com
Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.net/publication/238594486
KUTIPAN BACA
3 6.665
3 penulis, termasuk:
Souheil Khaddaj
Universitas Kingston London
LIHAT PROFIL
Energi Cerdas: Pendekatan Teori Permainan untuk Perdagangan Energi di Smart Grid Lihat proyek
Semua konten yang mengikuti halaman ini diunggah oleh Souheil Khaddaj pada 23 Oktober 2014.
Abstrak - Sebagian besar sistem cerdas memiliki beberapa bentuk 2. Pendekatan Penalaran Logis
mekanisme pengambilan keputusan yang dibangun ke dalam
organisasi mereka. Ini biasanya menyertakan elemen penalaran Penalaran logis adalah komponen penting dalam
logis ke dalam desainnya. Makalah ini meninjau dan sistem cerdas. Ia bertindak sebagai “otak” di balik proses
membandingkan strategi penalaran logis yang berbeda, dan pengambilan keputusan sistem [8]. Teknik penalaran
mencoba untuk mengatasi akurasi dan ketepatan pengambilan
logis sangat bergantung pada analisis matematis dari
keputusan dengan merumuskan toleransi terhadap pandangan
data historis (yaitu pengetahuan atau pengalaman
ketidaktepatan yang dapat digunakan bersama dengan berbagai
sebelumnya), dari perhitungan probabilitas sederhana
strategi penalaran.
hingga perhitungan yang lebih kompleks seperti metode
Kata Kunci-Sistem Cerdas; Penalaran Logis; Bayesian [9] dan kesetimbangan Nash [10]. Faktanya,
Pengambilan Keputusan teknik ini telah diterjemahkan ke dalam metode
penambangan data yang mapan untuk penemuan
1. Perkenalan pengetahuan, khususnya di bidang jaringan saraf [11].
Penggabungan teknik ini telah menyebabkan
Presisi membentuk prinsip dasar ilmu pengetahuan, pembentukan kemampuan belajar mandiri dalam sistem
di mana setiap variabel penting yang terlibat dalam cerdas karena belajar melalui proses berulang dari
perhitungan harus dipertimbangkan sebelum pengalaman masa lalu [12].
kesimpulan tepat (atau absolut) yang layak dapat dicapai. Namun, teknik analisis penalaran logis, ketika
Tetapi seringkali ini tidak terjadi, karena dalam banyak digabungkan dengan konfigurasi statis, telah membatasi
situasi, terutama situasi yang dinamis, akan selalu ada kemampuan sistem untuk bereaksi secara dinamis
beberapa tingkat ketidakakuratan / ketidakpastian dalam terhadap perubahan di lingkungannya. Dalam sistem
setiap kesimpulan yang dicapai dari temuan aktual. cerdas, konfigurasi statis ini adalah inti dari kemampuan
Ketidakpastian ini adalah hasil dari variabel yang tidak "kepercayaan diri" sistem [13]. Inti ini sering
dipertimbangkan, yang sengaja atau tidak sengaja membutuhkan intervensi pihak ketiga (manusia) untuk
dikeluarkan dari perhitungan atau karena elemen yang memastikan sistem relevan dengan situasi saat ini,
tidak tepat dalam analisis data. karena ia sendiri tidak memiliki kemampuan untuk
Dilema ini telah menghadirkan salah satu tantangan mengubah keyakinan intinya. Sistem harus "sadar diri"
terbesar bagi para sarjana, filsuf dan ilmuwan selama terhadap lingkungannya, di mana keputusan dinamis
berabad-abad. Immanuel Kant [1], Karl Popper [2] dapat dibuat untuk mengubah keyakinan inti ini ketika
memberi kami pandangan mereka tentang konsep ada perubahan signifikan yang diamati di lingkungan.
ketidaktepatan ini (misalnya definisi kebenaran) dan Dengan demikian, sejumlah pendekatan telah
Werner Heisenberg [3] memberi kami penjelasan dikembangkan untuk mengimbangi ketidakmampuan
tentang prinsip ketidakpastian. Lofti Zadeh [4] telah beberapa teknik penalaran logis untuk menawarkan
menghadirkan solusi praktis dalam bentuk "logika fuzzy", solusi yang layak tanpa campur tangan manusia, dalam
yang telah mengarah pada pengembangan aplikasi dan hal data historis terbatas atau tidak ada. Pendekatan
pendekatan berbasis soft computing [5][6] dalam upaya menggunakan strategi heuristik dalam pengembangan
menawarkan solusi untuk mengatasi ketidaktepatan teknik ini telah dirumuskan [14]. Teknik heuristik saat ini
masalah. seperti pencarian terbaik-pertama, LAO*, A*, dll telah
Selain masalah ketidaktepatan, makalah ini juga digunakan terutama di bidang algoritma pencarian dan
mencoba untuk membahas cara proses pembelajaran dasar estimasi biaya, di mana pola (fuzzy) digunakan
dapat dicapai melalui penalaran logis, dengan mengajukan (berbentuk) untuk mencari solusi yang layak dalam
pertimbangan pandangan Charles Peirce [7] tentang proses pengambilan keputusan [15].
klasifikasi tambahan penalaran logis. Ini juga,
mengeksplorasi bagaimana proses penalaran logis dapat 2.1. Jenis Penalaran Logis
digunakan untuk memfasilitasi pengambilan keputusan.
Penalaran Deduktif dan Induktif secara luas diadopsi
untuk analisis logis dasar dalam sains modern
terutama dalam studi investigasi (misalnya prediksi dan ada lebih dari satu solusi yang ditemukan, penalaran
analisis statistik). Deduksi adalah asumsi yang abduktif dikonsultasikan untuk memilih solusi yang
diturunkan dari sekumpulan fakta, sedangkan induksi mungkin.
adalah generalisasi dari sekumpulan fakta. Charles
2.2.3. Penalaran Abduktif
Peirce telah menyarankan abduktif sebagai jenis
tambahan penalaran logis di mana ia telah Penalaran abduktif adalah pendekatan heuristik
mendefinisikan hipotesis (penculikan) sebagai saran yang bertujuan untuk memberikan solusi atau
bahwa sesuatu itu mungkin [7]. alternatif yang mungkin, ketika pendekatan lain
Kami selanjutnya dapat menyimpulkan bahwa gagal. Alasan ini menarik informasi dari data
deduksi adalah pendekatan berbasis rasionalis (bukti), “imprinted directive”, metadata, dan data historis
dan itu sepenuhnya pasti. Induksi adalah pendekatan untuk membentuk “tebakan terbaik” untuk
empiris (validasi) yang didasarkan pada hasil tanggapan (solusinya). Pendekatan heuristik ini
(kesimpulan) dari evaluasi atau eksperimen dan hasilnya dapat diwakili oleh: -
akan menjadi tidak valid ketika premis tambahan a) pemilihan acak dari pilihan yang tersedia dari
diperkenalkan yang menyangkal kesimpulan, sehingga metadata,
merupakan pendekatan yang dapat dipertahankan. b) seleksi yang mungkin mendekati atau dipilih oleh seleksi
Penculikan adalah pendekatan berbasis hipotesis, di sebelumnya,
mana anggapan didasarkan pada apa yang diamati (atau c) kesimpulan yang berhasil dari pilihan sebelumnya untuk
apa yang mungkin) tanpa mempertimbangkan fakta membentuk pilihan, dll.
yang ada (atau dengan fakta yang sangat terbatas) yang Sifat pendekatan heuristik ini memungkinkan bentuk
dapat disangkal dengan informasi tambahan [16][17]. penalaran ini untuk merespons secara instan, tetapi
Jenis penalaran logis ini memberi kita sarana untuk keakuratan respons yang dihasilkan masih belum
membedakan informasi yang diterima dan bereaksi diketahui. Karakteristik ini merupakan bentuk
terhadapnya berdasarkan data historis. kemampuan investigasi (eksplorasi) diri sendiri, untuk
sementara akurasi respon yang dihasilkan mungkin
2.2. Karakteristik Penalaran Logis masih dipertanyakan, tingkat akurasi dapat ditentukan
dengan menilai kembali reaksi (konsekuensi dari respon)
2.2.1. Penalaran Deduktif
yang diterima.
Penalaran deduktif memberikan solusi yang lengkap
2.3. Kumpulan Data Penalaran Logis
dan pasti, di mana biasanya ada dua jenis respons
absolut, yang berlawanan (yaitu benar atau salah). Ini Analisis data biasanya dilakukan pada kumpulan data
adalah pendekatan berbasis introspektif, yang mengatur tertentu. Hal ini dilakukan dengan proses pengambilan
kemampuan sistem kepercayaan diri secara keseluruhan. keputusan dan pembelajaran, yang didasarkan pada satu
Ini menggunakan kumpulan data "direktif tercetak" atau lebih jenis pendekatan penalaran logis.
untuk mencari tanggapannya. Serangkaian instruksi Penalaran deduktif dilakukan dalam situasi di mana satu
disimpan dalam set data "imprinted directive", di mana ia himpunan adalah himpunan bagian dari himpunan lain (lihat
menjelaskan bagaimana sistem harus bekerja. Waktu Skenario A pada Gambar 2) karena keakuratan himpunan bagian
respons untuk alasan ini dianggap cepat karena tidak tersebut terjamin. Subset yang dimaksud tetap benar asalkan
melakukan perhitungan analisis apa pun yang dapat berkembang di dalam supersetnya. Akibatnya, hasil yang tepat
menunda waktu respons. Respons semacam ini dapat dari fakta-fakta ini dapat dihasilkan.
diidentifikasi sebagai intuisi dasar sistem. Penalaran induktif diadopsi ketika dua set fakta
berbagi kesamaan di beberapa bagian wilayah mereka.
2.2.2. Penalaran Induktif
Konflik atau masalah yang tidak sesuai antara perangkat
Induksi didasarkan pada perkiraan dan analisis ini akan muncul dari wilayah yang tidak umum (lihat
probabilitas dari kemungkinan pilihan (generalisasi) Skenario B pada Gambar 2). Dengan demikian, hanya
terhadap data historis dengan mengadopsi strategi generalisasi fakta di antara kumpulan ini yang dapat
seleksi terbaik. Nilai perkiraan (cukup baik) dan daftar dilakukan untuk menggambarkan fakta-fakta ini karena
nilai yang mungkin disediakan karena alasan ini. Ini akan ada beberapa konflik fakta. Akibatnya, berbagai
didasarkan pada pendekatan empiris (eksperiensial) kemungkinan hasil dari fakta-fakta ini dapat dihasilkan.
menggunakan metadata untuk mencari hasilnya. Penalaran abduktif memungkinkan batas himpunan
Hasil yang dihasilkan oleh penalaran ini bergantung berkembang dan menyusut secara dinamis; karena
pada waktu, karena beberapa data lama (atau data mengalami eksplorasi sendiri (transformasi) ke daerah yang
yang lebih jarang) mungkin dihapus dari metadata tidak diketahui (lihat Skenario C pada gambar 2). Eksplorasi
untuk memastikan relevansi proses (pengalaman) wilayah yang tidak diketahui diidentifikasi sebagai
dengan situasi saat ini. Waktu respons untuk alasan kemampuan investigasi mandiri. Kemampuan investigasi diri
ini dapat bervariasi tergantung pada perhitungan ini merupakan komponen penting dari entitas cerdas, yang
(misalnya analisis statistik) yang dilakukan. Kapan menentukan dan memengaruhi mekanisme kepercayaan diri
dalam entitas cerdas.
meningkatkan keseluruhan tingkat akurasi teori. Dengan
demikian, penetapan batas akurasi (lihat Skenario B pada
gambar 1) dapat memastikan penerimaan teori itu sendiri, di
mana variabel tak terduga dalam batas telah diidentifikasi
dan dimasukkan sebagai bagian dari hasil yang dapat
diterima. Pandangan ini merupakan bentuk himpunan
kabur, di mana ia merupakan kumpulan representatif dari
hasil yang dapat diterima (cukup baik) yang dihasilkan oleh
teori atau fakta.
3. Masalah Ketidaktepatan
4.3. Toleransi terhadap Tampilan Ketidaktepatan tidak menjadi) bagian dari himpunan fuzzy hasil yang dapat diterima.
d) Himpunan fuzzy yang dijelaskan adalah bentuk pola, di
Kedua teori konseptual yang dikemukakan oleh Karl mana persepsi subjektif dapat diterjemahkan ke dalam
Popper dan Lofti Zadeh dapat digabungkan untuk template pola yang telah ditentukan.
membentuk pandangan “Toleransi terhadap
Ketidaktepatan”. Ini didefinisikan dengan mengubah teori
Karl Popper tentang keakuratan teori ilmiah dan persepsi 5. Kerangka Pengambilan Keputusan Dinamis
subjektif ke dalam himpunan kabur Lofti Zadeh.
Interaksi sehari-hari dalam hidup kita terdiri dari
Pandangan ini menegaskan bahwa teori ilmiah dapat
observasi, analisis, formulasi, reaksi dan peramalan,
menghasilkan hasil yang mungkin tak terbatas tergantung
yang memberi kita kemampuan untuk mengakui atau
pada cara penerapannya, disajikan atau dilihat, sehingga
menyadari kejadian di sekitar kita. Penalaran logis adalah
teori secara default harus memiliki satu himpunan fuzzy
substansi inti di balik kemampuan ini karena
universal, yang terdiri dari "hasil tak terbatas". Ketika sebuah
memfasilitasi dan memengaruhi interaksi kemampuan
teori diterapkan pada suatu situasi, "hasil yang valid" dapat
ini. Selain itu, penalaran logis adalah bagian penting dari
dihasilkan, tetapi ketika diterapkan pada situasi yang
proses pembelajaran. Penalaran ini memungkinkan
berbeda, variasi dalam hasil dapat dibuat. Dalam situasi
proses pembelajaran untuk membentuk kemampuan
dinamis, kemungkinan untuk memperoleh hasil absolut dari
"pengalaman", yang dapat mempengaruhi seluruh
suatu teori dipandang tidak mungkin karena akan ada
proses pengambilan keputusan.
sedikit variasi dalam hasil yang diamati. Dengan demikian,
"batas akurasi" dapat ditetapkan dengan membuat "bidang
hasil yang dapat diterima" dalam bentuk himpunan fuzzy. Ini
"dapat diterima"
5.1. Himpunan data 5.3. Proses Pencatatan
Ada tiga kumpulan data dinamis yang dapat digunakan untuk Proses logging mencatat setiap transaksi yang terjadi
analisis data dalam pengambilan keputusan dan proses dalam proses pengambilan keputusan dalam kumpulan
pembelajaran. Ini adalah: - data “historis”.
a) Dataset “Historis” – segala jenis transaksi yang
5.4. Alur Proses Pengambilan Keputusan
terjadi dalam proses pengambilan keputusan akan
dicatat (dicatat) dalam basis data historis melalui Penalaran deduktif, induktif, dan abduktif merupakan
proses pencatatan. bagian integral dari aliran proses pembelajaran dan
b) Dataset “Metadata” – sebuah pengalaman dalam istilah umum penalaran yang dinamis (gambar 5). Setiap jenis
dapat digambarkan sebagai proses pengumpulan pengetahuan penalaran logis memiliki karakteristik uniknya sendiri.
dengan pengamatan, tanggapan dan reaksi terhadap tanggapan Misalnya, penalaran deduktif mungkin memerlukan
ini untuk stimulus yang diberikan. Informasi yang diperoleh dari periode respons yang lebih lama, sementara penalaran
metadata ini disajikan sebagai pengalaman atau pengetahuan abduktif dapat merespons secara instan.
tentang sistem, yang dengan demikian akan dipelajari selama
periode waktu tertentu
c) Dataset “Imprinted Directive” – data “imprinted
directive” menyimpan serangkaian instruksi yang
menjelaskan bagaimana sistem harus berperilaku.
Kumpulan data "direktif tercetak" ini adalah bentuk
intuisi dasar sistem
lanjut dari keputusan yang dihasilkan dilakukan pada tingkat [18] Uludag, U, “Pemilihan dan pembaruan template biometrik:
sistem yang lebih tinggi; 6) Mesin Pencari (mis studi kasus dalam sidik jari”, AVBPA, 2003, hlm. 35-342.
[19] Guo, X, "Algoritma Pengenalan Pola Saham
Berdasarkan Neural Networks", ICNC 2007. hlm. 518-522.