TELKOM NIKA , Vol.12, No .4, Dece mbe r  2014, pp. 10 96~110 4   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v12i4.413    1096      Re cei v ed Se ptem ber 11, 2014; Revi se d No vem ber  16, 2014; Accepted Novem ber 30, 20 14   Intelligent Interface for a Knowledge-based System      N y oman Karna* 1 , Iping Supriana 2 , Ulfa Maulidev i 3   Sekol ahT eknik  Elektro dan Inf o rmatika, In stitut T e knolo g B and un g, Indon esia   Ganesh a  10, B and un g, + 62-2 2 -25 009 35   *Corres p o ndi n g  author, e-ma i l : bogi @stude n t s.itb.ac.id 1 , iping@stei.itb.ac.id 2 , ulfa@stei.it b.ac.id 3       A b st r a ct   Every knowledge-based system   has its  own  know ledge for m alis m   dependi ng  on the pr oblem  that   nee ds so lvin g, goa l to b e  ac hiev ed, a nd  propos ed s o lu ti o n . T h is  mea n s  the kn ow ledg e conta i n ed i n  th e   system w ill differ from on e system to  anoth e r. This also me ans that th i s  know ledg e cann ot be used  b y   anoth e r syste m , w h ich  in  tur n   me ans  every  system  must s t art w i th a l ear nin g  p has e ri g h t at the  b egi n n in g.  One of the sol u tions to ov erc o min g  this pro b le m is  pr ovi d i ng a u n ifi ed  mode l that  can  accept a ll type s of   know led ge, w h ich gu arante e s  automat ic inte raction b e tw een the know led ge-b a sed syst ems. Interacti o n in   this p aper  is  d e fine d as  kno w ledge  shar in g, inte gr atio n,  and  transfer fr om on e syste m  to  an other.  This   researc h  prov i des a  mo del  and c ond uctsa  test on inte r a ction ca pa bil i t y. It w ill help  to acceler a tethe   establ ish m e n t of a new  know ledg e-bas ed sy stem b e c aus e i t  does not ne e d  know led ge i n itiali z a t i o n    Ke y w ords : u n ifie d kn ow le dge r epr esent ation, s hari n g  k now le dge, know led ge int egrati on, tran sfer   kn o w l e dg     1. Introduc tion  Knowle dge i s  a prop ositio n  that contain s  facts  an d is  definitive, whi l e rep r e s entat ion is a  relation b e tween two do mains, the symbol and  what the sy mbol rep r e s ents. Knowl e dge  rep r e s entatio n is a field of study  that  explore s  sym bol formali s m ,  which is u s ed to represent   kno w le dge [1 ]-[2]. Knowle dge itself ha s many inte rpretation s a n d  so fa r there have be en  no  agre ed d e finitions fo r kno w ledge. Althou gh there ar no definitive  definition s  for kno w led ge,  we  can lo okat se veral a s pe cts, machin e lea r ning,  expe rt system s, and  kno w led ge  manag eme n t. In  machi ne lea r ning, inform ation is acq u ired a nd  re tained(sto r ed ) for future  recall to obtain  kno w le dge f r om the  existi ng info rmatio n. In an  ex pe rt syste m , inf o rmatio n i s  a c qui red  from   an   expert' kno w ledge  and  ret a ined fo r futu re  re call to  ob tain the exp e rt's kno w led g e .  In kno w le dg manag eme n t, a large  amo unt of kno w l edge i s   also  basi c ally  stored in i n form a t ion fact type s,  whi c h will be  easily re call e d  to expand the user' s  kno w led ge.   Every knowl e dge re pre s e n t ation need s a spe c ific lan guag e to pro v ide an optimal way  torep r e s ent a  symbol. Th e  symbol it self  is ne ede d to  rep r e s ent th e kn owl edg in su ch  a way  that it can be  easily un de rstood  by a si mple ma chin e, that is, a p r og ram. La ng uage  will p r o v ide  an effective way to repre s e n t kno w led g e  usi ng three a s pe cts [1], wh ich are as foll ows.  1.  Syntax, to d e fine ho w th e formali s of kn o w led g e  representati on form s a senten ce with   clea r an d sta ndard st ru ctu r e by buil d in g it with   logi cal symbol s (pun ctuatio n,  con n e c tives,   variable s ) an d non-l ogi cal  symbol s (fun ction an d pre d icate s 2.  Semantic, to   define  ho w th e form alism  o f  kn o w le dge  repre s e n tation  form s a  sent ence  with a   stru cture that can b e  und erstood th roug h :   a. interpretation  b. denotatio n   c.  sat i sf a c t i on   3.  Pragmati c , to  define h o the formali s m of kn owl e dge  rep r e s en tation form a mea n ingful  sente n ce.  Lang uage i s   use d  to re prese n t kn owle dge that is  d e cla r ative an d ha s a spe c ific a n d   definitive me aning. A  de cl arative  s ente n ce  that fulfill s all  three  aspect s  (syntax ,   sem antic, a nd  prag matic) can be  used t o  esta blish knowl edge   re pre s entatio usin g logi c-b a se d form ali s m,  su ch a s  first - order lo gic.  Beside s logi c-ba sed  fo rma lism, we  can  also choo se  to use othe approa che s ,  like frame - based a nd  also  rul e - b a s ed  app ro aches. Ea ch  of the p r eviously   mentione d types of forma lism ha s its ow n be nefits and disa dvantage s, dep endin g  on the   conte n t and  what the kno w led ge will b e  use d  for [3].  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Intelligent Interface for a K nowl edge -b a s ed System  (Nyom an Bogi  Aditya Karna )   1097 Knowle dge repre s e n tation  is a bran ch  of artifi cial intelligen ce, whi c h is a field  of study  that explores ho w to  rep r ese n t inform ation that  is   a c qu ir ed  from a n y wh er e in  a fo r m a t   th a t   can be  und erstood by  a  pro g ram. A  p r og ram  he re  refe rs to a   kno w l edge -ba s e d   System, such  a s   a machi ne le arnin g  syste m  or an expe rt system . Th e kno w le dge  rep r e s entatio n itself can al so   be de scrib e d  as a  kn owle dge mo del, b e ca use it  can  explain the  model of the  kno w le dge, t h e   syntax an d t he  sema ntics of th e info rmation.   Wh en  we  ch oo se th e m ode l of kno w led geit   depe nd s on three a s p e ct s.  1.  Problem, wha t  is the proble m  to be addressed ?   2.  Goal, wh at sh ould the kno w led ge fulfil?  3.  Propo se d sol u tion, how d o e s the kno w le dge solve the  proble m ?   From th e pro b lem a s pe ct  point of view,   the mod e l of  kno w le dge  can be  se para t ed into   deci s io n ma king, the  re co mmend er,  an d the  hum an  life en han ce r. From th deci s io n ma king   perspe c tive, the kn owle dg e model is si g n ificantly  relat ed to data mining. From th e recomme nd er  perspe c tive, the kno w led g e  model i s   si gnifica ntly  rel a ted to the e x pert sy stem. In human  life  enha ncement , the kno w le dge m odel  is sig n ifica n tly related  to  kn owle dge  man ageme n t. Fro m   the pro p o s ed  solutio n  poi nt of view, the model  of knowl edge  ca n also be  ap proa ch ed u s i n g   machi ne lea r ning an d the  expert syste m  along  wi th  an app rop r i a te method o f  reasoning.  The  method of reasonin g  itself is comp ri sed of  a de cisi on tree,  Bayesian, ru le-ba s e d , ba ck  prop agatio n, a su ppo rt vector ma chine,  and an  asso ciation rul e  [4]-[5]. Each of these propo se d   method s hav e different be nefits, depe n d ing on the p r opo sed  soluti on offered.   The contextu al differen c e s  between t hese  thre e asp e ct s re su lt in every machi n e   learni ng o r  e x pert syste m   usin g differe n t  kno w led ge repre s e n tation , depen ding  on the p r obl e m goal, and pro posed sol u tio n  involved. For example,  to solve a problem rel a te d to knowl e d g e   from an  exp e rt, the kn owledge m odel  will be e s t abl ishe d u s ing  a de cisi on tree that provide s   attributes to d e termin e whi c h p a th to ta ke until a  sol u tion o r  re co m m endatio n ha s be en  rea c h ed.  On the other  hand, to solv e a proble m  related  to que stion and a n sweri ng, the knowl edge m o del  cho s e n  is a rule-b ased tab l e that provid es attrib utes t o  determi neth e  nea re st answer th at can  be   given. The s two example s dem on strate  that t here is  no gen eri c  or unified kn owledge mo del to   be used in m u ltiple ca se s (a multi-propo sed  solutio n ).         2. Related Works  A kno w le dge  model  or  kn owle dge  rep r ese n tation i s   how  we  can  define a  form ula that   has the  ability to describe t he  knowledge withi n . Th formula must  consi s t of a tuple that cont ain   at least three c omp one nts.   1. Knowle dge  at om  2. Rule   3 .  R e la tion  A kno w led ge  atom, as the  first co mpo n e n t of a kno w l edge m odel  o f  formalism, e x plains  the knowl edge entity itself  in t he  simplest form. T h is  will ensure  that a program  will be abl to  unde rsta nd the kn owl edg e and ru n a comp utation  on it. Every  kno w le dge at om also h a s an   optional ad di tional attribut e to explain a sp e c ific behavio r of the kno w led ge to help the   comp utation.  Rule s, a s  the  se co nd  com pone nt, provi de a  list of i n stru ction s  tha t  can  be  used  to   con d u c t inferences from th e inform ation  store d  in  the  tuple. A rule i t self ca n only  be u s ed a s   an  inferen c e ex clusively withi n  the tuple. The re sult  of  this infere nce is a link th at conn ect s  one   tuple with a nother. A rel a tion, on th e other  han d, as the thi r d compo n e n t, describ es an  interconn ecti on b e twe en t uple s . It provides the  list  of all th con n e c tion s from  particula r tupl e.   The lin k itself only de scrib e s a  line th at dra w s an im a g inary inte rco nne ction b e twee n two tu p l es.   The result of all the interco nnected tupleswill be a mesh net wo rk called a semantic network.  Up  till  n o w, rese arch on knowl edge -b a s ed   sy st em h a s fo cu se d o n  the a ppli c at ion level,  whi c h is ho w to establish  a kno w led g e - based sy st e m  and utilize  it for a speci f ic purp o se. This  kno w le dge -b ase d  system  will an swer a  spe c ific p r obl em in a spe c i f ic domain of  kno w le dge.   1.  Do cume nt cl assificatio n , whe r e   a kn o w led ge- ba se d sy stem i s   assign ed  a t a sk to  ret r ieve   document s from a  spe c ifi c   sou r ce, co ndu ct in form ation extra c ti on fro m  the  document to   obtain the me ta data, and create a  classi fication u s ing  the meta data  [6]-[12]  2.  Real time i n formatio n, wh ere a  kn owl e dge-ba sed  system acqui res  kno w le dg e from a  real   time sou r ce with sp atial in formation [13] -[20]   Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4:  109 6 – 1104   1098 3.  Knowle dge  m anag ement  u t ilization,  whe r kno w le d ge-b a sed  sy stem is built  a nd m ana ged  fo r  s p ec ia l pur p o s e  [2 1 ] - [ 26 4.  Multilingual i n formatio n, whe r e a  kn owle dge -ba s ed  sy stem acq u ire s  kn owle dge  fro m   multilingual source,  incl udi ng  tacit kn owl edge [27]-[2 9 ] The  req u ire m ents  and  ide a s  fo r b u ilding   a unifie d  m o d e l to a c comm odate th e a b il ity for   kno w le dge t r ansfe r, sha r in g, and  integ r ation b e twee n two  sy stem s h a ve al rea d y provo k ed  lo ng   discu ssi on s [30]. Ho weve r, there a r sti ll a few  re cen t  studie s  that  hav e cond uct ed research   on  the co re of a  kno w le dge -b ase d  syste m , which is  the  kno w le dge re pre s entatio n itself. Most of the  recent pap ershave involved  rese arch o n   the appli c atio n level,as de scrib ed ab ove.  To accom m o date kn owl e dge tra n sfe r , sha r ing,  an d integration  ability, this resea r ch  focu se s on  semantic net work form alism .  There  a r e t w o type s of  semantic net work ap pro a ch es  [31]-[37].  1.  Static kn owl e dge  rep r e s en tation, wh ere   the net wo rk i s   static  (pred e fined) an d b u ilt to solve  a   spe c ific p r obl em  2.  Dynami c  kno w led ge rep r e s entatio n, wh ere the  network is dyn a mi c an d built to  solve multi - probl em s.  Static kno w l edge  re presentati on  prov ides ea se  of  use a n d  ea se  of buil d in g. Static  kno w le dge  repre s e n tation  is  ea sy to  build  be cau s e it u s e s  two-ph ase m e thod, training  an d   testing. In the  training  pha se, a sem antic netwo rk  i s  b u ilt usin g all t he availabl node s (tu p le ). In  the testing p hase, the se mantic  net wo rk p r op oses  a probl em an d it must pro v ide a solutio n  or  recomme ndat ion a c cordin gly. One  exa m ple of  stati c   kno w le dge  re pre s e n tation i s   kno w le dge   ontology. Dy namic kno w l edge  re pre s e n tation, on th othe r h and,  provid es flexibility in sol u tion   finding, b e ca use  the  se m antic fa cto r  i s  b u ilt w hen   a p r oble m  i s  propo sed  to  the n e two r k. In   dynamic  kno w led ge  rep r e s entatio n, the  network i s   re built when  a  new no de  (tu p le) is integ r a t ed   into the net work.  One  exa m ple of dyna mic  kno w led ge re present ation is  COK B  (Co m putati onal  Obje ct Knowl edge Ba se ).  Both app roa c hes  above,  static and  dyn a mic  kn owle dge  rep r e s en tation use th e sa me   tuple formul ation, as de scri bed in form ul a 1.    KM =  {KA, R, Rule}  (1)    Whe r e:   KM mean the knowl e d ge mo del o r  kno w led g e  rep r e s entati on for a  sp ecific dom ai kno w le dge   KA means the kno w led ge atom, which descri b e s  th e  simple st and  smalle st form of knowle d ge,  su ch a s  axio m or a co nce p R mean sthe  relation bet we en KMs (int e r -KM) o r  between KAs (int ra-KM)  Rule means a rule that explicitly  store s   the formula fo r infere nce.    2.1  Static Kn o w l e dge Re presen ta tion     Static kno w l edge  rep r e s entation de scrib e a se mantic n e twork  com p ri se d of node (KM) an d lin ks that  con n e ct the no de s. One ex am ple of static  kno w le dge repre s e n tation  is  kno w le dge  o n tology. In the kn owl edg ontology  a pproach, kn owl e dge i s   represented a c cordi ng  to the domai n cha r a c teri st ics  of the kn owle dge  itsel f. A study on cre a ting the  relation  between   kno w le dge m odel an d kno w led ge ontol ogy [22] is de sc ribe d in Fig u re 1. Fig u re  1 explain s  th at,  from a kno w l edge mo del point of view, both the domain and task kno w le dge  model sa re rel a ted   to kno w ledg e atom and  its relation,  while the reasonin g  kn owle dge mo del is rel a te d to   rule sfrom a  kn owle dge ont o l ogy point of view.                    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Intelligent Interface for a K nowl edge -b a s ed System  (Nyom an Bogi  Aditya Karna )   1099                     Figure 1. Rel a tion betwee n  Knowle dge  Model an d Knowl edge  On tology      2.1 D y namic  Kno w l e dge  Repr esen ta tion   In dynami c   kno w le dge  repre s e n tation , the com p o s ition in th e  kno w le dge  model i s   slightly different from  that  with   static  kn owle dge  re prese n tation. T he  kno w le dg e atom  is call ed  a   comp utationa l object (com -obje c t) an d is the  simpl e st and sm all e st kn owle dg e entity[31].  It  comp ri se s four co mpo nent s, attribute s functio n s, fact s, and rules  (Figure 2).               Figure 2. Co mputational  Obje ct as the  Knowled ge  Atom    Whe r e:   Attributes me an a list of attribute s  co rrespondi ng to the obje c Functio n s m e an com putati onal interrelat ions b e twe e n  attributes  Fact s mean  a gro up of propertie s  o r  e v ents rel a ti ng  to the object ;  this includ e s  11 types  of  facts, su ch a s  object type, obje c t definiti on, obje c t si milarity, object depend en cy, etc.  Rules  mean rules  for inferenc e from fac t From  the  com-o b je ct (concept)  entity, a  kn owl e dge  rep r e s e n tation i s  b u ilt usi n g     Figure 3.            Figure 3. Knowled ge Represe n ta tion for Computatio n a l Obje ct      The co ncept contai ns  a cl ass  of  co m-o b ject s a nd it s rel a tion i s   drawn  u s ing  hi era r chy  and  relatio n whe r e thi s   rel a tion in clud es the o per ator and  fu nctio n . Rule s co ntain   instructio ns or  guidelin es th at can  be u s ed fo r inferences fr om t he con c ept. With the dyn a mic  kno w le dg e   rep r e s entatio n approa ch, usin g a com p utational obje c t mean s that the network i s  built usin g an   inferen c rule  to create  a h i era r chical rel a tion from th e con c e p t. The network can then b e  u s ed   to answer a  problem li ke an expert  would. Th e  links that interconn ect  con c e p ts in the  comp utationa l obje c t co nta i n the di re ction; for ex ampl e a "IS-A" explain s  that on e co ncept is  a   membe r  of   anothe con c ept. Thi s  di rection  explai ns th relati on b e twe en  one  co ncept and  anothe r. Fig u r 4 d e mon s t r ates fou r   co mputational  o b ject s that  bu ild the  network hi erarchy a n d   the link directi on.              Knowledge   Model   DomainK nowled ge   Model   Task   Knowled g e   Model   Reasonin Knowled g e   Model   Knowledge  Atom   Relation   Rule   Knowledge   Ontolo gy   Attributes  Functions   Facts  Rules  Co m - Object   Concept   Hierar chy  Relations  Operators   Functions   Rules  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4:  109 6 – 1104   1100                               Figure 4. Knowled ge Mod e l  Relation in  Comp utation a l Obje ct      Beside the  computation a l obje c t, there i s  also anoth e r  example fo r dynamic  kno w led ge  rep r e s entatio n, whi c h is t he rel a tion  model o r  Re la-Mo del [35] . The Rel a -Model b u ild s the   sema ntic net work by assi milating the human m e th od of storin g  information  and ho w hu mans  retrieve the  stored info rma t ion. Several  definition s  for Rela -Mod el  aregive n u s in g formula  2 to   formula 5. Fo rmula 2 d e fin e s the relatio n  betwe en co nce p ts u s ing  a list of rules.     (C, R, R u les )   (2)     Whe r e:   C is a g r oup  of con c ept s d e fined by     C = { C 1, C2,  …}   (3)     This ha spe c ific an attrib utes-val ue s combinatio n a c cordi ng to the usa ge of the con c e p t.  R is a bin a ry relation b e tween con c ept s, defined by    R = { R 1, R2,  …}   (4)     Rule s mea n a set of rule for infere nce purp o ses    {f1, f2, …,fp}   {fp+1, fp+ 2 , …, fq}   (5)    The  esta blishment  of th e kno w led g e  stru ctu r e   (d efining every   rel a tion R betwe en   con c e p ts) i s   achi eved u s i ng iterate d  inferen c e fo every po ssi bl e con c e p t, starting fro m  the  con c e p t that has  a rul e  fo rthe ne ar-sol ution of  the  probl em give n. A comp arative analysi s  of  these  thre e  model (kn o wle dge  ont ology, comp ut ational o b j e ct, an dRela - Mod e l)  ca n  be   explained in  Table 1.       Table 1. Co m parative Anal ysis of the Th ree Mo del Method/  Feature   Kno w ledge Ontolog y   Computational Object  Rela-Model   Kno w ledge  Atom  Kno w ledge atom  as a  referenc e   Kno w ledge atom  as a  foundation to dev elop a  hierarchical structure   Kno w ledge atom  as a  foundation to dev elop a  hierarchical structure   Relation  There a r e fixed  relationsbet w een   know ledge  atom Relation exists between  know ledge  atom s in a vector  format   Relation exists between  know ledge  atom s in a binar y   format   Inference   Rule is predefine d   Rule is adaptive, based on the  problem   Rule is adaptive, based on the  problem       Relatio n Ru le C once p t Relatio n Ru le C once p t Relatio n Ru le C once p t Relatio n Ru le C once p t Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Intelligent Interface for a K nowl edge -b a s ed System  (Nyom an Bogi  Aditya Karna )   1101 3. Rese arch  Metho d    This  re sea r ch an swers a  comm on p r o b lem a bout  knowl edge  sh aring  in a  kn owle dge - based sy ste m , in terms  of how two knowl edge - b a s ed system s can sha r th eir  kno w led g e   so  that one sy stem ca n re use anot he system' s  kno w l edge. Thi s   will ensu r e a  new  kno w le d ge- based  syste m  do es not  n eed to  pe rform kno w led g e  initialization,  and  in stead   use s   kn owl e dge  acq u isitio n from anoth e system. To find a sol u tion  for this p r o b le m, this re sea r ch i s  cond ucted  by carryingo u t  a literature  studyof  text books, pap ers, and the Inter net. As a result of this study,  the write r  propo se s a me thod that incorpo r at e s  ca pability into a kno w led g e - based sy ste m a   cap ability to ensu r e kno w le dge integ r atio n, kno w led g e  shari ng, and  kno w le dge transfe r.      4. Results a nd Discu ssi on    An idea  ab o u t providi ng  a unifie d   kn owle dge  re prese n tation to  en sure  kno w led g e   transfe r,  sha r ing, and  inte gration  bet ween t w syst ems  ha s al re ady bee n p r o posed [30]. T he  research was conducted  by building  a framework, CreekL,  whi c h has the c apability to provide a  comp atible  knowl edge  rep r esentation  fo similar  do m a in kno w led g e The r e are   two aspe cts  from  this re sea r ch  that can be fu rther inve stig ated.  1.  Cre e kL can  only  a c comm odate a com patible rep r e s entatio fo r simila d o mai n   kno w led ge.   This  can be a d vanced by condu cting research on diffe rent but rel a ted domai n kn owle dge   2.  Cre e kL  can  only acco mm odate  com p a t ibility for kn owle dge t r an sfer f r om  on e sy stem to   anothe r. Thi s  can  be  adva n ce d by  cond ucting  re se arch o n  h o w to  accomm odat e kn owl edg e   integratio n an d kno w le dge  sha r ing.   By p r o v id ing   a  u n i fied   k n ow le dg e   r e pr es e n t a t ion ,  kno w led g e  tr a n s f e r , in te g r a t io n ,  and  sha r ing  can  be po ssible.  The  kno w le d ge tra n sfe r   capability en sure s all th kno w le dge  within   one  syste m   can b e  tran sfe rre d to  a  ne w syst em . Th e  kn owl edg sharin ca pabi lity ensu r e s  t h e   kno w le dge  wi thin one  sy stem can b e   sh ared  to   en ha nce  th e kno w ledge of  an other system. T he  kno w le dge in tegration  cap ability ensu r e s  the  kn owl e dge withi n  o ne syste m  can be u s ed  by  anothe r syst em. This will  ease the d e v elopment  of  a new kno w ledge -ba s e d  system b e ca use   there  will be  no kn owl edg e acq u isitio n; instead, a  n e system  can lea r n from  alrea d y existing   and lea r nt sy stem s. The capabilitie s aresh o wn in Figure 5.                                   Figure 5. Knowled ge Tran sfer, Shari ng,  and Integratio n betwe en 2  system     The main focus of this sol u tion is demo n stratin g  ho w to create a n e w kn owl edg e-ba se d   system  and  i n itiate the  kn owle dge f r o m  anoth e sy stem.  Th ere  are  t w o po ssible solution to  accomm odat e these  cap a b ilities an d these a r e sho w n in Figure 6.  1.  Distri buted knowl edge -b a s ed sy stem,  whe r e an i n telligent interf ace i s  provid ed to brid ge  kno w le dge i n feren c e f r om  a correct  kn o w led ge b a se  system. T he i n terface p r ovi des a tabl whe r e a pie c e of kno w led ge re side s in  a knowl edg e-ba se d syst em; so wh en  a problem i s   prop osed to the interfa c e, the interfa c e can di spatch the infere nce to the co rre ct kno w le dge.   Knowled g eRep re sentat i on   Knowled g eRep re sentat i on   tr anspor table  information  res o urce   information  res o urce   Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4:  109 6 – 1104   1102 2. Autonomo u kno w le dge -b ase d   system   with  kno w le dge sh ari ng,  where every knowle dge - based  syste m  provid es  a n  intelligent in terface.  T h is i n terface can  ensure  anoth e r kno w led g e - based sy ste m  can infe rkn o wle dge fro m  another  syst em.                          Figure 6. Knowled ge-ba se d System to En su re Kno w ledge Integ r at ion, Sharin g, and  Tran sfe r       5. Conclusio n  and Futu r e  Rese arch   A kno w le dge -ba s ed  sy ste m  ha s a  nu mber  of vari ances  ba sed  on the  kn o w led ge  rep r e s entatio n use d  to sto r e the info rm ation. This  le ads to difficul t ies in re usi n g kno w le dge  that  is al rea d y stored i n  a  kno w le dge -b ase d  sy stem . This  re sea r ch  p r opo se s a  metho d  for  inco rpo r ating  sto r ed  kno w led ge fo reuse p u rp oses  by an oth e system  u s ing  kno w le dge   integratio n,  kno w le dge  sharin g, an d  kn owl edg e  tran sfer.  T he p r op osed  method  i s  an   autonom ou s kno w le dge -b ase d  system,  an addition a l  method to a n  alrea d y existing di stribut ed  kno w le dge -b ase d  sy stem . An auton o m ous kn o w l edge -ba s e d  system en su res  that  e a c h   kno w le dge -b ase d  system  has the capa bility to dr aw inferen c e s  fro m  anothe r system to find an   answe r to a specifi c  pro b le m or even en han ce its kno w led ge.   Future research will  impl ement  this  proposed m e thod usi ng a uni fied platform   that will   accomm odat e multiple kn owle dge -ba s ed system s t hat are to be  implemented  on one platform.   In using thi s   platform, the  method  will b e  devel op ed, tested, and m easure d  to en sure kno w led ge  integratio n, sharin g, and transfe r ca n be  accommo dat ed.      Referen ces   [1]    Ron a ld  J. Brachma n , Hect or J. Lev esq ue.  Kn ow led g e  Re pres entat ion  an d R e a s oni ng . San  F r ancisco: Mor gan Ka ufman n . 2004: 2-1 1 .   [2]    John F .  So w a .   Know led ge R epres entati on: Log ical,  P h il os oph ical, a nd  C o mputati o n a l F oun dati ons Boston: Cours e  T e chnolo g y CENG AGE Le arni ng. 20 00: 1 1 -29.   [3]    Emil V a ssev,  Mike H i nc he y.  Kno w l e dg Repr esentati o n  an d R eas oni ng for  Intel lig ent Soft w a r e   S y stems.  IEEE Computer . 20 11; 44(8), 9 6 -9 9.  [4]    Jia w e i  Ha n, Michel in e Kamb er.  Data Mini n g : Conce p ts a nd T e chn i q ues . San F r ancis co. Morgan   Kaufman n . 200 6: 291-3 37.   [5]    Qiu Yun, F a Jingc hao, Z h o u  Guomi n . Res earch   on th e K n o w l e d ge ES  T ool Based  on  Binar y T r ee.  T E LKOMNIKA Indon esi a  Jour nal of Electric al  Engin eeri ng.  2 014; 12( 3): 223 6-22 44.   [6]    Shia n-Hu a Li n, Meng Ch ang  Che n , Jan-Min g  Ho. AC IRD: Intelli ge nt Internet Docum ent Organiz a ti o n   and R e trieva l.  IEEE Transacti ons on Kn ow le dge a nd D a ta Engi neer in g . 2002; 14( 3): 599 -614.   [7]    Xi an gfen g Lu o ,  Jun Z han g, F e i y u e  Ye, Pen g   W ang, Ch ua nlia ng  Cai. Po w e r Seri es Re prese n tatio n   Mode l of  T e xt  Kno w l e d g e  Ba sed  on  Hum a n  Co ncept  Le ar nin g IEEE Transactions  on S ystem s, M an,   and Cy bern e tic s : Systems . 20 14; 44(1): 8 6 -1 02.   [8]    Razva n Stefan  Bot, Yi-fang  B r ook W u Xi Che n , Quanz hi  Li.  A Hy brid  C l assifier  Ap pro a ch for W e b   Retriev ed Doc u ments Class ificatio n . Proc e edi ngs  of th Internatio na l C onfere n ce  on   Informatio n   T e chnolog y: C odi ng a nd Com putin g. 200 4; 1: 326-33 0.  [9]    Hao Ch en, S h i Ying, Jin  Liu,  W e i Wang.  SE4SC:  A Specific Search Engine for Softwar Co mp one nts . Procee din g s o f  the F ourth Internati o n a C onfere n ce o n  Comp uter and  Information   T e chnolog y. 2 004; 4: 86 3-86 8.  [10]   Hsi-Ch en Ch ang,  C h i un-C h ie h Hsu.  Usi ng T o p i c Key w ord Clusters  for Auto mati c Docu me n t   Clusteri n g . Procee din g s of the T h ird Internatio nal  C onf erenc e on Informatio n  T e chnol og y an d   Appl icatio ns. 2 005; 1: 41 9-42 4.  KBS 1  Intelligent Interfa c KBS 2  KBS 3  KBS 4  KBS 5 KBS 1 KBS 2 KBS 3  KBS 4  KBS 5 Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Intelligent Interface for a K nowl edge -b a s ed System  (Nyom an Bogi  Aditya Karna )   1103 [11]    Li-Ch un Su ng,  Chin- H w a  K uo,  Meng Ch an g Che n , Yeal i Su n.  Progressiv e  Analys is Sche me for W e b   Document Classification . Proceedings  of the 20 05 IEEE/WIC/ACM Internat ional Conference on  Web  Intelli genc e. 20 05: 606- 60 9.  [12]   Shuch ao W an,  Jun W e i, Jing yu S ong, H eqi ng Gua n Dev e lo pin g  a Sel e ction Mod e l fo r Interactive   W eb Services IEEE Internatio nal C onfere n ce  on Web  Servic es. Chica go. 2 006: 23 1-2 38.   [13]    Chie Chi n  C h en, Ya o-T s ung  Ch en, Me ng  C han C h e n . 20 07. An  Agi n g  T heor y f o r Eve n t  Life-C ycl e   Mode lin g.  IEEE Transactions  on Systems,  Man, and Cyb e rnetics – Part  A: Sys t ems a nd Hu ma ns 200 7; 37(2): 23 7-24 8.  [14]   Jun W ang, L i  Z ou, Hong P e ng, Gexian g Z han g. An Exte nde d Spik ing  Neur al P S y st em for F u zz Kno w l e d ge Re prese n tatio n Internati o n a l J o urna l of In nova t ive Co mputi n g ,  Informati on  a nd C ontro l,   ICIC International . 20 11; 7(7( A)): 3709– 37 2 4 [15]    Manis h  Jos h i,  Viren d ra B hav sar, Haro ld B o l e y .   A K now le d ge R epr esenta t ion Mo de l for  Matchmaki n g   Systems i n  e -Marketpl aces .  Procee di ngs  of the 1 1 th  Inter natio na l  Confer enc on El ectron ic  Commerce. 2 0 09: 362- 36 5.  [16]    R. Mohame d , J. W a tada.  Evidenc e T heory  Based K now le dge R epr esent ation . Proc eed ings of t h e   13th Inter nati o nal  Co nfere n c e  o n  Informati o n  Int egr atio n a nd W e b-bas ed  App licati ons  a nd S e rvices.   201 1: 74-8 1 [17]    Jian gna n Qiu,  Yunj ie D u , Ya nzha ng W a ng.   Extraction a n d  Re prese n tati on of F eat ure  Events bas ed   on a Kn ow led g e  Mode l . IEEE/WIC/ACM Internatio nal  Conf erenc on Web I n telli ge nce a n d  Intellig ent   Agent T e chnol og y. S y dne y. 2 008: 21 9-2 22.   [18]   Craig  Schlenoff,  Sebt i Foufou, Stephen Balakirsk y P e rfor ma nce Ev alu a t i on  of Ro botic  Know led g e   Repr esentati o n  (PERK) . Proceed ings  of the W o rksh op  on Perform a nce Metrics f o r Intelli ge nt   S y stems. Mar y lan d . 201 2: 1-8 .   [19]    YAN Lei, W A NG Xin y i n g, DONG Junlei.  A Pow e r Grid Know ledg e R epres entati on  Using A gent- base d  Kn ow le dge  Re pres ent ation  in  Perv a s ive C o mp utin g . T he 2n d IE EE Internati o n a l C onfer enc on Informatio n   Mana geme n t a nd Eng i n eer i n g  (ICIME). Chengdu. 20 10: 29 7 - 300.   [20]    Jun  Xu, Yo ng h u i Y ao, T ao P e i, C han gq ing   Yao.  Geo g ra p h ic K now le dge  Map  an d Its  Appl icatio in   Seis mic K now l edg e R epres e n tation 17th In ternatio nal  Co n f erence  on  Ge oinform a tics. F a irfa x. 20 09:   1-5.  [21]    Z e ti Darle e n a   Eri, Rusli A b d u llah, Ma rz an ah  A. Jabar, Mas r ah Azrifa h, Azmi Murad.  Ont o lo gy-bas ed   Know led ge M o del f o r Virtu a Co mmun ities  Profile . Ma la ys ian  Co nferenc e in  Soft w a r e   Engi neer in g   (M y SEC). Joh o r  Baru. 2011: 5 08-5 11.   [22]   Che n ji an  Ha o.  Research o n  Know led ge Mo del for Ontolo gy-Base d  Kno w ledge Bas e . Internationa Confer ence  on  Business C o m putin g an d Glo bal Informatiz a tion. Shan gh ai.  2011: 3 97-3 9 9 .   [23]    Li Z h ipi ng a nd  Sun Yu.  A F o rma l  Mod e l of Know led ge Bas e  Systems in I n telli ge nt T u toring Syste m s Internatio na C onfere n ce on Comp utation a l Intelli genc e a n d  Soft w a re  En gin eeri ng. W u h an. 2 009:  1- 4.  [24]    Jian hui Sh i, Xi aomi ng C h i,  Lihu a Liu.  D e sig n  of a Dyna mic Co ll ab orative L earn i ng Oriente d   Know led ge M o del . Inform atio n T e chnol og and Artific i al  In tellig enc e C onf erenc e (IT A IC). Chon gq ing.   201 1: 385- 388.   [25]    Chu an Z h a ng,  Xi angs he ng  Yang, Sh imin  Du.  A Distri buted K now le dge Mo de l fo r Know led g e   Mana ge me nt System . W i C O M 2008: Internati ona l Co nferenc e on  W i reless Com m unic a tions,   Net w orki ng a n d  Mobi le Com p uting. Da lia n. 2 008: 1-4.   [26]    Chin-B in  W a n g , Yuh-M i Ch en, Yu h-Z e n   Che n A D i stri buted  Kn ow led ge M ode l for   Coll ab orative   Engi neer in g K now led ge Ma n age ment in A l l i ed C onc urrent  Engi neer ing . Internatio na E ngi neer in Mana geme n t Confer ence (I E M C). 2002: 70 1-70 2.  [27]    Chu ng-Yi H u a ng an d Run g - C hin g  Ch en.  Theses Clust e r  Based on B ilin gu al an d Synony mous   Keyw ord sets Using Mutua l  Informatio n . Procee din g s o f  the Eight  Internatio nal C o nferenc e on   Machi ne Le arn i ng a nd C y b e rn etics. Baodi ng.  2009: 2 999- 30 04.   [28]    D.S. Kala na  Mend is, Asoka  S. Karu n a n a nda, U. S a ma ratung a, U. R a tna y ak e.  Ta cit Kn o w l e dge  Modeling in Intellige nt Hybr id system s . Internati o n a l C onfere n ce o n  Industrial a n d  Information   S y stems, ICIIS. Penade ni ya.  200 7: 279- 284.   [29]    T ony  Vea l e an Yanfe n   H ao.   A F l uid K now l edg e Re pres e n tation for  Un d e rstand ing  an d  Generati ng  Creativ e Metaph ors . COLING ' 08: Proceed ings of  t he 22n d Internati ona l Co nferenc e on   Comp utation a l Lin guist ics. 20 08: 945- 95 2.  [30]   Agnar  A a modt . A Know ledg e  Repres entati o n System for I n tegrati on of  Genera l  an Case-S pecific   Know led g e . 6t h Internati o n a Confer ence  on  T ools  w i t h   Arti ficial Inte lli ge nc e. Ne w  Orl ean s.1994:  836- 839   [31]    Nho n  V. Do.  Mode l for Kn o w l e d ge B a ses  of Comp utatio nal Ob jects.  IJCSI International Journal of   Co mp uter Scie nce Issues . 20 10; 7(3): 11-2 0 .   [32]    Hu-Ch en L i u, Qing-L i an L i n, Lin g - X ia ng Ma o,  Z h i-Ying Z h ang. D y n a mic Adaptiv e F u zzy Petri Nets fo r   Kno w l e d ge R e prese n tatio n  a nd Re ason in g.  IEEE Transactions on Syste m s, Man, and  Cyber netics:  System s . 20 13 ; 43(6): 139 9-1 410.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4:  109 6 – 1104   1104 [33]    Hu-Ch en  Liu,  Lon g Li u, Qin g -Li an L i n, Na Liu. Kn o w l e dge Ac quis i tio n  an d Re pres entatio n Usi n g   F u zz y  Ev ide n t i al  Reas on ing  an d D y n a mi c Ada p tive F u zz y Petri  Ne ts.  IEEE Transactions  on  Cyber netic s. 2 013; 43( 3): 105 9-10 72.   [34]    Rob e rt Harriso n, Christin e W .  Chan.  A T o o l  for Dyna mic Kn ow ledg e Mod e l i ng . 6th IEEE International  Confer ence  on  Cogn itive Infor m ati cs (ICCI' 07). Lake T ahoo. 200 7: 513- 521.   [35]    Nho n  V. Do, H i en  D. Ng u y en.   A Know le dg Mode l a bout R e lati ons  and  A pplic atio n . ISSDM 20 12  :   6th Intern ation a l C onfere n ce  on N e w  T r en ds in  Inf o rmati on Sci enc e, Service Sc ienc e  and  Dat a   Minin g . T a ipei. 201 2: 707- 710.   [36]    Guoha i Z han g,  Yushe ng L i . Multipl e  Disc i pl ines  Pro duct D e sig n  Kno w l e d ge Re pres enta t ion Strateg y   Based  on On tolog y   and S e mantic N e t w ork.  T E LKOMNIKA Indon es ian J ourn a l o f  Electrica l   Engi neer in g.  2013; 11( 10): 60 74-6 079.   [37]    Li Yue- xin, Ho ng Z ong- xian g.  Researc h  of Semantic N e t w o r k Kno w l edg e Repr esentati o n  and Quer Algorit hm bas e d  on  Rel a tio n a l  Mod e l.  T E LK OMNIKA Indo nesi an Jo urn a l   of Electrica l   Engi neer in g.   201 3; 11(1 1 ): 6591- 659 9.   Evaluation Warning : The document was created with Spire.PDF for Python.