Nama Anggota Kelompok:

1. Nurul Ngaini 16.0101.0172

2. Aris Setyanto 16.0101.0173

CHAPTER 10

TIGA JENIS ARGUMEN INDUKTIF

Penalaran induktif adalah penalaran dimana premis-premis dipandang sebagai pendukung atau

sebagai bukti kebenaran kesimpulan. Argument induktif dapat digambarkan kuat atau lemah

tergantung seberapa banyak premis yang mendukung

menduku ng kesimpulan. Contoh: Pak York membeli tiga

ratus tiket; oleh karena itu dia akan memenangkan lotre "tiga kali lebih kuat dari" Mr. York

membeli seratus tiket, oleh karena itu dia akan memenangkan lotre. Penalaran /argument induktif

ada 3 jenis generalisasi, analogi, dan sebab-akibat. Ketika orang mengevaluasi argumen induktif,

Anda sering mendengar mereka berbicara tentang informasi

informasi tambahan sebagai “memperkuat” atau

“melemahkan” argumen. Namun, dalam kebanyakan kasus, bahwa informasi tambahan membuat

kesimpulan lebih atau kurang mungkin, bukan karena itu membuat argumen asli lebih kuat atau

lebih lemah. Contoh argumen “pak York memiliki

memiliki seratus tiket lotre, karena itu ia akan

memenangkan lotere”. Kekuatan argumen tergantung pada seberapa besar kemungkinan premis

membuat kesimpulan, yang ditentukan oleh berapa banyak tiket yang ada. Jika kita mengetahui

bahwa Tuan York benar-benar memiliki tiga ratus tiket (bukan seratus), itu berarti peluangnya

untuk menang adalah tiga kali lebih tinggi dari yang kita duga, tetapi kekuatan dari argumen

aslinya tetap ada. Informasi baru tidak memperkuat argumen itu; itu hanya meningkatkan

kemungkinan bahwa kesimpulan dari argumen aslinya bahwa Pak York akan memenangkan lotre

adalah benar.
A. Arguing From The General To The Specific (Inductive Syllogisms) / Menyangkal dari

General atau Umum Ke Spesifik (Sistem Induktif)

Kebanyakan X adalah Y
Ini adalah X
Kesimpulanya
Kesim pulanya,, ini adalah Y

Tergantung pada persentase X adalah Y.

Ini adalah formula untuk jenis argumen yang sangat umum, argumen yang oleh para ahli

logika disebut sebagai induktif atau silogisme statistik. Dalam kehidupan nyata silogisme

induktif tidak dinyatakan dalam bentuk standar, dinyatakan dengan sederhana. Contohnya:

“York adalah seorang guru, oleh karena itu dia seorang Demokrat”
Demokrat”. Dengan pertama

menghilangkan pernyataan umum (Kebanyakan guru adalah Demokrat), kedua menghilangkan

pernyataan khusus (York adalah seorang guru).
gu ru). p
pada
ada k
kenyataannya,
enyataannya, silogisme induktif sering

disajikan tanpa pernyataan umum atau tanpa pernyataan spesifik. Hal ini benar jika kekuatan

silogisme induktif tergantung pada pernyataan umum, dalam hal ini pernyataan umum

"Kebanyakan guru adalah Demokrat". Semakin tinggi persentase guru yang merupakan

Demokrat, semakin kuat argumennya. Jika, misalnya, York memilih National Rifle

Association, kecil kemungkinannya ia seorang Demokrat. Kenyataannya, kepemilikannya pada

NRA mungkin membuat York tidak mungkin menjadi seorang Demokrat, bahkan jika ia

seorang guru. Itu semua tergantung pada berapa persen

pe rsen guru yang termasuk dalam NRA adalah

Demokrat. Jika sebagian besar dari mereka adalah Republikan, maka, tentu saja York mungkin

adalah seorang Republikan. Informasi baru bahwa York adalah milik NRA membuatnya kecil

kemungkinannya bahwa York adalah seorang Demokrat. Namun, itu tidak mengubah kekuatan

argumen asli, yang ditentukan oleh bagaimana premisnya mempengaruhi probabilitas

kesimpulannya.
B. Arguing from the Specific to the General (Inductive Generalizing) / Berargumen dari

Khusus ke Umum (Induktif Generalisasi)

Tidak masuk akal jika berpikir ketika York menjadi guru berarti dia adalah seorang

Demokrat, jika Anda tidak punya alasan untuk berpikir bahwa sebagian besar guru adalah
Demokrat. Salah satu metode untuk mengetahui berapa persentase X adalah Y yaitu hanya

untuk mengamati semua X. Jika X yang dimaksud adalah guru di sekolah Anda, dan Anda ingin

tahu berapa persen dari mereka adalah Demokrat, Anda bisa dengan mudah memeriksa mereka

dengan asumsi mereka bersedia memberi tahu Anda politik mereka. Bentuk dasar dari semua

generalisasi induktif, baik ilmiah atau bukan, mudah ditampilkan dengan menggunakan contoh

guru dan Demokrat:

 Persentase guru Amerika yang disurvei ini dan itu adalah Demokrat.

 Karena itu, persentase yang sama dari semua guru Amerika adalah Demokrat.

Untuk mewakili hal ini secara lebih skematis, karena generalisasi induktif dapat mengenai

apa saja: Persentase X yang diamati adalah Y. Oleh karena itu, persentase yang sama dari semua

X adalah Y.

Untuk keperluan generalisasi induktif, diversifikasi populasi target harus direplikasi dalam

sampel. Dengan menggeneralisasi dari sampel, kami membuat pernyataan umum tentang

populasi hal-hal ketika kami belum mengamati semua anggota

an ggota populasi. Meskipun kita akan
ak an

berbicara sebagian besar tentang populasi yang terdiri

terd iri dari orang-orang, apa yang kita katakan

berlaku untuk generalisasi tentang segala jenis entitas yang dapat diidentifikasi. Generalisasi

berupa penalaran induktif yang dilakukan dengan cara menggunakan beberapa pernyataan yang

mempunyai ciri tertentu untuk memperoleh kesimpulan yang bersifat

b ersifat umum. Faktor-faktor ada
 tidaknya populasi dapat mempengaruhi ada tidaknya fitur yang diminati yang disebut sebagai

faktor terkait. Ketika sampel berisi sejumlah hal yang tidak proporsional (misalnya orang) yang

memiliki faktor terkait yang diberikan, maka sampel dikatakan bias sehubungan dengan faktor

tersebut. Adapun beberapa panduan mengevaluasi kekuatan generalisasi induktif dari sampel

yaitu:

 Ukuran: Apakah sampel cukup besar untuk mencerminkan

mence rminkan beragam faktor dalam populasi

yang dapat memengaruhi ada atau tidaknya fitur yang diminati?

 Keragaman: Apakah sampel sebenarnya mencerminkan keragaman itu?

 Bias: Apakah ada faktor terkait sampel dalam frekuensi yang berbeda dari apa yang

diharapkan untuk ditemukan pada populasi target?

Jika dua sampel sama-sama terdiversifikasi dengan faktor-faktor terkait, sampel yang lebih

besar kurang cenderung bias, dan karena sampel harus mencerminkan diversifikasi faktor-

faktor terkait yang benar-benar ada dalam populasi target, kita bisa lolos dengan sampel yang

lebih kecil jika populasi target relatif homogen .

C. Inductive Arguments from Analogy / Argumen Induktif dari Analogi

Analogi yaitu penalaran induktif dengan cara membandingkan 2 hal atau lebih yang
didukung, sehingga dirumuskan kesimpulan berdasarkan persetujuan
pe rsetujuan tersebut. Secara skematis,

apa yang disebut argumen dari analogi sebagai berikut:

X dan Y keduanya
keduanya memiliki properti p, q, r (dan sebagainya)
memiliki properti sebagainya)
X memiliki fitur F
Oleh karena itu, Y memiliki fitur F

Contohnya:
 C  D ,− ,
,     ,
   TV  
C  T Cc  N
  ,D   T Cc  N

Ada beberapa hal yang harus dipertimbangkan dalam penalaran analogi, yaitu:

Jumlah kesamaan antara X dan Y,

 Jumlah perbedaan antara X dan Y,

 Keragaman terkait kesamaannya,

 Jumlah entitas yang termasuk dalam perbandingan istilah (X).

1. Attacking the Analogy / menyerang Analoginya

Kadang-kadang orang menyatakan bahwa ini dan itu benar untuk sesuatu dan menggambar

analogi sebagai "premis" tanpa menyebutkan kesamaan sama sekali. Contohnya:

"Anggaran federal seperti anggaran rumah tangga, hal-hal buruk terjadi karena tidak

menyeimbangkan anggaran rumah tangga, oleh karena

k arena itu hal-hal buruk akan terjadi karena

tidak menyeimbangkan anggaran federal”. Secara skematis seperti dibawah ini:

X seperti Y
X memiliki fitur F
Oleh karena itu, Y memiliki fitur
fitur F

D. Random Variation, Error Margins, and Confidence Levels / Variasi Acak, Margin

Kesalahan, Dan Tingkat Percaya Diri

Kunci dari generalisasi adalah variasi acak. kisaran variasi acak dari sampel ke sampel

disebut sebagai margin kesalahan. Proporsi benar dapat dihitung secara matematis dan

tergantung pada 2 hal: 1) ukuran sampel, dan 2) tingkat kepercayaan, Tingkat kepercayaan

hanya mengungkapkan probabilitas bahwa proporsi yang ditemukan dalam sampel tertentu

akan berada dalam margin kesalahan.

E. Everyday Inductive Arguments / Argumen Induktif Setiap Hari

 1. Informal Error-Margin and Confidence-Level Indicators / Indikator Kesalahan Margin

Informal dan Tingkat Keyakinan

Kata sehari-hari digunakan untuk mengekspresikan konsep margin kesalahan termasuk

"sekitar", "tentang", "kira-kira", "sebagian besar", "banyak", dan lainnya. serta cara untuk

menunjukkan tingkat kepercayaan informal (berbeda dari margin kesalahan informal).

Frasa seperti "hampir pasti", "sangat mungkin", "kemungkinan besar", "ada peluang bagus",

"Anda bisa yakin", "Saya berani bertaruh apa pun", "Tidak ada banyak peluang", dan frasa

lain dan teknik mengekspresikan

mengekspresikan pendapat tentang probabilitas kesimpulan. Indikator

margin-kesalahan informal dan tingkat kepercayaan dan ekspresi lain memungkinkan untuk

mengekspresikan estimasi kekuatan argumen dan mengungkapkan fakta jika salah dalam

menilai. Ada dua kesalahan mendasar yang bisa dilakukan seseorang dalam generalisasi

induktif: generalisasi yang tergesa-gesa (hasty generalizing) dan generalisasi yang bias

(biased generalizing).

F. Fallacies in Inductive Reasoning / Jatuh Dalam Alasan Induktif

Generalisasi tergesa-gesa sering digambarkan sebagai alasan dari sampel yang terlalu kecil

atau sebagai melebih-lebihkan kekuatan argumen berdasarkan sampel kecil. Kita sering

mendengar ahli statistik dan ilmuwan menampik bukti sebagai "hanya anekdot." Sebuah
anekdot adalah sebuah cerita, dan kekeliruan, bukti anekdotal adalah versi tergesa-gesa

generalisasi di mana sampel hanya sebuah cerita. Sedangkan

Sedan gkan definisikan kekeliruan generalisasi

yang bias sebagai melebih-lebihkan kekuatan argumen berdasarkan sampel yang bias (tidak

representatif). generalisasi bias untuk kasus-kasus di mana melebih-lebihkan kekuatan argumen

berdasarkan ukuran yang lebih besar, sampel yang bias. Sebutan yang akurat terkait kesalahan

adalah melebih-lebihkan kekuatan analogi. Contohnya: seribu orang dapat online dan
 mendaftarkan untuk pemilihan yang diajukan oleh kepribadian berita CNN, Lou Dobbs. Jumlah

orang sebanyak yang Anda temukan dalam sampel dalam pemilihan profesional, seperti yang

kami lihat. Tetapi sebagai sampel opini publik, Dobbs (sampel) sama sekali tidak terbebas dari

bias, bukan karena orang-orang yang mendaftarkan penmilihanya bias, tetapi karena alasan

yang dijelaskan sebelumnya (kehadiran, dalam sampel, dari sejumlah orang yang memiliki

karakteristik terkait dengan yang kami minati). Jadi, jika seseorang mengatakan bahwa

pemilihan Lou Dobbs menunjukkan bahwa sebagian besar orang Amerika sekarang berharap

John Edwards terpilih sebagai presiden, orang tersebut akan melakukan kesalahan generalisasi

yang bias, tidak ada yang ditunjukkan karena sampel bias. Namun, jika orang itu hanya

mengatakan bahwa pemilihan Dobbs menunjukkan bahwa banyak orang Amerika mungkin

berharap Edwards terpilih sebagai presiden, maka tidak ada kesalahan.

1. Illicit Inductive Conversions / Konversi Induktif Gelap

_________X adalah Y
Oleh karena itu, _________Y adalah X

Bagian kosong biasanya diisi dengan "sebagian besar", "hampir setiap", "lebih dari

setengah", "beberapa", "banyak", " tidak banyak", " hanya beberapa" dan sebagainya. Contoh

paling penting dari kesalahan ini yang dapat

d apat dipikirkan adalah ketika seseorang men
mengetahui
getahui

bahwa dia telah dites positif untuk suatu kondisi medis. Biasanya, ketika tes medis dikatakan

sekitar 90 persen akurat itu berarti bahwa 90 persen dari mereka dengan kondisi tes positif.

Itu tidak berarti bahwa 90 persen dari mereka yang dites positif memiliki kondisi tersebut.

Jika Anda tes positif pada tes untuk kanker kandung kemih yang 90 persen akurat, di mana

itu berarti bahwa 90 persen dari mereka yang memiliki tes kanker kandung kemih positif, itu
 tidak berarti bahwa kemungkinan Anda memiliki kanker kandung kemih adalah 90 persen.

Peluang aktual Anda terkena kanker kandung kemih tergantung pada "tingkat dasar" kanker

semacam itu dan pada persentase orang yang dites positif yang tidak mengidapnya.

G. Analogies: The Rest of the Story / Analogi: Kisah Istimewa

Analogi digunakan dan juga berguna dalam penjelasan, sebagai perangkat retoris, dan

dalam kapasitas lain. Di sisi lain, analogi menjadi argumen moral dan hukum dengan Analogi

juga berperan dalam penjelasan. Beberapa penjelasan akan menjadi lebih ssulit
ulit atau bahkan tidak

mungkin jika tidak menggunakan kasus analog cara yang penting. Analogi historis digunakan

baik untuk menjelaskan maupun memperdebatkan sudut pandang. Sebagai contoh sejarah

Kekaisaran Romawi sering dibandingkan dengan Kekaisaran Inggris ketika para sejarawan

mencari tema yang sama dengan harapan dapat menarik kesimpulan tentang bangkit dan

runtuhnya suatu kerajaan. Penggunaan analogi logis dapat disebut sebagai menyangkal

argument. kita sering dapat menunjukkan kepada seseorang bahwa suatu argumen tidak valid

dengan memberikan argumen lain yang sama seperti argumen pertama tetapi jelas tidak valid.

H. Polls: Problems and Pitfalls / Pemilihan: Masalah dan Pitfal

Salah satu argumen induktif yang paling sering ditemui adalah dalam pendapat pemilihan,

terutama pendapat pemilihan publik (dan terutama pada tahun-tahun pemilihan). Pertama-tama
kita harus menekankan bahwa pemilihan yang dilakukan dengan benar dan akurat dapat

menjadi sumber informasi yang sangat andal. Tetapi kami segera menambahkan
menambahk an bahwa banyak

pemilihan yang didengar atau baca tidak dilakukan dengan benar, dan seringkali oran
orangg yang

melaporkan hasilnya tidak dapat membedakan antara pemilihan yang baik dan yang buruk.

Kami tidak dapat melakukan segala cara yang memungkinkan suatu pemilihan dapat gagal,

tetapi dengan mengikuti apa yang akan kami perhatikan dari dua yang paling umum.
 1. Self-Selected Samples / sampel yang dipilih sendiri

generalisasi dari sampel hanya sebagai keterwakilan sampel. Karena itu, tidak ada polling

yang bisa dipercaya jika anggota sampel ada di sana dengan pilihan mereka sendiri. Ketika

sebuah stasiun televisi meminta pemirsa untuk menelepon untuk mengekspresikan pendapat
pendap at

tentang suatu subjek, hasilnya memberitahu kita sangat sedikit tentang apa yang dipikirkan

seluruh populasi tentang subjek itu. Dalam pemilihan semacam itu, sampel hanya terdiri

dari orang-orang yang memiliki perasaan yang cukup kuat tentang masalah yang harus

ditanggapi dan yang memiliki waktu untuk ini. Situasi seperti itu hampir menjamin bahwa

sampel akan memiliki pandangan yang berbeda

berb eda secara signifikan dari populasi target secara

keseluruhan akan menjadi bias.

2. Slanted Questions / Pertanyaan Miring

Sumber utama yang tidak dapat diandalkan dalam praktik pemungutan suara adalah kata-

kata dari pertanyaan. Adalah mungkin untuk menanyakan hampir semua pertanyaan penting

dalam berbagai cara.

I. Playing by the Numbers / Bermain dengan Angka

Bagaimana jika instruktur Anda membalik koin sepuluh kali, dan

d an muncul kepala tujuh kali

dari sepuluh? Apakah ini akan membuat Anda berpikir bahwa guru Anda adalah seorang
penyihir atau seniman sulap? Tentu saja tidak. Tidak ada yang aneh dalam koin yang muncul

kepala tujuh kali dari sepuluh, terlepas dari kenyataan bahwa, seperti yang kita semua tahu,

peluang kepala dalam flip koin yang adil adalah

a dalah 50-50. Tetapi bagaimana jika instruktur Anda

mendapatkan kepala 70 persen dari waktu setelah membalik koin seratus kali? Ini akan jauh

lebih tak terduga, dan jika dia membalik koin seribu kali dan mendapatkannya. Semakin besar
 jumlah peristiwa yang ditentukan secara kebetulan dan berulang-ulang dipertimbangkan,

semakin dekat alternatif akan mendekati rasio yang dapat diprediksi.

Hukum sejumlah besar (peluang) beroperasi dalam banyak keadaan. Itu sebabnya kami

membutuhkan ukuran sampel minimum bahkan ketika metode kami memilih sampel

sepenuhnya acak. Untuk menyimpulkan generalisasi dengan keyakinan apa pun, kita perlu

sampel dengan ukuran tertentu sebelum kita dapat mempercayai angka-angka itu untuk

"berperilaku" sebagaimana mestinya. Sampel yang lebih kecil meningkatkan kemungkinan

kesalahan pengambilan sampel secara acak.

Hukum sejumlah besar (peluang) juga membuat para penjudi yang berpengetahuan luas

dan perusahaan perjudian dalam bisnis. Mereka tahu bahwa, jika mereka membuat taruhan yang

bahkan memberi mereka sedikit keuntungan dalam hal rasio yang dapat diprediksi, maka yang

harus mereka lakukan adalah membuat taruhan itu cukup sering dan mereka akan keluar sebagai

pemenang. Kekeliruan penjudi adalah gagasan bahwa probabilitas suatu peristiwa dalam urutan

acak tergantung pada peristiwa sebelumnya

Referensi:

Moore, Brooke Noel. Richard Parker. 2008, Critical Thinking 9th edition,
edition, New York: McGraw-

Hill Higher Education.