Representasi Pengetahuan Tak Lengkap dan Ketidakpastian
AI sering berhadapan dengan informasi yang tidak lengkap, ambigu, atau tidak pasti (misal: sensor robot tidak stabil, gejala medis tumpang tindih). Ketidakpastian adalah kondisi di mana sistem tidak tahu pasti kebenaran suatu pernyataan, hanya memiliki tingkat keyakinan tertentu. Penyebabnya meliputi data tidak lengkap, ambiguitas, noise, model tidak sempurna, dan keterbatasan bahasa alami.
Strategi penanganan meliputi probabilitas, logika fuzzy, teori Dempster-Shafer, Bayesian Networks, dan Certainty Factor. Pendekatan probabilistik menjadi fokus utama—probabilitas adalah angka 0-1 yang menyatakan kemungkinan terjadinya peristiwa, dengan aturan dasar seperti komplementer, gabungan, bersyarat, dan Teorema Bayes yang digunakan untuk memperbarui keyakinan berdasarkan bukti baru.
Teorema Bayes dan Inferensi Probabilistik
Teorema Bayes menghitung probabilitas hipotesis (H) berdasarkan bukti (E) yang diketahui. Digunakan untuk memperbarui tingkat keyakinan ketika ada informasi baru. Contoh: dokter awalnya memperkirakan kemungkinan pasien flu 10%, setelah mengetahui pasien demam (dengan data kemungkinan demam jika flu 90% dan demam secara umum 30%), keyakinan meningkat menjadi 30%.
