Kecerdasan buatan simbolik merupakan pendekatan dalam penelitian kecerdasan buatan yang berfokus pada representasi pengetahuan melalui simbol, aturan logis, dan manipulasi struktur formal. Pendekatan ini berkembang sejak 1950-an dan 1960-an, ketika para peneliti berupaya membangun sistem yang dapat melakukan penalaran eksplisit seperti manusia. Pendekatan simbolik sering disebut sebagai GOFAI atau Good Old-Fashioned Artificial Intelligence karena menjadi paradigma dominan selama beberapa dekade awal perkembangan kecerdasan buatan, Pada masa tersebut, kecerdasan buatan simbolik dianggap sebagai jalur utama menuju sistem yang mampu berpikir dan menyelesaikan masalah kompleks melalui representasi pengetahuan yang terstruktur.^[1]

Kecerdasan buatan simbolik didasarkan pada anggapan bahwa proses kognitif manusia dapat diuraikan dalam bentuk manipulasi simbol yang mengikuti aturan logis. Salah satu fondasi teoretis pendekatan ini adalah hipotesis sistem fisik simbolik yang dikemukakan oleh Newell dan Simon (1976), yang menyatakan bahwa segala bentuk kecerdasan dapat dimodelkan sebagai proses manipulasi simbol. Sistem simbolik menggunakan representasi eksplisit berupa pohon keputusan, aturan produksi, jaringan semantik, logika predikat, dan struktur pengetahuan lain yang dapat diproses melalui algoritma pencarian.^[2]

Pendekatan ini memandang penalaran sebagai rangkaian transformasi logis yang dapat diikuti secara deterministik untuk mencapai kesimpulan tertentu. Struktur semacam ini memungkinkan sistem menjelaskan langkah-langkah pengambilan keputusan, sehingga memberikan tingkat transparansi yang sulit dicapai oleh model statistik modern. Prinsip-prinsip ini direpresentasikan dalam berbagai karya seperti Russell dan Norvig (2010), yang menempatkan kecerdasan buatan simbolik sebagai salah satu pilar utama AI klasik.^[3]

Perkembangan awal kecerdasan buatan simbolik telah menghasilkan berbagai sistem yang dianggap sebagai terobosan pada masanya. Sistem seperti General Problem Solver (GPS) dan Logic Theorist merupakan contoh dari kemampuan komputer dalam memanipulasi struktur simbolik untuk menyelesaikan persoalan. Pada era tersebut, peneliti berpendapat bahwa pengembangan aturan yang semakin banyak akan mendekatkan sistem pada kecerdasan tingkat manusia, sebagaimana dibahas oleh Nilsson (1998)^[4].

Namun, antusiasme tersebut mulai menurun setelah ditemukan bahwa pendekatan simbolik memiliki keterbatasan signifikan dalam menghadapi ketidakpastian dan dinamika dunia nyata. Lighthill Report (1973) mengkritik keras kemampuan pendekatan simbolik dalam menyelesaikan masalah nyata yang tidak terstruktur, sehingga memengaruhi kebijakan penelitian dan pendanaan di Inggris dan beberapa negara lain.^[5]

Puncak kecerdasan buatan simbolik terjadi pada 1970–1980-an melalui pengembangan sistem pakar. Sistem ini menggunakan basis pengetahuan dan seperangkat aturan yang dirancang oleh pakar manusia untuk menyelesaikan masalah spesifik. Feigenbaum (1977) menegaskan bahwa sistem pakar merupakan bentuk penerapan paling nyata dari kecerdasan buatan simbolik, karena menggabungkan prosedur penalaran dengan pengetahuan domain yang terperinci.^[6]

Keberhasilan awal sistem pakar dalam bidang medis dan industri mendorong gelombang besar investasi dan riset. Namun, kesulitan dalam memperbarui aturan, keterbatasan dalam menangani data tak lengkap, serta tingginya biaya pemeliharaan menyebabkan banyak sistem pakar gagal bertahan dalam aplikasi jangka panjang. Masalah ini juga disebutkan secara luas dalam kajian Buchanan dan Shortliffe (1984) yang menggambarkan tantangan teknis yang melekat pada pendekatan simbolik.^[7]

Kecerdasan buatan simbolik menghadapi hambatan utama ketika sistem harus menangani ketidakpastian, ambiguitas, dan keragaman data dunia nyata. Representasi simbolik cenderung bersifat rapuh dan sulit beradaptasi dengan situasi baru tanpa intervensi manusia. Hal ini menjadi alasan mengapa banyak peneliti kemudian beralih pada pendekatan statistik dan pembelajaran mesin pada 1990-an. Masalah lain muncul dalam skala dan kompleksitas. Sistem simbolik memerlukan basis aturan yang sangat besar untuk mencakup berbagai keadaan, dan jumlah aturan ini bertambah secara eksponensial seiring meningkatnya kompleksitas domain. Kritik terhadap pendekatan ini semakin kuat ketika metode pembelajaran komputasional mulai menunjukkan kinerja yang lebih baik dalam mengenali pola tanpa perlu aturan eksplisit.^[8]

1. ^ Crevier, D. (1993). AI: The Tumultuous History of the Search for Artificial Intelligence. Basic Books.
2. ^ Newell, Allen; Simon, Herbert A. (1976-03-01). "Computer science as empirical inquiry: symbols and search". Commun. ACM. 19 (3): 113–126. doi:10.1145/360018.360022. ISSN 0001-0782.
3. ^ Russell, S., & Norvig, P. (2010). Artificial Intelligence: A Modern Approach. Prentice Hall.
4. ^ "Artificial Intelligence: A New Synthesis". ScienceDirect (dalam bahasa Inggris). Diakses tanggal 2025-11-18.
5. ^ Lighthill, J. (1973). Artificial Intelligence: A General Survey. Science Research Council.
6. ^ Felgenbaum, Edward A. (1977-08-22). "The art of artificial intelligence: themes and case studies of knowledge engineering". Proceedings of the 5th international joint conference on Artificial intelligence - Volume 2. IJCAI'77. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc.: 1014–1029. doi:10.5555/1622943.1623042.
7. ^ Grosan, Crina; Abraham, Ajith (2011). Grosan, Crina; Abraham, Ajith (ed.). Rule-Based Expert Systems (dalam bahasa Inggris). Berlin, Heidelberg: Springer. hlm. 149–185. doi:10.1007/978-3-642-21004-4_7. ISBN 978-3-642-21004-4.
8. ^ Pattern Recognition and Machine Learning (dalam bahasa Inggris).