Representasi Pengetahuan Tak Lengkap dan Ketidakpastian

Ketidakpastian dan Probabilitas Dalam AI

Dalam dunia nyata, pengetahuan tidak selalu lengkap dan pasti. Sistem Kecerdasan Buatan (AI) sering berhadapan dengan informasi yang ambigu, tidak akurat, atau parsial, misalnya:

• Sensor robot yang menghasilkan data tidak stabil,
• Gejala medis yang tumpang tindih antar penyakit,
• Bahasa alami yang memiliki banyak makna ganda,
• Keputusan bisnis dengan data ekonomi yang tidak menentu.

Oleh karena itu, AI harus memiliki kemampuan berpikir di bawah ketidakpastian (reasoning under uncertainty) yaitu membuat keputusan yang paling rasional meskipun informasi tidak sempurna.

Ketidakpastian adalah kondisi ketika sistem tidak memiliki informasi lengkap atau pasti untuk membuat keputusan yang akurat. Dengan kata lain, sistem tidak tahu dengan pasti apakah suatu pernyataan benar atau salah, tetapi memiliki tingkat keyakinan (degree of belief) tertentu.

Teorema Bayes dan Inferensi Probabilistik

Dalam kecerdasan buatan (AI), sistem seringkali harus mengambil keputusan berdasarkan bukti yang tidak pasti. Misalnya, sistem pakar medis harus memperkirakan penyakit paling mungkin berdasarkan gejala yang muncul. Untuk mengatasi kondisi seperti ini, AI menggunakan Teorema Bayes (Bayes’ Theorem) sebagai dasar penalaran probabilistik (probabilistic inference). Tujuan utamanya adalah memperbarui tingkat keyakinan terhadap suatu hipotesis berdasarkan bukti baru (evidence) yang diperoleh.