi Komponen Kunci
A.Pemodelan Realitas
-Memungkinkan AI memahami dan memodelkan dunia nyata
-Menangkap kompleksitas dan hubungan antar entitas
B) Penalaran Efektif
-Memungkinkan sistem melakukan inferensi logis
-Mendukung pengambilan keputusan berbasis bukti
C) Komunikasi dan Interaksi
-Memfasilitasi interaksi antara manusia dan mesin
-Mendukung pertukaran informasi antar sistem
-Memungkinkan eksplanasi keputusan yang diambil
2. *Logika Proposisional 
    •Karakteristik:
-Menggunakan pernyataan benar/salah sederhana
-Operator logika dasar (AND, OR, NOT, IF-THEN)
-Tidak mendukung variabel atau kuantifier
   •Situasi Efektif:
-Problem dengan keputusan biner
-Validasi logika sederhana
-Sistem inferensi dasar
-Pemodelan aturan bisnis sederhana
   •Contoh Penggunaan:
-Sistem kontrol otomatis sederhana
-Validasi input form
*Logika Predikat
   •Karakteristik:
-Mendukung variabel dan kuantifier
-Lebih ekspresif dari logika proposisional
   •Situasi Efektif:
-Penalaran kompleks
-Pemodelan relasi antar entitas
   •Contoh Penggunaan:
-Sistem pakar medis
-Perencanaan robotik
*Jaringan Semantik
   •Karakteristik:
-Representasi grafis dengan node dan edge
-Menangkap hubungan konseptual
   •Situasi Efektif:
-Pemodelan konsep dan relasi
-Representasi pengetahuan hierarkis
   •Contoh Penggunaan:
-Ontologi domain
-Knowledge graphs
*Sistem Berbasis Aturan
   •Karakteristik:
-Menggunakan aturan IF-THEN
-Mudah dimodifikasi dan dipahami
   •Situasi Efektif:
-Domain dengan aturan eksplisit
-Sistem diagnosis
   •Contoh Penggunaan:
-Sistem pakar
-Sistem pendukung keputusan
Faktor Pemilihan Metode:
-Kompleksitas Domain
-Kebutuhan Inferensi
-Maintainabilit
-Skalabilitas
-Kinerja