logika dan penalaran

Logika proposisi melibatkan penalaran untuk menghasilkan kesimpulan dari

informasi atau pengetahuan yang ada, menggunakan teknik logis seperti deduksi dan
induksi. Konsep ini memiliki hubungan erat dengan knowledge dan reasoning atau
pengetahuan dan penalaran.
Penalaran adalah suatu sistem yang mampu menghasilkan kesimpulan dari
informasi atau pengetahuan yang ada, menggunakan teknik logis seperti deduksi dan
induksi. Hal ini berkaitan erat dengan kecerdasan buatan karena manusia memiliki
kemampuan luar biasa untuk memproses informasi baru, mengkombinasikannya dengan
pengetahuan yang sudah dimiliki, dan menggunakan penalaran logis.
Sebagai contoh, dalam kecerdasan buatan, kita ingin menerapkan kemampuan ini
pada komputer agar dapat dengan cepat menerima, mengolah, dan menggunakan informasi
untuk menyelesaikan masalah kompleks. Bidang kecerdasan buatan yang membahas hal ini
disebut dengan logika dan penalaran.
Konsep dasar di sini adalah bagaimana merepresentasikan informasi tentang dunia
ke dalam bentuk komputasional yang dapat dimengerti oleh sistem komputer. Ini penting
untuk memastikan representasi informasi yang baik, yang tidak kontradiktif, sehingga bisa
digunakan untuk menyelesaikan berbagai masalah, seperti mendiagnosa kondisi medis atau
berdialog dalam bahasa alami.
Jadi, kita akan menjelajahi bagaimana merepresentasikan pengetahuan dengan
baik, sehingga komputer dapat menggunakan penalaran untuk menyelesaikan berbagai
permasalahan kompleks. Semua ini berkaitan dengan bagaimana teknologi logika dan
penalaran dapat membantu kita mencapai kecerdasan buatan yang lebih canggih dan
efektif.
Reasoning dalam konteks membuat suatu Expert System atau sistem yang dapat
berpikir melibatkan proses pengambilan keputusan berdasarkan informasi dan pengetahuan
yang dimiliki oleh sistem tersebut. Sistem ini dapat memberikan keputusan atau pernyataan
berdasarkan input yang diberikan.
Dalam konteks ini, terdapat dua konsep utama, yaitu reasoning (penalaran) dan
planning (perencanaan).
Penalaran berfokus pada bagaimana sistem dapat menghasilkan keputusan atau
pernyataan sebagai output berdasarkan informasi yang diterimanya. Sebagai contoh, dalam
Expert System, penalaran ini dapat mencakup evaluasi kondisi atau fakta untuk
menghasilkan suatu keputusan.
Planning lebih berorientasi pada bagaimana sistem dapat merencanakan aksi atau
tindakan selanjutnya berdasarkan input yang diberikan. Tujuannya adalah untuk
menghasilkan suatu keputusan terhadap aksi yang dapat dilakukan. Kedua konsep ini saling
terkait dan dapat membentuk dasar dari suatu sistem yang dapat berpikir.
Dalam pengembangan sistem yang dapat berpikir, penting untuk merepresentasikan
pengetahuan tentang dunia dengan baik. Representasi ini harus memungkinkan sistem
untuk melakukan penalaran yang benar dan memberikan keputusan atau pernyataan yang
tepat.
Contoh konkretnya dapat ditemukan dalam bidang pemrosesan bahasa alami
(Natural Language Processing) di mana sistem harus mampu memahami dan merespons
kepada informasi yang diberikan dalam bentuk bahasa alami.
Dengan menggabungkan penalaran dan perencanaan, serta memahami
representasi pengetahuan, kita dapat menciptakan Expert System yang mampu mengambil
keputusan dan merespons kepada situasi yang kompleks. Ini merupakan langkah menuju
pengembangan kecerdasan buatan yang lebih lanjut.
Tujuan utama adalah membuat komputer mampu memproses informasi seperti
manusia. Namun, memberikan input teks langsung ke komputer tidak efektif karena banyak
faktor seperti typo, variasi bahasa, dan konteks yang mempengaruhi makna. Oleh karena
itu, kita perlu merepresentasikan input teks ke dalam bentuk formal yang dapat diresapi oleh
komputer.
Representasi formal ini melibatkan konsep formal language, yang mungkin telah
diperkenalkan melalui mata kuliah teori bahasa otomata. Ini membantu dalam merancang
suatu sistem yang dapat memahami dan memproses bahasa dengan memperhitungkan
struktur, aturan, dan logika di dalamnya.

Dalam konteks kecerdasan buatan, ada dua cabang utama: simbolik dan statistika.
Cabang simbolik menggunakan logika, aturan, dan representasi formal untuk
mendefinisikan prosedur inferensi. Ini mencakup konsep seperti representasi pengetahuan
dan penalaran.
Cabang statistika menggunakan pendekatan berbasis data seperti machine
learning. Ini melibatkan merepresentasikan pengetahuan dalam bentuk statistik dan
probabilitas berdasarkan pengamatan data dari dunia nyata.
Keduanya saling terkait, dan kombinasi dari keduanya dapat membentuk suatu
sistem yang dapat berpikir dan membuat keputusan. Proses penghubungan logika dan
representasi formal dengan kecerdasan buatan membantu menciptakan sistem yang dapat
memproses dan memahami informasi dari berbagai sumber dengan lebih efektif.
Agent-based systems memberikan kemampuan kepada agen tanpa memberikan
informasi langsung terkait lingkungan mereka. Agen ini memiliki inference engine dan
knowledge base untuk membuat keputusan tanpa mengetahui secara langsung kondisi di
lingkungan mereka. Perbedaan dengan sistem yang cerdas adalah bahwa agen dalam
agent-based systems sebenarnya tahu tentang kondisi lingkungan, tetapi diprogram untuk
tidak memperhatikan atau mempertimbangkan informasi tersebut dalam pengambilan
keputusan. Ini mirip dengan karakter dalam game besar yang tahu di mana mereka berada
tetapi diprogram untuk tidak menggunakan pengetahuan itu.
Ada dua sistem terpisah dalam agent-based systems: environment (lingkungan)
dan agent (agen). Informasi dari lingkungan masuk ke agen, yang kemudian membuat
keputusan dan menghasilkan aksi. Ini menciptakan suatu dinamika di mana agen bertindak
berdasarkan pengetahuan dan informasi yang diprogramkan ke dalamnya.

Selanjutnya, terdapat lima tipe logika dasar dalam kecerdasan buatan, namun, untuk
pembahasan ini, kita hanya akan fokus pada dua di antaranya: propositional logic dan
first-order logic.
Logika proposisi berkaitan dengan fakta, memungkinkan agen untuk mengenali
apa yang benar, salah, atau tidak diketahui. Sementara itu, first-order logic memungkinkan
agen untuk memiliki pengetahuan tentang objek dan relasi antar objek dengan nilai yang
bersifat benar atau salah. Probability theory, sebagai tipe logika lainnya, memberikan output
berupa derajat keyakinan terhadap fakta, dengan nilai antara 0 dan 1.
Contoh penerapan kalkulus proposisi seperti yang terdapat di tahun 1970-an, ada
game komputer pertama yang disebut "Hunt the Wumpus." Game ini dikembangkan
berbasis teks dengan bahasa pemrograman BASIC. Konsepnya melibatkan pemain yang
berada dalam gua, di mana ruangannya saling terhubung. Pemain harus mencari harta
karun dalam gua tersebut sambil menghindari monster bernama Wumpus, jurang, dan
bahaya lainnya.
Permainan ini memerlukan pemikiran dan penalaran dari pemain, karena mereka
harus membuat keputusan berdasarkan informasi yang diberikan setiap kali mereka
memasuki ruangan. Misalnya, bau monster atau angin menunjukkan adanya bahaya di
sekitar. Game ini menekankan pemikiran strategis daripada refleks cepat.
Pada masa itu, peneliti menyatakan bahwa permainan ini memerlukan pemikiran dan
penalaran yang lebih kompleks daripada permainan tembak-tembakan pada zaman itu. Ini
menjadi dasar inspirasi untuk mengembangkan komputer yang bisa "berpikir" dan membuat
keputusan serupa manusia. Konsep ini memberikan sumbangan awal terhadap
pengembangan kecerdasan buatan dan simulasi lingkungan.
Kalkulus proposisi memiliki keterbatasan dalam ekspresi dan representasi makna
yang lebih kompleks dibandingkan dengan bahasa alami. Dalam propositional logic, kita
tidak dapat menyatakan urutan, konteks, atau makna yang lebih dalam seperti yang dapat
diungkapkan dalam bahasa alami. Ini mengakibatkan keterbatasan dalam
merepresentasikan fakta dan hubungan antara proposisi.
Contoh keterbatasan tersebut adalah dalam mewakili urutan kejadian atau hubungan
yang lebih kompleks antar proposisi. Sebagai contoh, kalimat "I'm sick and she went to the
doctor" memiliki makna spesifik tentang hubungan waktu dan tindakan yang sulit
diungkapkan dalam kalkulus proposisi.
Selain itu, kalkulus proposisi tidak dapat menangani konsep probabilitas atau
ketidakpastian. Dalam bahasa alami, kita sering menyampaikan informasi dengan tingkat
keyakinan atau kemungkinan, yang sulit diwakili dalam propositional logic.
Meskipun propositional logic memiliki kejelasan dan kepastian, kekurangan tersebut
membuatnya kurang sesuai untuk merepresentasikan aspek-aspek kompleks dan nuansa
dalam bahasa alami. Oleh karena itu, terdapat kebutuhan untuk model logika yang lebih
kuat seperti first-order logic atau bahasa alami untuk menangani permasalahan yang
melibatkan konteks dan kompleksitas yang lebih tinggi.