1.    Bagaimana Anda mendefinisikan representasi pengetahuan dalam kecerdasan buatan? Mengapa representasi pengetahuan menjadi komponen kunci dalam pengembangan sistem berbasis AI?
Jawab :
Banyak cara untuk menyatakan representasi pengetahuan dan setiap cara mempunyai kelebihan dan kelemahan masing-masing. Adapun cara untuk representasi pengetahuan adalah :
a.    Kalkulus predikat
Kalkulus Predikat adalah sistem formal dalam logika matematika yang memperluas kalkulus proposisional dengan menambahkan struktur predikat-subjek dan kuantifier, yang memungkinkan deskripsi teori matematika yang melibatkan objek, hubungan antara objek, dan variabel terkuantifikasi.
b.    Logika
bahasa logika digunakan secara luas untuk mengekspresikan pengetahuan deklaratif yang dibutuhkan dalam sistem kecerdasan buatan. Logika simbolik juga menyediakan semantik yang jelas untuk bahasa representasi pengetahuan dan metodologi untuk menganalisis dan membandingkan teknik inferensi deduktif.
c.    Pohon
Pohon keputusan adalah algoritma pembelajaran terbimbing non-parametrik, yang digunakan untuk tugas klasifikasi dan regresi . Pohon keputusan memiliki struktur pohon hierarkis, yang terdiri dari simpul akar, cabang, simpul internal, dan simpul daun.
d.    Frame
Frame merupakan struktur data kecerdasan buatan yang digunakan untuk membagi pengetahuan menjadi substruktur dengan merepresentasikan " situasi stereotip ".
e.    Script
Script adalah representasi terstruktur yang menggambarkan rangkaian peristiwa yang bersifat stereotip dalam konteks tertentu . Script digunakan dalam sistem pemahaman bahasa alami untuk mengatur basis pengetahuan dalam konteks situasi yang harus dipahami oleh sistem.
f.     Semantic netword
Semantic netword adalah representasi yang mengekspresikan solusi permasalahan dengan menggunakan network (graph berarah)
Dalam representasi pengetahuan ada dua hal yang harus diperhatikan yaitu :
a.    Fakta, dapat berupa keterangan/kalimat dalam Bahasa alami, logika tau benda
b.    Formula, bentuk representasi yang dapat dimanipulasi dalam mekanisme pemecahan soal. Bentuk ini harus melukiskan hubungan atara komponen-komponen domain problem.
Representasi pengetahuan dan kemampuan utuk melakukan penalaran dalam bidang kecerdasan buatan merupakan hal penting. Meskipun suatu sistem memiliki banyak pengetahuan, namun apabila tidak memiliki kemampuan untuk menalar akan percuma saja, sebaliknya apabila sistem memiliki kemampuan yang handal untuk menalar, tetapi basis pengetahuan yang dimilikinya tidak mencukupi, maka penyelesaian yang diperolehnya menjadi tidak maksimal.
Representasi pengetahuan digunakan untuk menangkap sifat penting problem dan mempermudah prosedur pemecahan problem dalam mengakses informasi. Format represntasi pengetahuan harus mudah dipahami sehingga seorang programmer mampu mengekspresikan pengetahuan (fakta).
2.    Berikan contoh aplikasi representasi pengetahuan dalam sistem pakar, pengambilan keputusan otomatis, atau sistem pemrosesan bahasa alami (NLP). Bagaimana representasi pengetahuan tersebut membantu dalam pemecahan masalah?
Jawab
a.    Aplikasi pada Sistem pakar
Eliza adalah sebuah program yang dapat melakukan terapi tergadap pasien dengan memberikan pertanyaan-pertanyaan yang berkaitan. Program yang dipublikasikan oleh Joseph Weizenbaum pada tahun 1966, yang dapat mengelabui pengguna hingga mempercayai bahwa mereka sedang bercakap-cakap dengan manusia nyata. Tujuan dari pembuatan program ini adalah untuk meniru pembicaraan antara seorang psikolog dan pasiennya, dalam hal ini, Eliza berperan sebagai psikoterapis dan memberikan saran dan nasihat tentang penggunanya.
b.    Aplikasi Pengambilan keputusan otomatis
Hyperautomation diciptakan oleh perusahaan konsultan Gartner (dikenal dengan Magic Quadrant for Warehouse Management Systems, di mana Mecalux muncul sebagai penyedia WMS terkemuka). Hyperautomation menggambarkan kecanggihan otomatisasi, diarahkan bergerak melampaui otomatisasi proses robot (RPA). Tujuannya adalah untuk menciptakan sistem yang sepenuhnya otonom yang mampu melakukan tugas yang jauh lebih menuntut, seperti meramalkan skenario masa depan dan membuat keputusan yang kompleks.
c.    Aplikasi sistem pemrosesan Bahasa alami (NPL)
Penilaian Esai Otomatis (AES) adalah aplikasi inovatif NLP yang telah merevolusi penilaian pendidikan. Sistem AES menggunakan NLP untuk mengevaluasi dan memberi nilai esai tertulis berdasarkan berbagai parameter seperti tata bahasa, kosakata, koherensi, dan struktur argumen. Dengan menganalisis komponen-komponen ini, AES dapat memberikan penilaian langsung dan objektif, mengurangi beban kerja pendidik dan memberikan umpan balik langsung kepada siswa. Teknologi ini juga memastikan konsistensi dalam penilaian, menghilangkan potensi bias. Dengan demikian, penerapan NLP dalam penilaian esai otomatis menggarisbawahi peran pentingnya dalam meningkatkan efisiensi dan objektivitas evaluasi pendidikan.