Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.net/publication/238594486

Penalaran logis dan pengambilan keputusan

Artikel · September 2011

DOI: 10.1109/CIS.2011.6169130

KUTIPAN BACA
3 6.665

3 penulis, termasuk:

Souheil Khaddaj
Universitas Kingston London

69 PUBLIKASI 225 KUTIPAN

LIHAT PROFIL

Beberapa penulis publikasi ini juga mengerjakan proyek terkait ini:

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.

Pengguna telah meminta peningkatan file yang diunduh.

 Penalaran Logis dan Pengambilan Keputusan
David CC Ong, Souheil Khaddaj
Fakultas Komputasi, Sistem Informasi dan
Matematika,
Universitas Kingston, Kingston upon Thames, Inggris
{K0018084, s.khaddaj}@kingston.ac.uk
Abstrak - Sebagian besar sistem cerdas memiliki beberapa bentuk
mekanisme pengambilan keputusan yang dibangun ke dalam
organisasi mereka. Ini biasanya menyertakan elemen penalaran
logis ke dalam desainnya. Makalah ini meninjau dan
membandingkan strategi penalaran logis yang berbeda, dan
mencoba untuk mengatasi akurasi dan ketepatan pengambilan
keputusan dengan merumuskan toleransi terhadap pandangan
ketidaktepatan yang dapat digunakan bersama dengan berbagai
strategi penalaran.
Kata Kunci-Sistem Cerdas; Penalaran Logis;
Pengambilan Keputusan
1. Perkenalan
Presisi membentuk prinsip dasar ilmu pengetahuan,
di mana setiap variabel penting yang terlibat dalam
perhitungan harus dipertimbangkan sebelum
kesimpulan tepat (atau absolut) yang layak dapat dicapai.
Tetapi seringkali ini tidak terjadi, karena dalam banyak
situasi, terutama situasi yang dinamis, akan selalu ada
beberapa tingkat ketidakakuratan / ketidakpastian dalam
setiap kesimpulan yang dicapai dari temuan aktual.
Ketidakpastian ini adalah hasil dari variabel yang tidak
dipertimbangkan, yang sengaja atau tidak sengaja
dikeluarkan dari perhitungan atau karena elemen yang
tidak tepat dalam analisis data.
Dilema ini telah menghadirkan salah satu tantangan
terbesar bagi para sarjana, filsuf dan ilmuwan selama
berabad-abad. Immanuel Kant [1], Karl Popper [2]
memberi kami pandangan mereka tentang konsep
ketidaktepatan ini (misalnya definisi kebenaran) dan
Werner Heisenberg [3] memberi kami penjelasan
tentang prinsip ketidakpastian. Lofti Zadeh [4] telah
menghadirkan solusi praktis dalam bentuk "logika fuzzy",
yang telah mengarah pada pengembangan aplikasi dan
pendekatan berbasis soft computing [5][6] dalam upaya
menawarkan solusi untuk mengatasi ketidaktepatan
masalah.
Selain masalah ketidaktepatan, makalah ini juga
mencoba untuk membahas cara proses pembelajaran dasar
dapat dicapai melalui penalaran logis, dengan mengajukan
pertimbangan pandangan Charles Peirce [7] tentang
klasifikasi tambahan penalaran logis. Ini juga,
mengeksplorasi bagaimana proses penalaran logis dapat
digunakan untuk memfasilitasi pengambilan keputusan.
Rabih Bashroush
Sekolah Komputer, IT & Teknik
Universitas London Timur
London, Inggris
Rabih@uel.ac.uk
2. Pendekatan Penalaran Logis
Penalaran logis adalah komponen penting dalam
sistem cerdas. Ia bertindak sebagai “otak” di balik proses
pengambilan keputusan sistem [8]. Teknik penalaran
logis sangat bergantung pada analisis matematis dari
data historis (yaitu pengetahuan atau pengalaman
sebelumnya), dari perhitungan probabilitas sederhana
hingga perhitungan yang lebih kompleks seperti metode
Bayesian [9] dan kesetimbangan Nash [10]. Faktanya,
teknik ini telah diterjemahkan ke dalam metode
penambangan data yang mapan untuk penemuan
pengetahuan, khususnya di bidang jaringan saraf [11].
Penggabungan teknik ini telah menyebabkan
pembentukan kemampuan belajar mandiri dalam sistem
cerdas karena belajar melalui proses berulang dari
pengalaman masa lalu [12].
Namun, teknik analisis penalaran logis, ketika
digabungkan dengan konfigurasi statis, telah membatasi
kemampuan sistem untuk bereaksi secara dinamis
terhadap perubahan di lingkungannya. Dalam sistem
cerdas, konfigurasi statis ini adalah inti dari kemampuan
"kepercayaan diri" sistem [13]. Inti ini sering
membutuhkan intervensi pihak ketiga (manusia) untuk
memastikan sistem relevan dengan situasi saat ini,
karena ia sendiri tidak memiliki kemampuan untuk
mengubah keyakinan intinya. Sistem harus "sadar diri"
terhadap lingkungannya, di mana keputusan dinamis
dapat dibuat untuk mengubah keyakinan inti ini ketika
ada perubahan signifikan yang diamati di lingkungan.
Dengan demikian, sejumlah pendekatan telah
dikembangkan untuk mengimbangi ketidakmampuan
beberapa teknik penalaran logis untuk menawarkan
solusi yang layak tanpa campur tangan manusia, dalam
hal data historis terbatas atau tidak ada. Pendekatan
menggunakan strategi heuristik dalam pengembangan
teknik ini telah dirumuskan [14]. Teknik heuristik saat ini
seperti pencarian terbaik-pertama, LAO*, A*, dll telah
digunakan terutama di bidang algoritma pencarian dan
estimasi biaya, di mana pola (fuzzy) digunakan
(berbentuk) untuk mencari solusi yang layak dalam
proses pengambilan keputusan [15].
2.1. Jenis Penalaran Logis
Penalaran Deduktif dan Induktif secara luas diadopsi
untuk analisis logis dasar dalam sains modern
terutama dalam studi investigasi (misalnya prediksi dan
analisis statistik). Deduksi adalah asumsi yang
diturunkan dari sekumpulan fakta, sedangkan induksi
adalah generalisasi dari sekumpulan fakta. Charles
Peirce telah menyarankan abduktif sebagai jenis
tambahan penalaran logis di mana ia telah
mendefinisikan hipotesis (penculikan) sebagai saran
bahwa sesuatu itu mungkin [7].
Kami selanjutnya dapat menyimpulkan bahwa
deduksi adalah pendekatan berbasis rasionalis (bukti),
dan itu sepenuhnya pasti. Induksi adalah pendekatan
empiris (validasi) yang didasarkan pada hasil
(kesimpulan) dari evaluasi atau eksperimen dan hasilnya
akan menjadi tidak valid ketika premis tambahan
diperkenalkan yang menyangkal kesimpulan, sehingga
merupakan pendekatan yang dapat dipertahankan.
Penculikan adalah pendekatan berbasis hipotesis, di
mana anggapan didasarkan pada apa yang diamati (atau
apa yang mungkin) tanpa mempertimbangkan fakta
yang ada (atau dengan fakta yang sangat terbatas) yang
dapat disangkal dengan informasi tambahan [16][17].
Jenis penalaran logis ini memberi kita sarana untuk
membedakan informasi yang diterima dan bereaksi
terhadapnya berdasarkan data historis.
2.2. Karakteristik Penalaran Logis
2.2.1. Penalaran Deduktif
Penalaran deduktif memberikan solusi yang lengkap
dan pasti, di mana biasanya ada dua jenis respons
absolut, yang berlawanan (yaitu benar atau salah). Ini
adalah pendekatan berbasis introspektif, yang mengatur
kemampuan sistem kepercayaan diri secara keseluruhan.
Ini menggunakan kumpulan data "direktif tercetak"
untuk mencari tanggapannya. Serangkaian instruksi
disimpan dalam set data "imprinted directive", di mana ia
menjelaskan bagaimana sistem harus bekerja. Waktu
respons untuk alasan ini dianggap cepat karena tidak
melakukan perhitungan analisis apa pun yang dapat
menunda waktu respons. Respons semacam ini dapat
diidentifikasi sebagai intuisi dasar sistem.
2.2.2. Penalaran Induktif
Induksi didasarkan pada perkiraan dan analisis
probabilitas dari kemungkinan pilihan (generalisasi)
terhadap data historis dengan mengadopsi strategi
seleksi terbaik. Nilai perkiraan (cukup baik) dan daftar
nilai yang mungkin disediakan karena alasan ini. Ini
didasarkan pada pendekatan empiris (eksperiensial)
menggunakan metadata untuk mencari hasilnya.
Hasil yang dihasilkan oleh penalaran ini bergantung
pada waktu, karena beberapa data lama (atau data
yang lebih jarang) mungkin dihapus dari metadata
untuk memastikan relevansi proses (pengalaman)
dengan situasi saat ini. Waktu respons untuk alasan
ini dapat bervariasi tergantung pada perhitungan
(misalnya analisis statistik) yang dilakukan. Kapan
ada lebih dari satu solusi yang ditemukan, penalaran
abduktif dikonsultasikan untuk memilih solusi yang
mungkin.
2.2.3. Penalaran Abduktif
Penalaran abduktif adalah pendekatan heuristik
yang bertujuan untuk memberikan solusi atau
alternatif yang mungkin, ketika pendekatan lain
gagal. Alasan ini menarik informasi dari data
“imprinted directive”, metadata, dan data historis
untuk membentuk “tebakan terbaik” untuk
tanggapan (solusinya). Pendekatan heuristik ini
dapat diwakili oleh: -
a) pemilihan acak dari pilihan yang tersedia dari
metadata,
b) seleksi yang mungkin mendekati atau dipilih oleh seleksi
sebelumnya,
c) kesimpulan yang berhasil dari pilihan sebelumnya untuk
membentuk pilihan, dll.
Sifat pendekatan heuristik ini memungkinkan bentuk
penalaran ini untuk merespons secara instan, tetapi
keakuratan respons yang dihasilkan masih belum
diketahui. Karakteristik ini merupakan bentuk
kemampuan investigasi (eksplorasi) diri sendiri, untuk
sementara akurasi respon yang dihasilkan mungkin
masih dipertanyakan, tingkat akurasi dapat ditentukan
dengan menilai kembali reaksi (konsekuensi dari respon)
yang diterima.
2.3. Kumpulan Data Penalaran Logis
Analisis data biasanya dilakukan pada kumpulan data
tertentu. Hal ini dilakukan dengan proses pengambilan
keputusan dan pembelajaran, yang didasarkan pada satu
atau lebih jenis pendekatan penalaran logis.
Penalaran deduktif dilakukan dalam situasi di mana satu
himpunan adalah himpunan bagian dari himpunan lain (lihat
Skenario A pada Gambar 2) karena keakuratan himpunan bagian
tersebut terjamin. Subset yang dimaksud tetap benar asalkan
berkembang di dalam supersetnya. Akibatnya, hasil yang tepat
dari fakta-fakta ini dapat dihasilkan.
Penalaran induktif diadopsi ketika dua set fakta
berbagi kesamaan di beberapa bagian wilayah mereka.
Konflik atau masalah yang tidak sesuai antara perangkat
ini akan muncul dari wilayah yang tidak umum (lihat
Skenario B pada Gambar 2). Dengan demikian, hanya
generalisasi fakta di antara kumpulan ini yang dapat
dilakukan untuk menggambarkan fakta-fakta ini karena
akan ada beberapa konflik fakta. Akibatnya, berbagai
kemungkinan hasil dari fakta-fakta ini dapat dihasilkan.
Penalaran abduktif memungkinkan batas himpunan
berkembang dan menyusut secara dinamis; karena
mengalami eksplorasi sendiri (transformasi) ke daerah yang
tidak diketahui (lihat Skenario C pada gambar 2). Eksplorasi
wilayah yang tidak diketahui diidentifikasi sebagai
kemampuan investigasi mandiri. Kemampuan investigasi diri
ini merupakan komponen penting dari entitas cerdas, yang
menentukan dan memengaruhi mekanisme kepercayaan diri
dalam entitas cerdas.

Gambar 1 Akurasi skenario teori
3. Masalah Ketidaktepatan
Karl Popper mendesak bahwa teori-teori ilmiah
harus mengekspos diri mereka sendiri dalam upaya
untuk mengikuti sanggahan observasional dan
eksperimental [2]. Secara tidak sengaja, ia telah
menyarankan bahwa teori ilmiah tanpa batas akurasi
akan sia-sia karena ketidakmampuan untuk menentukan
(atau memperkirakan) tingkat ketidakakuratan yang
tersisa dalam teori. Batas akurasi (kebenaran) ditetapkan
dengan pemalsuan teori. Akibatnya, tingkat akurasi
diverifikasi mengingat elemen ketidaktepatan teori telah
diidentifikasi dan dihilangkan. Oleh karena itu, validitas
teori ilmiah dipastikan dalam batas akurasi yang
ditetapkan (yaitu nilai yang dapat diterima). Namun
demikian, dalam situasi yang dinamis, batas akurasi
dapat bervariasi tergantung pada lingkungan di mana ia
berada sejak elemen baru yang tidak diketahui dapat
muncul yang mungkin dalam beberapa cara
mempengaruhi teori. Dengan demikian, penetapan
tingkat nilai yang dapat diterima (atau cukup baik) dapat
memastikan keakuratan dan akseptabilitas teori itu
sendiri.
Pengakuan tingkat nilai yang dapat diterima
sebagai bentuk logika fuzzy pertama kali diajukan ke
komunitas ilmiah pada tahun 1965 dengan presentasi
oleh Lofti Zadeh dari sebuah makalah berjudul “Fuzzy
Set” [4], di mana ia mengusulkan pengembangan teori
himpunan kabur. Dia menawarkan gagasan bahwa
seperangkat nilai yang dapat diterima, yang mendekati
nilai sebenarnya dan cukup baik untuk digunakan untuk
mewakili nilai itu.
Mari kita pertimbangkan kembali saran Karl
Popper tentang teori ilmiah tanpa batas akurasi
seperti yang diilustrasikan pada gambar 1. Skenario A
menunjukkan presentasi abstrak dari pernyataan Karl
Popper, di mana validitas teori tetap dipertanyakan
karena setiap kali teori diterapkan, itu tampaknya
menghasilkan hasil yang tidak akurat karena telah
menghadapi variabel yang tidak terduga. Identifikasi
variabel tak terduga ini membantu untuk
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.
Gambar 2 Skenario kumpulan data untuk penalaran logis
4. Toleransi terhadap Ketidaktepatan
Konsep-konsep teoritis yang dibahas sebelumnya
menyajikan kepada kita aspek-aspek abstrak dari
penalaran logis dalam proses pembelajaran yang
dinamis. Tujuan penalaran logis tidak dapat dicapai
tanpa dasar di mana perbandingan, penilaian atau
penilaian dapat dilakukan, karena aliran informasi ke
dalam proses pembelajaran yang dinamis dapat
dianggap tidak berarti. Klasifikasi dan penerjemahan
informasi ini ke dalam pola-pola akan membentuk
dasar penalaran logis untuk melakukan operasinya.
Oleh karena itu, identifikasi pola yang dapat dikenali
membantu memfasilitasi definisi mekanisme prinsip
di balik proses pengambilan keputusan
4.1. Templat Pola
Sebuah pola dapat muncul dari kumpulan fakta, di mana
beberapa bagian dari fakta ini memiliki variabel yang sama
(misalnya tujuan, fitur, atau nilai). Pola dapat dikenali melalui
karakteristik dasar yang telah ditentukan dari suatu pola,
berpotensi dalam bentuk template yang sangat penting
sebagai dasar perbandingan. Dengan kata lain, pola pola
menyediakan sarana untuk mengidentifikasi dan
mengevaluasi pola dari kumpulan fakta. Kumpulan fakta ini
merupakan bentuk himpunan fuzzy. Suatu proporsi atau
pernyataan mutlak dari fakta itu sendiri dapat mewakili
pembentukan himpunan ini. Pembentukan dan pengenalan
himpunan fuzzy sebagai pola memfasilitasi proses
perbandingan.
 Pola yang telah ditentukan digunakan sebagai dasar Hasil" set akan menjadi bagian dari "hasil tak
perbandingan untuk proses analisis data [18][19]. terbatas" set teori (gambar 4).
Persepsi subjektif memainkan peran penting dalam
penentuan klasifikasi himpunan fuzzy. Persepsi ini dapat
diklasifikasikan sebagai pola yang telah ditentukan
sebelumnya.

4.2. Penilaian Pola

Kemampuan untuk membandingkan berbagai pola
merupakan bagian penting dari proses pengambilan
keputusan. Perbandingan didasarkan pada template pola
dan pola yang diamati menggunakan faktor terukur yang
diidentifikasi untuk membentuk suatu kesimpulan
(gambar 3). Perbedaan tingkat tanggapan dapat
dirumuskan berdasarkan kesimpulan ini. Perbandingan
ini didasarkan pada prinsip di balik himpunan fuzzy, di
mana mereka diperiksa silang untuk menentukan
apakah apa yang telah diamati sesuai dengan apa yang
dimaksudkan. Oleh karena itu, pola perilaku yang
diamati dapat dipantau dan dikelola berdasarkan
perbandingan perbedaan dan kesamaan pola.
Gambar 4 Ilustrasi “Toleransi terhadap Ketidaktepatan”
Dengan pembentukan himpunan fuzzy ini, validitas teori
dapat dipastikan ketika beroperasi dalam novel yang tidak
diketahui dan / atau situasi tanpa pengawasan. Selain itu,
persepsi subyektif (atau keyakinan) dari seorang individu juga
dapat mempengaruhi tingkat akurasi teori yang dianggap
sebagai himpunan fuzzy. Ranah "kepercayaan" ini berada dalam
rangkaian "hasil tak terbatas" tetapi mungkin menjadi bagian
dari atau bergantung pada rangkaian hasil yang dapat diterima.
Dengan demikian, pandangan “Toleransi terhadap
Ketidaktepatan” menyarankan hal-hal berikut: - a) Sebuah teori
ilmiah dapat menghasilkan kemungkinan hasil yang tak terbatas,
yang dapat dikategorikan ke dalam satu himpunan fuzzy.

b) Tidak mungkin mencapai hasil mutlak yang berlaku untuk setiap

Gambar 3 Ilustrasi penilaian pola
situasi. Dengan demikian, kumpulan hasil yang dapat diterima
diidentifikasi untuk memastikan validitas teori. Kumpulan ini
merupakan bentuk himpunan fuzzy, yang merupakan himpunan
bagian dari himpunan fuzzy hasil tak hingga.
c) Persepsi subyektif adalah bentuk himpunan fuzzy, yang merupakan
himpunan bagian dari himpunan fuzzy hasil tak hingga tetapi dapat (atau

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

5.2. Proses pembelajaran

Fungsi utama dari proses pembelajaran adalah untuk

melakukan berbagai analisis data yang dapat diterjemahkan
ke dalam pengetahuan dan pengalaman sistem, serta untuk
memfasilitasi komponen pengambilan keputusan dalam Gambar 5 Interaksi proses pengambilan keputusan
merevisi ruang lingkup kumpulan data yang dialokasikan
untuk mereka. Analisis data menggunakan penalaran Kemampuan dari jenis penalaran logis ini memiliki
induktif dilakukan pada dataset “historis” untuk membentuk kekurangannya sendiri, serta kelebihannya, tetapi
pengalaman sistem. Hasil yang dihasilkan kemudian ketika mereka diintegrasikan sebagai satu unit
digunakan untuk merevisi ruang lingkup kumpulan data cerdas, kemampuan masing-masing jenis penalaran
"metadata" yang diekspos ke pembuat keputusan induktif. logis ini dapat mengimbangi kekurangan satu sama
Analisis data menggunakan Standar Deviasi untuk lain untuk mencoba mencapai hasil penalaran yang
mendapatkan nilai uji-z untuk data transaksi yang disimpan lebih baik. Berdasarkan keadaan aktual di mana
dalam kumpulan data “historis”. Proses analisis data ini waktu memainkan peran penting, strategi penalaran
mendukung kemampuan belajar mandiri sistem. yang berbeda dapat diaktifkan untuk menghasilkan
Analisis data menggunakan penalaran suatu hasil. Oleh karena itu, hasil upaya terbaik
deduktif dilakukan pada dataset “historis” untuk dikembalikan sesuai dengan lingkungan operasi
membentuk intuisi sistem. Hasil yang dihasilkan sistem. Untuk memperjelas ciri-ciri yang dimiliki oleh
kemudian digunakan untuk merevisi ruang jenis penalaran logis tersebut, lihat tabel 1.
lingkup kumpulan data "direktif tercetak" yang
diekspos ke pembuat keputusan deduktif.
Analisis data menggunakan Standar Deviasi
untuk memperoleh nilai yang sangat signifikan
untuk setiap jenis data transaksi. Nilai signifikan
diidentifikasi sebagai frekuensi tinggi untuk
populasi standar deviasi tertentu (yaitu nilai
sigma yang sangat dekat dengan 0). Jika nilai
signifikan dengan umpan balik positif diperoleh,
satu poin ditambahkan ke "skor signifikan"
dalam kumpulan data "direktif tercetak" yang
diidentifikasi oleh jenis permintaan dan hasil.
Sebaliknya, jika diperoleh nilai signifikan dengan
umpan balik negatif, Tabel 1 Karakteristik Penalaran Logis
 Namun, tujuan pengambilan keputusan tidak
dapat dicapai tanpa dasar di mana perbandingan,
penilaian atau penilaian dapat dilakukan, karena
aliran data ke dalam proses pengambilan keputusan
dapat menjadi tidak berarti. Pengklasifikasian data
sebagai pola sangat penting untuk dijadikan dasar
bagi proses pengambilan keputusan untuk
melakukan operasinya. Definisi dasar pola disajikan
dalam upaya membantu identifikasi dan sifatnya.
Juga, karakterisasi persepsi subjektif ditawarkan
untuk membantu dalam penentuan tingkat akurasi
dari pola yang diidentifikasi dalam bentuk template
pola. Selain itu, prinsip dasar perbandingan dan
penilaian ditentukan oleh toleransi terhadap
pandangan yang tidak tepat (bagian 4.3).
6. Kesimpulan
Dalam upaya untuk mendefinisikan sistem cerdas,
makalah ini dimulai dengan penyajian pandangan
konseptual tentang ketidaktepatan dan gagasan penalaran
logis. Gagasan ini telah mengarah pada penciptaan
pandangan "Toleransi terhadap Ketidaktepatan" dengan
presentasi tentang bagaimana suatu pola dapat
didefinisikan, diidentifikasi, dan dibedakan.
Makalah ini juga menyajikan pendekatan terpadu
yang melibatkan sejumlah strategi penalaran dan
perbandingannya. Setiap strategi memiliki kelebihan dan
kekurangannya masing-masing. Misalnya, penalaran
abduktif cenderung memberikan hasil yang paling cepat
tetapi kualitas hasilnya dipertanyakan. Di sisi lain,
penalaran deduktif mengembalikan hasil yang paling
akurat karena melakukan analisis data empiris tetapi ini
diperkirakan akan memakan waktu lebih lama daripada
penalaran abduktif. Diusulkan bahwa menggabungkan
strategi penalaran di bawah kerangka pengambilan
keputusan, produksi keputusan dapat berlanjut dalam
keadaan apa pun, di mana waktu merupakan faktor.
Selain itu, ketika diterapkan sepenuhnya, kerangka kerja
yang diusulkan harus dapat memanipulasi sumber daya
yang tersedia secara cerdas untuk memberikan hasil
(keputusan) terbaik yang relevan dengan situasinya.
Sebenarnya ada sejumlah bidang komputasi potensial yang
bisa mendapatkan keuntungan dari kerangka yang
diusulkan seperti 1) Alat Pendukung (asisten) – asisten dalam
proses pengambilan keputusan; 2) Model Analitis, Peramalan
dan Prediksi; 3) Data Mining (misalnya menghasilkan analisis
penjumlahan atau identifikasi pola baru dalam analisis
informasi massal); 4) Simulasi & Pemodelan – replikasi sistem
aktual dalam lingkungan terkendali yang terbatas; 5) Best
Effort System – sistem yang menghasilkan keputusan terbaik
berdasarkan skenario / lingkungannya, di mana keputusan
yang dibuat mungkin tidak sepenuhnya mewujudkan semua
harapan kita, dan sistem non-kritis, dimana verifikasi lebih
lanjut dari keputusan yang dihasilkan dilakukan pada tingkat
sistem yang lebih tinggi; 6) Mesin Pencari (mis
Lihat statistik publikasi
memberikan daftar kemungkinan hasil berdasarkan
kata kunci pencarian); dan 7) Mekanisme Toleransi
Kesalahan. Namun, evaluasi pendekatan yang
diusulkan, termasuk kinerja dan keandalan, yang
awalnya menggunakan penyeimbang beban jaringan
akan dilakukan di pekerjaan mendatang.
Referensi
[1] Abela, P, Realisme Empiris Kant (Oxford
Philosophical Monographs) Clarendon Press, 2002.
[2] Popper, K. Logika penemuan ilmiah. halaman 17-
18. Routledge, 2006.
[3] Cassidy, Ketidakpastian: Kehidupan dan Ilmu Pengetahuan
Werner Heisenberg. WH Freeman & Co Ltd, 1994
[4] Zadeh, L, “Set kabur”, Informasi dan Kontrol, Vol 8,
Academic Press, Inc., 1965, hlm 338-353.
[5] Zadeh,,L,”Menuju teori ketidakpastian umum–
Garis Besar”, Ilmu Informasi, 2005, hlm. 1-40.
[6] Zadeh, L”Menuju teori penalaran probabilistik
berbasis persepsi dengan probabilitas yang tidak tepat”,
Jurnal Perencanaan Statistik dan Inferensi, Elsevier
Science, 2002 hlm 233-264..
[7] Peirce, C (1993). Tulisan Charles S. Peirce: A
Chronological Edition: 1884-1886. Pers Universitas
Indiana, 1993.
[8] Manna, Z, “Dasar-dasar sintesis program deduktif”,
Transaksi IEEE pada Rekayasa Perangkat Lunak, 1992,
hlm. 674-704.
[9] Cheng, J, “AIS-BN: Algoritme pengambilan sampel
kepentingan adaptif untuk alasan pembuktian dalam
jaringan Bayesian besar”, Jurnal Penelitian Kecerdasan
Buatan,2000, hlm. 155-188.
[10] Gao, Y., “Keseimbangan Meta-game untuk Pembelajaran
Penguatan Multi-agen”.Kemajuan dalam Artificial
Intelijen, Springer, 2004, hlm. 930-936.
[11] Guo, Y, “Pendekatan Multiagen untuk Prediksi
Kinerja Logistik Menggunakan Informasi Historis dan
Konteks”, AAMAS'04, 2004, hlm. 1164-1171.
[12] Ormoneit, D, “Pembelajaran penguatan berbasis kernel
dalam masalah biaya rata-rata, Transaksi IEEE Pada Kontrol
Otomatis, 2002. hlm. 1624-1636.
[13] Dagum, P, “Perkiraan Inferensi Probabilistik dalam
Jaringan Keyakinan Bayesian”, Transaksi IEEE pada
Analisis Pola dan Kecerdasan Mesin, 1993, hlm. 246-255.
[14] Cimatti, A, “Perencanaan yang sesuai melalui
pemeriksaan model simbolik dan pencarian heuristik”,
Kecerdasan Buatan, 2004, hlm. 127-206.
[15] Hansen, E, “LAO*: algoritma pencarian heuristik”,
Kecerdasan Buatan, 2001, hlm. 35-62.
[16] Paavola, S, “Penculikan Melalui Tata Bahasa,
Kritik, Dan Metode", Transaksi Masyarakat Charles S.
Peirce: Jurnal Kuartalan dalam Filsafat Amerika,2004,
hlm. 245-270.
[17] Bonet, B, “Perencanaan dengan informasi yang tidak lengkap sebagai
pencarian heuristik dalam ruang keyakinan”, AIPS2000, 2000.
[18] Uludag, U, “Pemilihan dan pembaruan template biometrik:
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.