Teknik Pembangunan Game AI
Teknik Pembangunan Game AI
Game adalah permainan komputer yang dibuat dengan teknik dan metode animasi. Permainan game merupakan bidang AI yang sangat populer berupa permainan antara manusia melawan mesin yang mempunyai intelektual untuk berpikir. Komputer dapat bereaksi dan menjawab tindakan-tindakan yang diberikan oleh lawan mainnya.
Salah satu komputer yang ditanamkan AI untuk game bernama Deep Blue. Deep Blue adalah sebuah komputer catur buatan IBM pertama yang memenangkan sebuah permainan catur melawan seorang juara dunia (Garry Kasparov) dalam waktu standar sebuah turnamen catur. Kemenangan pertamanya (dalam pertandingan atau babak pertama) terjadi pada 10 Februari 1996, dan merupakan permainan yang sangat terkenal.
Kini telah banyak berkembang game AI yang semakin menarik, interaktif, dan dengan grafis yang sangat bagus. Ditambah dengan kemajuan teknologi jaringan komputer yang semakin cepat, sudah banyak terdapat game-game AI yang berbasiskan online. Tidak sedikit orang yang tertarik dengan game saat ini. Mereka memainkan game untuk mengisi kekosongan waktu mereka atau pun melatih skill mereka dalam berpikir.
Game adalah permainan komputer yang dibuat dengan teknik dan metode animasi. Permainan game merupakan bidang AI yang sangat populer berupa permainan antara manusia melawan mesin yang mempunyai intelektual untuk berpikir. Komputer dapat bereaksi dan menjawab tindakan-tindakan yang diberikan oleh lawan mainnya.
Salah satu komputer yang ditanamkan AI untuk game bernama Deep Blue. Deep Blue adalah sebuah komputer catur buatan IBM pertama yang memenangkan sebuah permainan catur melawan seorang juara dunia (Garry Kasparov) dalam waktu standar sebuah turnamen catur. Kemenangan pertamanya (dalam pertandingan atau babak pertama) terjadi pada 10 Februari 1996, dan merupakan permainan yang sangat terkenal.
Kini telah banyak berkembang game AI yang semakin menarik, interaktif, dan dengan grafis yang sangat bagus. Ditambah dengan kemajuan teknologi jaringan komputer yang semakin cepat, sudah banyak terdapat game-game AI yang berbasiskan online. Tidak sedikit orang yang tertarik dengan game saat ini. Mereka memainkan game untuk mengisi kekosongan waktu mereka atau pun melatih skill mereka dalam berpikir.
1.1 Movement
Komputer sebagai alat untuk pemindahan data yaitu untuk pemindahan data yang telah dibuat dan akan bisa membuka kembali file yang telah kita buat dengan cara mengcopy paste file yang telah kita buat. Contohnya dari keyboard ke layar monitor. Dalam game, movement adalah metode yang menekankan konsep gerak tubuh, meliputi konsep kesadaran tubuh, konsep usaha, konsep ruang, dan konsep keterhubungan.
1.2 Pathfinding
Pencarian jalur (pathfinding) merupakan bagian dari medel AI. Algoritma pathfinding menggunakan ‘Directed Non-Negative Weighted Graph’. Algoritma seperti Dijkstra dan A* menggunakan struktur data graf . Graf digunakan untuk menggambarkan jalur yang dapat diambil pada sebuah geometri ruang.
1.3 Pengambilan Keputusan
pengambilan keputusan adalah suatu proses pemilihan dari berbagai alternatif baik kualitatif maupun kuantitatif untuk mendapat suatu alternatif terbaik guna menjawab masalah atau menyelesaikan konflik (pertentangan).
Proses penurunan suatu keputusan mengandung empat unsur, yaitu :
§ Model : Model menunjukkan gambaran suatu rnasalah secara kuantitatif atau kualitatif.
§ Kriteria: Kriteria yang dirumuskan menunjukkan tujuan dari keputusan yang diambil. Jika terdapat beberapa kriteria yang saling bertentangan, maka pengambilan keputusan harus melalui kompromi (misalnya menambah jasa langganan dan mengurangi persediaan, maka keputusan mana yang diambil perlu kompromi).
§ Pembatas: Faktor-faktor tambahan yang perlu diperhatikan dalam memecahkan masalah pengambilan keputusan. Misalnya dana yang kurang tersedia.
§ Optimalisasi: Apabila masalah keputusan telah diuraikan dengan sejelas jelasnya, maka manajer menentukan apa yang diperlukan (kriteria) dan apa yang diperbolehkan (pembatas). Pada keadaan ini pengambil keputusan siap untuk memilih pemecahan yang terbaik atau yang optimal.
Proses Pengambilan Keputusan
§ Penyelidikan: Mempelajari lingkungan atas kondisi yang memerlukan keputusan. Data mentah diperoleh, diolah, dan diuji untuk dijadikan petunjuk yang dapat mengidentifikasi persoalan.
§ Perancangan: Mendaftar, mengembangkan, dan menganalisis arah tindakan yang mungkin. Hal ini meliputi proses-proses untuk memahami persoalan, menghasilkan pemecahan, dan menguji kelayakan pemecahan tersebut.
§ Pemilihan: Memilih arah tindakan tertentu dari semua yang ada. Pilihan ditentukan dan dilaksanakan.
Jadi, proses keputusan dapat dianggap sebagai sebuah arus dari penyelidikan sampai perancangan dan kemudian pada pemilihan. Tetapi pada setiap tahap hasilnya mungkin dikembalikan ke tahap sebelumnya untuk dimulai lagi. Jadi tahapan tersebut merupakan unsur-unsur sebuah proses yang berkesinambungan.
Teori Pengambilan Keputusan
Teori pengambilan keputusan menekankan bahwa terdapat tujuh langkah yang harus ditempuh, yaitu:
1. Identifikasi permasalahan yang dihadapi
Ada ungkapan yang mengatakan bahwa suatu “permasalahan yang sudah dikenali hakikatnya dengan tepat sesungguhnya sudah separo terpecahkan.” Ungkapan ini mempunyai tiga implikasi, yaitu:
§ Bahwa mutlak perlu mengenali secara mendasar situasi problematik yang menimbulkan ketidakseimbangan dalam kehidupan organisasi atau perusahaan.
§ Pengenalan secara mendasar berarti “akar” penyebab timbulnya ketidakseimbangan harus digali sedalam-dalamnya.
§ Mengambil keputusan tidak boleh puas hanya dengan diagnosis gejala-gejala yang segera tampak. Jika hanya gejala yang diidentifikasikan, sangat mungkin “terapinya” pun hanya mampu menghilangkan gejala tersebut. Padahal yang harus dihilangkan adalah “sumber penyakitnya”.
2. Pengumpulan data
Berangkat dari pandangan bahwa pengambilan keputusan memerlukan dukungan informasi yang lengkap, mutakhir, dapat dipercaya, dan diolah dengan baik. Berarti bahwa dalam pengumpulan data ada tiga hal yang mutlak mendapat perhatian, yaitu:
§ Pentingnya menggali data dari semua sumber yang layak digali, baik secara internal maupun secara eksternal. Dari segi inilah harus dilihat pentingnya akses bagi para pengolah data terhadap semua sumber data.
§ Pentingnya untuk menjamin bahwa data yang dikumpulkan relevan dengan permasalahan yang hendak diatasi.
§ Bahwa mutu data yang dikumpulkan haruslah setinggi mungkin sehingga informasi yang dihasilkan akan bermutu tinggi pula.
3. Analisis data
Analisis data harus mampu menunjukkan berbagai alternatif yang mungkin ditempuh untuk memecahkan masalah. Oleh karena itu, analisis data diarahkan pada pembentukan persepsi yang sama diantara berbagai pihak tentang arti data yang dimiliki, dengan demikian memberikan interpretasi yang sama tentang data tersebut.
4. Analisis berbagai alternatif
Salah satu tantangan yang dihadapi dalam mengambil keputusan ialah menemukan jawaban yang paling tepat terhadap pertanyaan: Apakah dalam mengambil keputusan harus selalu terdapat berbagai alternatif? Pertanyaan ini penting karena jika seorang pengambil keputusan dihadapkan kepada hanya satu alternatif dan ia memutuskan untuk menggunakan alternatif tersebut, yang bersangkutan sudah mengambil keputusan. Bahkan teori pengambilan keputusan mengatakan bahwa jika seseorang memutuskan untuk tidak mengambil keputusan, tindakannya itu adalah pengambilan keputusan juga.
5. Pemilihan alternatif
Jika dilakukan dengan cermat, analisis berbagai alternatif akan “memberi petunjuk” tentang alternatif yang sebaiknya digunakan karena akan membuahkan solusi yang paling efektif. Alternatif di pilih dengan demikian, merupakan alternatif yang tampaknya paling baik. Pengalaman mengambil keputusan di masa lalu dan keyakinan bahwa keputusan yang diambil adalah keputusan yang terbaik.
6. Implementasi (pelaksanaan)
Apakah alternatif yang dipilih merupakan pilihan yang terbaik atau tidak diuji pada waktu digunakan dalam arti mampu tidaknya menghilangkan situasi permasalahan dan apakah permasalahan yang dihadapi tersebut dapat dipecahkan secara efektif atau tidak.
7. Evaluasi (penilaian)
Hasil pelaksanaan memerlukan penilaian yang objektif, rasional dan berdasarkan tolok ukur yang baku. Seperti dimaklumi, hasil penilaian dapat menunjukkan bahwa hasil yang di capai melampaui harapan, sekedar sesuia dengan sasaran atau kurang dari sasaran. Kesemuanya itu menjadi bahan penting dalam mengelola organisasi atau perusahaan di masa depan.
1.4 Taktik dan strategi AI
AI dalam game biasanya memiliki kecepatan dalam taktik bermain sehingga mengharuskan pemain untuk berfikir lebih cepat untuk menyusun strategi terbaik agar dapat memperoleh skor yang maksimal. Kecerdasan buatan merupakan kecerdasan yang ditujukan oleh suatu entitas buatan, yang diciptakan dan diterapkan kedalam sebuah mesin (komputer) sehingga dapat melakukan perbuatan seperti manusia. Strategi dalma gamepun bervariasi. Salah satunya adalah dalam game Othello yaitu strategi bermain reversy, sperti jumlah pin, penguasaan sudut/x-square/c-square, jumlah pin stabil, mobility, jumlah pin tepi, parity, dan pola sisi/sudut.
1.5 Pembelajaran
Machine learning adalah teknik AI yang berkaitan dengan pembelajaran data dan menggunakannya untuk memprediksi informasi yang ada di dunia.
Machine learning dibangun dengan menggunakan algoritma. Rangkaian instruksi ini akan menyelesaikan suatu permasalahan. Contoh algoritma yang dimaksud adalah decision tree learning dan association rule learning.
Namun, algoritma machine learning yang berperan dalam kehidupan di dunia adalah jaringan saraf buatan, suatu teknik yang terinspirasi oleh cara kerja neuron otak manusia.
Sederhananya begini: suatu jaringan saraf terdiri dari beberapa lapisan neuron. Input masuk melalui lapisan pertama. Tiap neuronnya menerima input, sehingga setiap neuron memiliki muatan, dan menghasilkan output berdasarkan muatan mereka. Output dari lapisan pertama kemudian didistribusikan ke lapisan kedua untuk diproses, dan begitu seterusnya hingga output akhir dapat dihasilkan.
Kemudian hal menarik pun terjadi. Siapapun yang menjalankan jaringan dapat mendefinisikan seperti apa output akhir yang “benar” seharusnya. Setiap kali data didistribusikan melalui jaringan tersebut, hasil akhirnya dibandingkan dengan hasil yang “benar”, dan sejumlah penyempurnaan akan dilakukan hingga tercipta outputakhir yang benar. Dengan kata lain, jaringan tersebut mampu melatih dirinya sendiri.
Otak buatan ini dapat mempelajari bagaimana cara mengidentifikasi banyak hal. Misalnya kursi dalam sebuah foto,. Seiring berjalannya waktu, ia dapat mempelajari karakteristik kursi tersebut, dan meningkatkan kemampuannya dalam mengidentifikasi benda tersebut.
https://bellavira.blogspot.co.id/2017/11/pertemuan-10-teknik-pembangunan-game-ai.html
Kecerdasan Buatan dan Permainan (AI and Games)
Kecerdasan
Buatan dan Permainan (AI and Games)
A. Kecerdasan Buatan vs. Game AI
Kecerdasan
Buatan atau kecerdasan yang ditambahkan kepada suatu sistem yang bisa
diatur dalam konteks ilmiah atau Intelegensi Artifisial (bahasa
Inggris: Artificial Intelligence atau hanya disingkat AI)
didefinisikan sebagai kecerdasan entitas ilmiah. Sistem seperti ini
umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin
(komputer) agar dapat melakukan pekerjaan seperti yang dapat
dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan
buatan antara lain sistem pakar, permainan
komputer (games), logika fuzzy, jaringan syaraf tiruan dan robotika.
Game adalah permainan komputer yang
dibuat dengan teknik dan metode animasi. Permainan game merupakan bidang AI
yang sangat populer berupa permainan antara manusia melawan mesin yang
mempunyai intelektual untuk berpikir. Komputer dapat bereaksi dan menjawab
tindakan-tindakan yang diberikan oleh lawan mainnya.
Salah satu komputer yang ditanamkan
AI untuk game bernama Deep Blue. Deep Blue adalah
sebuah komputer catur buatan IBM pertama yang memenangkan sebuah
permainan catur melawan seorang juara dunia (Garry Kasparov) dalam waktu
standar sebuah turnamen catur. Kemenangan pertamanya (dalam pertandingan atau
babak pertama) terjadi pada 10 Februari 1996 dan merupakan permainan
yang sangat terkenal.
Kini telah banyak berkembang game AI
yang semakin menarik, interaktif, dan dengan grafis yang sangat bagus. Ditambah
dengan kemajuan teknologi jaringan komputer yang semakin cepat, sudah banyak
terdapat game-game AI yang berbasiskan online. Tidak sedikit orang yang
tertarik dengan game saat ini. Mereka memainkan game untuk mengisi kekosongan
waktu mereka atau pun melatih skill mereka dalam berpikir.
B. Mode Game AI
Salah satu unsur yang berperan
penting dalam sebuah game adalah kecerdasan buatan. Dengan kecerdasan buatan,
elemen-elemen dalam game dapat berperilaku sealami mungkin layaknya manusia.
Game AI adalah aplikasi untuk
memodelkan karakter yang terlibat dalam permainan baik sebagai lawan, ataupun
karakter pendukung yang merupakan bagian dari permainan tetapi tidak ikut
bermain (NPC = Non Playable Character). Peranan kecerdasan buatan dalam hal
interaksi pemain dengan permainan adalah pada penggunaan interaksi yang
bersifat alami yaitu yang biasa digunakan menusia untuk berinteraksi dengan
sesama manusia. Contoh media interaksi ialah:
·
Penglihatan (vision)
·
Suara (voice), ucapan (speech)
·
Gerakan anggota badan ( gesture)
Untuk
pembentukan Artificial Intelligence pada game ternyata digunakan pula
algoritma, yaitu jenis pohon n-ary untuk suatu struktur. Implementasi pohon
(tree) ini biasa disebut game tree. Berdasarkan game tree inilah sebuah game
disusun algoritma kecerdasan buatannya. Artificial intellegence yang disematkan
dalam sebuah game yang membentuk analisis game tree biasanya merepresentasikan
kondisi atau posisi permainan dari game sebagai suatu node, dan
merepresentasikan langkah yang mungkin dilakukan sebagai sisi berarah yang
menghubungkan node kondisi tersebut ke anak (child) sebagaimana representasi
suatu pohon (tree).
Namun,
biasanya representasi langsung tersebut mempunyai kelemahan, yaitu representasi
data pohon akan menjadi sangat lebar dan banyak. Mungkin bagi sebuah mesin
komputer mampu melakukan kalkulasi sebanyak apapun masalah, namun game tree
yang lebar dan besar memberikan beberapa masalah, antara lain konsumsi proses
memori, kapasitas penyimpanan yang cukup besar dan kinerja yang kurang pada
konsol game berspesifikasi rendah. Karena itu dibentuklah beberapa algoritma
dan penyederhanaan bagi sebuah game tree.
Pada
salah satu contoh game klasik, yaitu tic tac toe, penyederhanaan dapat
dilakukan dengan berbagai metode. Salah satu diantaranya adalah minimax. Metode
ini berhasil diterapkan dan memberikan nilai reduksi yang cukup signifikan. Dan
tidak hanya bisa digunakan secara monoton, minimax juga bisa digunakan untuk
game-game yang lebih rumit seperti catur, tentunya dengan algoritma dan
representasi berbeda.
Minimax
yang merupakan salah satu metode penerapan (implementasi) pohon n-ary pada
suatu game, menandakan bahwa implementasi struktur (pohon khusunya) sangatlah
diperlukan pada pembuatan dan penerapan Artificial Intelligence, dan tidak
menutup kemungkinan ilmu dan metode baru yang lebih canggih akan ditemukan di
masa depan.
C. Algoritma, Struktur Data dan
Representasi
D. Kompleksitas Kesalahan
E. Jenis Game AI
Jenis-Jenis
Game
· Fun
Games : Permainannya seperti skate board, bilyard, catur, puzzle, tetris, golf,
Windows Entertainment Pack Games dan semua permainan yang animasinya sedikit
dan pembuatannya relatif mudah. Permainan semacam ini terlihat mudah dari segi
grafiknya tetapi biasanya sulit dalam algoritma.
· Arcade
Games :Semua permainan yang mudah dimengerti, menyenangkan dan grafiknya bagus
walau biasanya sederhana. Pengertian mudah dimengerti dan menyenangkan
dikarenakan permainan ini hanyalah berkisar pada hal-hal yang disenangi umum
seperti pukul memukul, tembak menembak, tusuk menusuk, kejar mengejar dan semua
yang mudah dan menyenangkan. Yang termasuk kedalam permainan jenis ini adalah
Prince of Persia, Street Fighter, Golden Axe, Grand Prix, Robocop.
·
Strategic
Games :Biasanya permainan strategi perang atau bisa juga permainan lain tetapi
tetap saja memerlukan strategi untuk memenangkannya seperti startegi bisnis dan
strategi politik.
·Adventure
Games : Terbagi atas tiga macam yaitu petualangan biasa (Multi Layered
Adventur), Dungeon-Underworld Adventure (3D Adventure) dan Roll Playing Game
Adventure. Grafik jenis permainan ini benar-benar sulit. Contoh beberapa
permainan jenis ini adalah Space Quest IV, Labyrinth of Word, War II dan
Diablo.
Simulation
Games :Dari semua jenis permainan yang ada, masing-masing memiliki tingkat
kesulitan dan kemudahannya, jika bukan algoritmanya maka akan mudah dalam hal
animasinya, akan tetapi games simulasi bisa disebut sebagai jenis permainan
yang paling sulit, baik algoritma pembuatannya maupun animasinya. Permainan
jenis ini juga yang paling membuat pusing dibandingkan dengan permainan jenis
lainnya.Algoritmanya sangat sulit sebab harus memperhitungkan semua kejadian
dalam kondisi sebenarnya. Berbagai efek animasi yang dibuat tidak cukup
bermodalkan ahli grafik dan algoritma saja, tetapi sedikitnya harus mengerti
persoalan matematika, teknik dan fisika. Contoh permainan jenis ini adalah
Stellar7, F-15 Strike Eagle, Flight Simulator 98, F-14 Tomcat, F-16 Falcon, Jet
Fighter.
F. Kecepatan dan Memori
G. AI Engine
Daftar pusataka
Pembelajaran /Learning
Pembelajaran dan pengamatan
Pembelajaran adalah proses interaksi peserta didik dengan
pendidik dan sumber belajar pada suatu lingkungan belajar yang meliputi guru
dan siswa yang saling bertukar informasi.
Pengamatan atau observasi adalah aktivitas terhadap suatu
proses atau objek dengan maksud merasakan dan kemudian memahami pengetahuan
dari sebuah fenomena berdasarkan pengetahuan dan gagasan yang sudah diketahui
sebelumnya, untuk mendapatkan informasi-informasi yang dibutuhkan untuk
melanjutkan suatu penelitian.
Bentuk pembelajaran
a. Menumbuhkan motivasi belajar anak
Motivasi berkaitan erat dengan emosi, minat, dan kebutuhan
anak didik. Upaya menumbuhkan motivasi intrinsik yang dilakukan guru adalah
mendorong rasa ingin tahu, keinginan mencoba, dan sikap mandiri anak didik.
Sedangkan bentuk motivasi ekstrinsik adalah dengan memberikan rangsangan berupa
pemberian nilai tinggi atau hadiah bagi siswa berprestasi dan sebaliknya.
b. Mengajak anak didik beraktivitas
Adalah proses interaksi edukaktif melibatkan intelek-emosional
anak didik untuk meningkatkan aktivitas sehingga motivasi akan meningkat.
Bentuk pelaksanaanya adalah mengajak anak didik melakukan aktivitas atau
bekerja di laboratorium, di kebun/lapangan sebagai bagian dari eksplorasi
pengalaman, atau mengalami pengalaman yang sam sekali baru.
c. Mengajar dengan memperhatikan perbedaan
individual
Proses kegiatan belajar mengajar dilakukan dengan memahami
kondisi masing-masing anak didik. Tidak tepat jika guru menyamakan semua anak
didik karena setiap anak didik mempunyai bakat berlainan dan mempunyai
kecepatan belajar yang bervariasi. Seorang anak didik yang hasil belajarnya
jelek dikatakan bodoh. Kemudian menyimpulkan semua anak didik yang hasil
belajarnya jelek dikatakan bodoh. Kondisi demikian tidak dapat dijadikan
ukuran, karena terdapat beberapa faktor penyebab anak memiliki hasil belajar
buruk, antara lain; faktor kesehatan, kesempatan belajar dirumah tidak ada,
sarana belajar kurang, dan sebagainya.
d. Mengajar dengan umpan balik
Bentuknya antara lain; umpan balik kemampuan prilaku anak
didik (perubahan tigkah laku yang dapat dilihat anak didik lainnya, pendidik
atau anak didik itu sendiri), umpan balik tentang daya serap sebagai pelajaran
untuk diterapkan secara aktif. Pola prilaku yang kuat diperoleh melalui
partisipasi dalam memainkan peran (role play).
e. Mengajar dengan pengalihan
Pengajaran yang mengalihkan (transfer) hasil belajar kedalam
situasi-situasi nyata. Guru memilih metode simulasi (mengajak anak didik untuk
melihat proses kegiatan seperti cara berwudlu dan sholat) dan metode proyek
(memberikan kesempatan anak untuk menggunakan alam sekitar dan atau kegiatan
sehari-hari untuk bertukar pikiran baik sesama kawan maupun guru) untuk pengalihan pengajaran yang bukan hanya
bersifat ceramah atau diskusi, tetapi mengedepankan situasi nyata.
f. Penyusunan pemahaman yang logis dan
psikologis
Pengajaran dilakukan dengan memilih metode yang proporsional.
Dalam kondisi tertentu guru tidak dapat meninggalkan metode ceramah maupun
metode pemberian tugas kepada anak didik. Hal ini dilakukan sesuai dengan
kondisi materi pelajaran.Pembelajaran Induktif
Pembelajaran induktif adalah sebuah pembelajaran yang bersifat langsung tapi sangat efektif untuk membantu siswa mengembangkan keterampilan berpikir tingkat tinggi dan keterampilan berpikir kritis. Model pembelajaran induktif adalah sebuah pembelajaran yang bersifat langsung tapi sangat efektif untuk membantu siswa mengembangkan keterampilan berpikir tingkat tinggi dan keterampilan berpikir kritis. Pada model pembelajaran induktif guru langsung memberikan presentasi informasi-informasi yang akan memberikan ilustrasi-ilustrasi tentang topik yang akan dipelajari siswa, selanjutnya guru membimbing siswa untuk menemukan pola-pola tertentu dari ilustrasi-ilustrasi yang diberikan. Model pembelajaran induktif dirancang berlandaskan teori konstruktivisme dalam belajar. Model ini membutuhkan guru yang terampil dalam bertanya (questioning) dalam penerapannya. Melalui pertanyaan-pertanyaan inilah guru akan membimbing siswa membangun pemahaman terhadap materi pelajaran dengan cara berpikir dan membangun ide. Tingkat keefektifan model pembelajaran induktif ini, jadinya-sangat tergantung pada keterampilan guru dalam bertanya dan mengarahkan pembelajaran, dimana guru harus menjadi pembimbing yang akan untuk membuat siswa berpikir.
Struktur sosial dalam pembelajaran menjadi ciri lingkungan kelas yang sangat dibutuhkan untuk belajar melalui model pembelajaran induktif. Model pembelajaran induktif mensyaratkan sebuah lingkungan belajar yang mana di dalamnya siswa merasa bebas dan terlepas dari resiko takut dan malu saat memberikan pendapat, bertanya, membuat konklusi dan jawaban. Mereka harus bebas dari kritik tajam yang dapat menjatuhkan semangat belajar.
Model ini dikembangkan atas dasar beberapa postulat sebagai berikut:
1. Kemampuan berpikir dapat diajarkan
2. Berpikir merupakan suatu transaksi aktif antara individu dengan data. Artinya, dalam seting kelas, bahan-bahan ajar merupakan sarana bagi siswa untuk mengembangkan operasi kognitif tertentu.
Dalam seting tersebut, dimana siswa belajar mengorganisasikan fakta ke dalam suatu sistem konsep,yaitu:
- Saling menghubung-hubungkan data yang diperoleh satu sama lain serta membuat kesimpulan berdasarkan hubungan-hubungan tersebut
- Menarik kesimpulan berdasarkan fakta-fakta yang telah diketahuinya dalam rangka membangun hipotesis,dan
- Memprediksi dan menjelaskan suatu fenomena tertentu. Guru, dalam hal ini, dapat membantu proses internalisasi dan konseptualisasi berdasarkan informasi tersebut
3. Proses berpikir merupakan suatu urutan tahapan yang beraturan (lawful). Artinya, agar dapat menguasai keterampilan berpikir tertentu, prasyarat tertentu harus dikuasai terlebih dahulu, dan urutan tahapan ini tidak bisa dibalik. Oleh karenanya, konsep tahapan beraturan ini memerlukan strategi mengajar tertentu agar dapat mengendalikan tahapan-tahapan tersebut.
Berpikir induktif melibatkan tiga tahapan yang dikembangkan tiga strategi cara mengajarkannya.
a. Konsep pembentukan (belajar konsep)
Tahap ini mencakup tiga langkah utama: item daftar (lembar, konsep), kelompok barang yang sama secara bersama-sama, beserta label tersebut (dengan nama konsep).
Langkah-langkah :
1. Membuat daftar konsep
2. Pengelompokkan konsep berdasarkan karakteristik yang sama
3. Pemberian label atau kategorisasi b. Interpretasi data Strategi
Keduanya merupakan cara mengajarkan bagaimana menginterpretasi dan menyimpulkan data. Sama halnya dengan strategi pertama (pembentukan konsep), cara ini dapat dilakukan dengan mengajukan pertanyaan-pertanyaan tertentu.
Langkah-langkah:
1. mengidentifikasi dimensi-dimensi danhubungan-hubungannya.
2. menjelaskan dimensi-dimensi danhubungan-hubungannya
3. Membuat kesimpulan c. Penerapan prinsip-prinsip
Strategi ini merupakan kelanjutan dari strategi pertama dan kedua. Setelah siswa dapat merumuskan suatu konsep, menginterpretasikan dan menyimpulkan data, selanjutnya mereka diharapkan dapat menerapkan suatu prinsip tertentu ke dalam suatu situasi permasalahan yang berbeda. Atau siswa diharapkan dapat menerapkan suatu prinsip untuk menjelaskan suatu fenomena baru.
Langkah-Langkah:
1. Membuat hipotesis, memprediksikonsekuensi
2. Menjelaskan teori yang mendukung hipotesis atau prediksi.
3. Menguji hipotesis/prediksi
Peran Guru Dalam Model Pembelajaran Induktif
Saat pembelajaran berlangsung dengan menggunakan model pembelajaran induktif, guru telah menyiapkan perangkat-perangkat yang akan membuat siswa beraktivitas dan mengobarkan semangat siswa untuk melakukan observasi terhadap ilustrasi-ilustrasi yang diberikan, melalui pertanyaan-pertanyaan yang diberikan oleh guru. Sekali lagi, diingatkan, bahwa model pembelajaran induktif memerlukan keterampilan bertanya yang bagus dari guru. Selain itu guru juga harus menjaga siswa agar perhatian mereka tetap pada tugas belajar yang diberikan, dan selalu menunjukkan ekspektasi positif terhadap pencapaian hasil belajar siswa-siswanya. Kesuksesan proses belajar mengajar dengan menggunakan model pembelajaran induktif juga bergantung pada contoh-contoh /ilustrasi yang digunakan oleh guru serta kemampuan guru membimbing siswa untuk melakukan analisis terhadap contoh/ilustrasi yang diberikan.
Kelebihan Model Pembelajaran Induktif
Kelemahan Model Pembelajaran Induktif
Tahap ini mencakup tiga langkah utama: item daftar (lembar, konsep), kelompok barang yang sama secara bersama-sama, beserta label tersebut (dengan nama konsep).
Langkah-langkah :
1. Membuat daftar konsep
2. Pengelompokkan konsep berdasarkan karakteristik yang sama
3. Pemberian label atau kategorisasi b. Interpretasi data Strategi
Keduanya merupakan cara mengajarkan bagaimana menginterpretasi dan menyimpulkan data. Sama halnya dengan strategi pertama (pembentukan konsep), cara ini dapat dilakukan dengan mengajukan pertanyaan-pertanyaan tertentu.
Langkah-langkah:
1. mengidentifikasi dimensi-dimensi danhubungan-hubungannya.
2. menjelaskan dimensi-dimensi danhubungan-hubungannya
3. Membuat kesimpulan c. Penerapan prinsip-prinsip
Strategi ini merupakan kelanjutan dari strategi pertama dan kedua. Setelah siswa dapat merumuskan suatu konsep, menginterpretasikan dan menyimpulkan data, selanjutnya mereka diharapkan dapat menerapkan suatu prinsip tertentu ke dalam suatu situasi permasalahan yang berbeda. Atau siswa diharapkan dapat menerapkan suatu prinsip untuk menjelaskan suatu fenomena baru.
Langkah-Langkah:
1. Membuat hipotesis, memprediksikonsekuensi
2. Menjelaskan teori yang mendukung hipotesis atau prediksi.
3. Menguji hipotesis/prediksi
Peran Guru Dalam Model Pembelajaran Induktif
Saat pembelajaran berlangsung dengan menggunakan model pembelajaran induktif, guru telah menyiapkan perangkat-perangkat yang akan membuat siswa beraktivitas dan mengobarkan semangat siswa untuk melakukan observasi terhadap ilustrasi-ilustrasi yang diberikan, melalui pertanyaan-pertanyaan yang diberikan oleh guru. Sekali lagi, diingatkan, bahwa model pembelajaran induktif memerlukan keterampilan bertanya yang bagus dari guru. Selain itu guru juga harus menjaga siswa agar perhatian mereka tetap pada tugas belajar yang diberikan, dan selalu menunjukkan ekspektasi positif terhadap pencapaian hasil belajar siswa-siswanya. Kesuksesan proses belajar mengajar dengan menggunakan model pembelajaran induktif juga bergantung pada contoh-contoh /ilustrasi yang digunakan oleh guru serta kemampuan guru membimbing siswa untuk melakukan analisis terhadap contoh/ilustrasi yang diberikan.
Kelebihan Model Pembelajaran Induktif
- Pada model pembelajaran induktif guru langsung memberikan presentasi informasi-informasi yang akan memberikan ilustrasi-ilustrasi tentang topik yang akan dipelajari siswa, sehingga siswa mempunyai parameter dalam pencapaian tujuan pembelajaran.
- Ketika siswa telah mempunyai gambaran umum tentang materi pembelajaran, guru membimbing siswa untuk menemukan pola-pola tertentu dari ilustrasi-ilustrasi yang diberikan tersebut sehingga pemerataan pemahaman siswa lebih luas dengan adanya pertanyaan-pertanyaan antara siswa denganguru
- Model pembelajaran induktif menjadi sangat efektif untuk memicu keterlibatan yang lebih mendalam dalam hal proses belajar karena proses tanya jawab tersebut.
Kelemahan Model Pembelajaran Induktif
- Model ini membutuhkan guru yang terampil dalam bertanya (questioning) sehingga kesuksesan pembelajaran hamper sepenuhnya ditentukan kemampuan guru dalam memberikan ilustrasi-ilustrasi.
- Tingkat keefektifan model pembelajaran induktif ini, jadinya-sangat tergantung pada keterampilan guru dalam bertanya dan mengarahkan pembelajaran, dimana guru harus menjadi pembimbing yang akan untuk membuat siswa berpikir
- Model pembelajaran ini sangat tergantung pada lingkungan eksternal, guru harus bisa menciptakan kondisi dan situasi belajar yang kondusif agar siswa merasa aman dan tak malu/takut mengeluarkan pendapatnya. Jika syarat-syarat ini tidak terpenuhi, maka tujuan pembelajaran tidak akan tercapai secarasempurna
- Saat pembelajaran berlangsung dengan menggunakan model pembelajaran induktif, guru harus telah menyiapkan perangkat-perangkat yang akan membuat siswa beraktivitas dan mengobarkan semangat siswa untuk melakukan observasi terhadap ilustrasi-ilustrasi yang diberikan, melalui pertanyaan-pertanyaan yang diberikan oleh guru. Dengan metode ini maka kemandirian siswa tidak dapat berkembangoptimal.
- Guru harus menjaga siswa agar perhatian mereka tetap pada tugas belajar yang diberikan, sehingga peran guru sangat vital dalam mengontrol proses belajar siswa.
- Kesuksesan proses belajar mengajar dengan menggunakan model pembelajaran induktif bergantung pada contoh-contoh atau ilustrasi yang digunakan oleh guru.
- Pembelajaran tidak dapat berjalan bila guru dan muridnya tidak suka membaca, sehingga tidak mempunyai pilihan dalam proses induktif
Pembejalaran pohon keputusan adalah suatu metode untuk
memperkirakan fungsi target bernilai diskrit, yang mana fungsi
pembelajaran direpresentasikan oleh sebuah pohon keputusan.
Secara umum, pohon keputusan merepresentasikan sebuah disjungsi dari beberapa konjungsi dari beberapa batasan pada nilai atribut dan instansi.
Setiap path dari root pada pohon sampai ke leaf
merupakan konjungsi dari atribut pengujian, dan pohon itu sendiri
adalah sebuah disjungsi dari beberapa konjungsi tersebut. Sebagai
contohnya, pohon keputusan di atas berkorespondensi dengan ekspresi
berikut,
Langkah-langkah yang dilakukan yaitu,
Untuk menentukan information gain secara tepat, dimulai dengan menentukan sebuah ukuran, dalam teori informasi disebut entropi, yang mengkarakterisasikan kemurnian/ketakmurnian dari sebuah koleksi acak dari sampel.
Dengan sebuah koleksi S, yang berisi sampel positif dan negatif dari target, entropi dari S relatif terhadap klasifikasi boolean adalah,
yang mana pi adalah proporsi klas i terhadap S.
Dari nilai entropi kemudian dapat dihitung information gain, Gain(S, A) dari sebuah atribut A relatif terhadap kumpulan sampel S, dengan cara berikut,
yang mana,
Secara umum, pohon keputusan merepresentasikan sebuah disjungsi dari beberapa konjungsi dari beberapa batasan pada nilai atribut dan instansi.
(Outlook = Sunny ^ Humidity = Normal)
v (Outlook = Overcast)
v (Outlook = Rain ^ Wind = Weak)
Permasalahan yang sesuai untuk pembelajaran pohon keputusan
Secara umum pembelajaran pohon keputusan cocok untuk permasalahan dengan karakteristik sebagai berikut,- Instansi (permasalahan) direpresentasikan dengan pasangan atribut-nilai. Instansi ini dijelaskan dengan sejumlah atribut yang tetap, misalnya atribut Temperatur dengan nilai Panas, Sedang, Dingin.
- Fungsi target memiliki nilai keluaran diskrit. Setiap sampel memiliki klasifikasi binari atau lebih, misalnya Ya atau Tidak; namun metode ini bisa dikembangkan dengan nilai keluaran yang lebih dari dua.
- Deskripsi disjungtif (pemisah) mungkin diperlukan.
- Data latihan bisa mengandung kesalahan. Metode pembelajaran pohon keputusan bisa memiliki kesalahan, baik kesalahan dari klasifikasi pada sampel pembelajaran dan kesalahan dalam nilai atribut dari sampel.
- Data latihan bisa tidak memiliki nilai atribut.
Algoritma Dasar Pembelajaran Pohon Keputusan
Kebanyakan algoritma untuk pembelajaran pohon keputusan adalah variasi dari algoritma intinya yang menggunakan pencarian rakus (greedy) dari atas ke bawah terhadap ruang kemungkinan pohon keputusan. Salah satu algoritmanya yaitu ID3.Langkah-langkah yang dilakukan yaitu,
- Tentukan atribut terbaik untuk root dari tree. Setiap instan dari atribut dievaluasi menggunakan sebuah tes statistik untuk menentukan seberapa bagus atribut tersebut mengklasifikasi sampel latihan.
- Turunan dari node root dibuat untuk setiap kemungkinan nilai dari atribut
- Sampel latihan kemudian diurutkan berdasarkan node turunan.
- Seluruh proses kemudian diulang menggunakan sampel latihan yang berhubungan dengan setiap node turunan untuk menentukan atribut terbaik untuk dites di pohon.
Atribut mana yang menjadi pengklasifikasi terbaik?
Untuk menentukan atribut terbaik caranya dengan menggunakan properti statistik yang disebut information gain, yang mengukur seberapa bagus atribut tersebut memisahkan sampel latihan menurut klasifikasi targetnya.Untuk menentukan information gain secara tepat, dimulai dengan menentukan sebuah ukuran, dalam teori informasi disebut entropi, yang mengkarakterisasikan kemurnian/ketakmurnian dari sebuah koleksi acak dari sampel.
Dengan sebuah koleksi S, yang berisi sampel positif dan negatif dari target, entropi dari S relatif terhadap klasifikasi boolean adalah,
Entropi(S) = - P(+) log2 P(+) - P(-) log2 P(-)
yang mana,- P(+) adalah proporsi sampel positif dalam S.
- P(-) adalah proporsi sampel negatif dalam S.
- Dalam semua penghitungan mengikutkan entropi ditentukan bahwa 0 * log2 0 adalah 0.
Dari nilai entropi kemudian dapat dihitung information gain, Gain(S, A) dari sebuah atribut A relatif terhadap kumpulan sampel S, dengan cara berikut,
- Values(A) adalah set dari semua kemungkinan nilai untuk atribut A,
- Sv adalah subset dari S yang mana atribut A memiliki nilai v.
Pembelajaran Ensemble
Kenyataan bahwa pendekatan ensemble
learning mampu memberikan solusi prediksi yang lebih akurat daripada
model-model tunggal dapat ditemui dari berbagai paper di jurnal ilmiah.
Teknik-teknik ensemble yang mengandalkan variasi dari pendekatan random
forest dan boosting mampu memberikan prediksi dengan akurasi yang sangat
baik. Random forest bekerja dengan membuat model-model penyusun
ensemble sedemikian rupa sehingga berbagai kemungkinan dapat terakomodir
secara maksimal, sedangkan boosting bekerja secara iterative sehingga
kasus-kasus yang tidak mudah diprediksi menjadi bukan masalah lagi.
Kemampuan pendekatan ensemble ini tidak
hanya tertuang pada berbagai paper ilmiah, namun juga dapat dilihat pada
penyelesaian kasus-kasus aplikatif seperti yang dapat dilihat pada
kompetisi data science Kaggle www.kaggle.com.
Kompetisi ini terbuka bagi pegiat data science dan data mining untuk
memberikan solusi prediktif dari kasus-kasus yang disampaikan oleh
banyak perusahaan besar berskala internasional.
Setiap tim atau individu dipersilakan
mengembangkan solusi dan menyajikan prediksinya untuk kemudian dinilai.
Mereka yang memberikan prediksi dengan akurasi yang paling tinggi yang
dinyatakan sebagai pemenang. Peringkat tiga besar dalam lima tahun
terakhir dari kompetisi ini didominasi oleh mereka yang menggunakan
pendekatan ensemble yang digabungkan dengan berbagai macam algoritma
dasar.
Sumber : http://belajarpsikologi.com/pengertian-dan-tujuan-pembelajaran/
http://education-mantap.blogspot.com/2013/06/pembelajaran-induktif.html
https://sites.google.com/a/std.stei.itb.ac.id/sulhan/pembelajaran-mesin-lanjut/pembelajaran-pohon-keputusan-decision-tree
https://warungkomputer.com/2016/12/ensemble-learning-primadona-analitik-di-masa-depan/
PENGETAHUAN MENGENAI KETIDAKPASTIAN DAN PENALARAN KETIDAKPASTIAN DAN PENALARAN PROBABILITAS
PENALARAN DENGAN KETIDAKPASTIAN (UNCERTAINITY)
KETIDAKPASTIAN (UNCERTAINTY) Ketidakpastian dapat dianggap sebagai suatu kekurangan informasi yang memadai untuk membuat suatu keputusan. Ketidakpastian merupakan suatu permasalahan karena dapat menghalangi dalam membuat keputusan yang terbaik atau dapat menghasilkan keputusan yang buruk
Teori-teori yang berhubungan dengan ketidakpastian, diantaranya :
1. Probabilitas Klasik
2. Probabilitas Bayes
3. Teori Hartley yang berdasarkan pada himpunan klasik
4. Teori Shanon yang didasarkan pada peluang
5. Teori Dempster-Shafer 6. Teori Fuzzy Zadeh
Contoh aplikasi yang klasik sistem pakar yang sukses sehubungan dengan ketidakpastian
1. MYCIN untuk diagnosa medis
2. PROPECTOR untuk ekplorasi mineral
Dalam system MYCIN dan PROSPECTOR, konklusi dicapai bila semua fakta untuk meyakinkan membuktikan kesimpulan tidak diketahui.
Walaupun hal ini kemingkinan untuk mencapainya pada konklusi yang lebih dapat dipercaya dengan melakukan banyak pengujian.
Ada masalah dengan penambahan waktu dan biaya pelaksanaan pengujian.
Batasan waktu dan biaya penting sekali dalam kasus pengobatan medis. Penundaan pengobatan untuk pengujian mempertimbangkan penambahan biaya. Karena hal itu ada kemungkinan pasien akan meningggal. Dalam kasus eksplorasi mineral, biaya dari penambahan pengujian juga merupakan faktor yang sangat signifikan.
Beberapa sumber dari ketidakpastian
1. Masalah Beberapa masalah meliputi faktor-faktor yang tidak pasti dan acak.
2. Data Beberapa data seperti angka-angka atau nilai-nilai yang memiliki ketidakakuratan, dapat ditebak, dan tidak diketahui
3. Pakar Manusia sering tidak dapat memanfaatkan ilmu pengetahuan yang mereka miliki secara benar atau tanpa mengetahui bagaimana dan apa sebenarnya pengetahuan yang mereka dapatkan
4. Solusi Beberapa pakar tidak dapat memutuskan solusi yang tepat untuk masalah yang didapatkan.
KESALAHAN (ERROR) dan INDUKSI
Proses induksi merupakan lawan dari deduksi.
DEDUKSI merupakan hasil dari hal yang umum ke khusus
Contoh : Semua laki-laki adalah makhluk hidup Socrates adalah laki-laki Dapat ditarik kesimpulan : Socrates adalah makhluk hidup
INDUKSI menggeneralisasi dari hal khusus ke umum
Contoh : Disk saya belum pernah rusak Disk saya tidak pernah akan rusak dimana simbol mewakili “oleh karena” untuk induksi dan mewakili “oleh karena” untuk deduksi.
Kecuali untuk induksi matematika, argumen induksi tidak pernah dapat dibuktikan dengan benar. Argumen induksi hanya dapat menyediakan beberapa tingkat kepercayaan bahwa konklusi tersebut benar.
Contoh : Alarm kebakaran berbunyi ada kebakaran Argumen yang lebih kuat lainnya : Alarm kebakaran berbunyi Saya mencium bau asap ada kebakaran
Walaupun argumen di atas adalah argumen yang kuat, tetapi tidak membuktikan ada kebakaran.
Argumen yang membuktikan adanya kebakaran : Alarm kebakaran berbunyi Saya mencium bau asap Atap gedung terbakar ada kebakaran
Argumen diatas adalah argumen dedukif karena dari argumen tersebut jelas adanya pernyataan yang menyatakan adanya api dan tempat yang terbakar.
PROBABILITY KLASIK
- Probability merupakan cara kuantitas yang berhubungan dengan ketidakpastian
- Teori probability diperkenalkan pada abad 17 oleh penjudi Perancis dan pertama kali diajukan oleh Pascal dan Fermat (1654)
- Prob. Klasik disebut juga dengan a priori probability karena berhubungan dg game atau sistem. - Formula fundamental prob. Klasik
(P=W/N)
W = jumlah kemenangan N = jumlah kemungkinan kejadian yang sama pada percobaan
Contoh: Sebuah dadu dilemparkan 1X maka ada 6 kemungkinan P(1) = P(2) = P(3) = P(4) = P(5) = P(6) = 1/6 Jika percobaan diulang lagi maka akan menghasilkan yang sama (Deterministic), jika tidak non-deterministic (acak)
- Probability kehilangan (Kalah)
- Titik Contoh (sample point) : hasil dari percobaan Ruang Contoh (sample space) : kumpulan dari semua kemungkinan titik contoh. Kejadian (event) : subset dari ruang contoh. Kejadian sederhana (simple event) : hanya ada satu elemen kejadian. Kejadian gabungan (compound event) : terdapat lebih dari dari satu kejadian
- Penalaran Deduktif dan Induktif dilihat dari populasi dan contoh (sample)
POPULATION SAMPLE
Known Population
Unknown Population
Unknown Sample
Known Sample
DEDUCTION
INDUCTION
TEORI PROBABILITAS
- Teori formal probabilitas dibuat dengan menggunakan 3 aksioma
- Teori aksiomatik disebut juga objective theory of probability diperkenalkan oleh Kolmogorov, sedangkan teori aksiomatik probabiliti kondisional dibuat oleh Renyi
- Tiga aksioma probabilistik :
1. 0 ≤ P(E) ≤ 1 Aksioma ini menjelaskan bahwa jangkauan probabilitas berada antar 0 dan 1. Jika suatu kejadian itu pasti terjadi maka nilai probabilitasnya adalah 1, dan jika kejadiannya tidak mungkin terjadi nilai probabilitasnya adalah 0
2. Σ P(Ei) = 1 Aksioma ini menyatakan jumlah semua kejadian tidak memberikan pengaruh dengan lainnya, maka disebut mutually exclusive events yaitu
1. Corollary dari aksioma ini adalah : P(E) + P(E’) = 1
3. P(E1 ∪ E2) = P(E1) + P(E2) Dimana E1 dan E2 adalah kejadian mutually exclusive. Aksioma ini mempunyai makna bahwa jika E1 dan E2 keduanya tidak dapat terjadi secara simultan, maka probabilitas dari satu atau kejadian lainnya adalah jumlah dari masing-masing probabilitasnya.
Sumber :
https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0ahUKEwj-16a3mqXXAhVLvLwKHcgiD-4QFggpMAA&url=http%3A%2F%2Fratriptyas.staff.gunadarma.ac.id%2FDownloads%2Ffiles%2F28079%2FBAB_4_Pemberian_Alasan_Dibawah_Ketidakpastian.pdf&usg=AOvVaw3mv8W1rt6XO9MXNROskiRk
KETIDAKPASTIAN (UNCERTAINTY) Ketidakpastian dapat dianggap sebagai suatu kekurangan informasi yang memadai untuk membuat suatu keputusan. Ketidakpastian merupakan suatu permasalahan karena dapat menghalangi dalam membuat keputusan yang terbaik atau dapat menghasilkan keputusan yang buruk
Teori-teori yang berhubungan dengan ketidakpastian, diantaranya :
1. Probabilitas Klasik
2. Probabilitas Bayes
3. Teori Hartley yang berdasarkan pada himpunan klasik
4. Teori Shanon yang didasarkan pada peluang
5. Teori Dempster-Shafer 6. Teori Fuzzy Zadeh
Contoh aplikasi yang klasik sistem pakar yang sukses sehubungan dengan ketidakpastian
1. MYCIN untuk diagnosa medis
2. PROPECTOR untuk ekplorasi mineral
Dalam system MYCIN dan PROSPECTOR, konklusi dicapai bila semua fakta untuk meyakinkan membuktikan kesimpulan tidak diketahui.
Walaupun hal ini kemingkinan untuk mencapainya pada konklusi yang lebih dapat dipercaya dengan melakukan banyak pengujian.
Ada masalah dengan penambahan waktu dan biaya pelaksanaan pengujian.
Batasan waktu dan biaya penting sekali dalam kasus pengobatan medis. Penundaan pengobatan untuk pengujian mempertimbangkan penambahan biaya. Karena hal itu ada kemungkinan pasien akan meningggal. Dalam kasus eksplorasi mineral, biaya dari penambahan pengujian juga merupakan faktor yang sangat signifikan.
Beberapa sumber dari ketidakpastian
1. Masalah Beberapa masalah meliputi faktor-faktor yang tidak pasti dan acak.
2. Data Beberapa data seperti angka-angka atau nilai-nilai yang memiliki ketidakakuratan, dapat ditebak, dan tidak diketahui
3. Pakar Manusia sering tidak dapat memanfaatkan ilmu pengetahuan yang mereka miliki secara benar atau tanpa mengetahui bagaimana dan apa sebenarnya pengetahuan yang mereka dapatkan
4. Solusi Beberapa pakar tidak dapat memutuskan solusi yang tepat untuk masalah yang didapatkan.
KESALAHAN (ERROR) dan INDUKSI
Proses induksi merupakan lawan dari deduksi.
DEDUKSI merupakan hasil dari hal yang umum ke khusus
Contoh : Semua laki-laki adalah makhluk hidup Socrates adalah laki-laki Dapat ditarik kesimpulan : Socrates adalah makhluk hidup
INDUKSI menggeneralisasi dari hal khusus ke umum
Contoh : Disk saya belum pernah rusak Disk saya tidak pernah akan rusak dimana simbol mewakili “oleh karena” untuk induksi dan mewakili “oleh karena” untuk deduksi.
Kecuali untuk induksi matematika, argumen induksi tidak pernah dapat dibuktikan dengan benar. Argumen induksi hanya dapat menyediakan beberapa tingkat kepercayaan bahwa konklusi tersebut benar.
Contoh : Alarm kebakaran berbunyi ada kebakaran Argumen yang lebih kuat lainnya : Alarm kebakaran berbunyi Saya mencium bau asap ada kebakaran
Walaupun argumen di atas adalah argumen yang kuat, tetapi tidak membuktikan ada kebakaran.
Argumen yang membuktikan adanya kebakaran : Alarm kebakaran berbunyi Saya mencium bau asap Atap gedung terbakar ada kebakaran
Argumen diatas adalah argumen dedukif karena dari argumen tersebut jelas adanya pernyataan yang menyatakan adanya api dan tempat yang terbakar.
PROBABILITY KLASIK
- Probability merupakan cara kuantitas yang berhubungan dengan ketidakpastian
- Teori probability diperkenalkan pada abad 17 oleh penjudi Perancis dan pertama kali diajukan oleh Pascal dan Fermat (1654)
- Prob. Klasik disebut juga dengan a priori probability karena berhubungan dg game atau sistem. - Formula fundamental prob. Klasik
(P=W/N)
W = jumlah kemenangan N = jumlah kemungkinan kejadian yang sama pada percobaan
Contoh: Sebuah dadu dilemparkan 1X maka ada 6 kemungkinan P(1) = P(2) = P(3) = P(4) = P(5) = P(6) = 1/6 Jika percobaan diulang lagi maka akan menghasilkan yang sama (Deterministic), jika tidak non-deterministic (acak)
- Probability kehilangan (Kalah)
- Titik Contoh (sample point) : hasil dari percobaan Ruang Contoh (sample space) : kumpulan dari semua kemungkinan titik contoh. Kejadian (event) : subset dari ruang contoh. Kejadian sederhana (simple event) : hanya ada satu elemen kejadian. Kejadian gabungan (compound event) : terdapat lebih dari dari satu kejadian
- Penalaran Deduktif dan Induktif dilihat dari populasi dan contoh (sample)
POPULATION SAMPLE
Known Population
Unknown Population
Unknown Sample
Known Sample
DEDUCTION
INDUCTION
TEORI PROBABILITAS
- Teori formal probabilitas dibuat dengan menggunakan 3 aksioma
- Teori aksiomatik disebut juga objective theory of probability diperkenalkan oleh Kolmogorov, sedangkan teori aksiomatik probabiliti kondisional dibuat oleh Renyi
- Tiga aksioma probabilistik :
1. 0 ≤ P(E) ≤ 1 Aksioma ini menjelaskan bahwa jangkauan probabilitas berada antar 0 dan 1. Jika suatu kejadian itu pasti terjadi maka nilai probabilitasnya adalah 1, dan jika kejadiannya tidak mungkin terjadi nilai probabilitasnya adalah 0
2. Σ P(Ei) = 1 Aksioma ini menyatakan jumlah semua kejadian tidak memberikan pengaruh dengan lainnya, maka disebut mutually exclusive events yaitu
1. Corollary dari aksioma ini adalah : P(E) + P(E’) = 1
3. P(E1 ∪ E2) = P(E1) + P(E2) Dimana E1 dan E2 adalah kejadian mutually exclusive. Aksioma ini mempunyai makna bahwa jika E1 dan E2 keduanya tidak dapat terjadi secara simultan, maka probabilitas dari satu atau kejadian lainnya adalah jumlah dari masing-masing probabilitasnya.
Sumber :
https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0ahUKEwj-16a3mqXXAhVLvLwKHcgiD-4QFggpMAA&url=http%3A%2F%2Fratriptyas.staff.gunadarma.ac.id%2FDownloads%2Ffiles%2F28079%2FBAB_4_Pemberian_Alasan_Dibawah_Ketidakpastian.pdf&usg=AOvVaw3mv8W1rt6XO9MXNROskiRk
