A. Representasi pengetahuan dalam AI adalah cara menyusun dan menyimpan informasi sehingga dapat dipahami dan digunakan oleh sistem untuk mengambil keputusan atau memecahkan masalah. Ini penting karena:
Mempercepat dan mempermudah pengambilan keputusan oleh AI.
Memungkinkan Ai membuat kesimpulan dari data yang ada.
-Membuat Ai lebih adaptif dalam menghadapi situasi baru.
Jadi representasi pengetahuan membantu AI menggunakan data secara efektif, bukan hanya memprosesnya secara mentah.
B. Logika Proposisional: Menggunakan pernyataan yang bisa benar atau salah, tanpa memperhatikan detail dalam strukturnya.
Cocok untuk masalah yang sederhana dan jelas, seperti sistem pengambilan keputusan dasar.
Referensi: Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach.
Logika Predikat: Mampu menunjukkan hubungan antar objek dengan menggunakan predikat dan variabel.
Digunakan dalam aplikasi yang butuh pemahaman mendalam tentang hubungan antar objek, misalnya pemrosesan bahasa alami.
Referensi: Brachman, R., & Levesque, H. (2004). Knowledge Representation and Reasoning.
Jaringan Semantik: Mewakili konsep dan hubungan antar konsep dalam bentuk grafik.
Bermanfaat untuk memvisualisasikan hubungan antar konsep, seperti dalam pengelolaan data berbasis pengetahuan.
Referensi: Minsky, M. (1974). A Framework for Representing Knowledge.
Sistem Berbasis Aturan: Menggunakan aturan "jika-ini, maka-itu" untuk membuat keputusan.
Ideal untuk sistem dengan aturan yang tetap, seperti diagnosis medis atau kontrol kualitas.
Referensi: Giarratano, J. C., & Riley, G. (2005). Expert Systems: Principles and Programming.
Setiap metode sesuai untuk kebutuhan dan tingkat kerumitan masalah yang berbeda.