Reasoning berarti mengambil suatu keputusan
atas suatu alasan atau sebab tertentu. Reasoning sendiri ada 2 jenis
yaitu logical reasoning dan probabilisticreasoning.
Salah satu kelebihan probabilistic reasoning dibandingkan logical reasoning
adalah kemampuannya untuk mengambil keputusan yang rasional, walaupun informasi
yang diolah kurang lengkap atau mengandung unsur ketidakpastian. Pada artikel
ini, akan dibahas tentang Probabilistic Reasoning atau Ketidakpastian.
Probabilistic Reasoning adalah suatu yang memiliki kemampuan
mengambil keputusan yang rasional walaupun informasi yang akan diolah kurang
lengkap atau bersifat nonlinier. Probabilistic Reasoning merupakan salah satu
dari metode Soft Computing selain Fuzzy Logic dan Neural
Network. Ketiga metode ini merupakan tiang penyanggah bagi soft computing
yang saling melengkapi dan bekerjasama dalam menyelesaikan suatu permasalahan.
Jadi kekurangan dari satu metode akan ditutupi oleh kelebihan metode yang lain.
Tiga kategori dari Probabilistic Reasoning :
1. Teori Chaos
Teori chaos memiliki implikasi yang luas dalam
analisis pengambilan keputusan. Teori chaos memberi pengertian bahwa suatu aksi
sekecil pun dapat berimplikasi pada suatu akibat yang besar. Teori chaos juga
memberikan pengertian bahwa dalam pengambilan keputusan senantiasa dihadapkan
pada suatu potensi ketidakteraturan dan ketidakpastian sehingga batasan-batasan
metode pengambilan keputusan tradisonal tidak mencukupi lagi. Teori chaos
menuntut perubahan model mental yang sama sekali baru dan kreatif dari sang
pengambilan keputusan. Sistem pintar dan kecerdasan berupaya mengantisipasi
aspek ketidakpastian dan ketidakteraturan tersebut dengan mengadopsi logika
berpikir manusia ke dalam mesin komputer. Dengan sistem pintar, suatu perangkat
komputer dapat menganalisis suatu sistem permasalahan dan melakukan pengambilan
keputusan.
2. Belief Networks
Belief Networks (BN) adalah penalaran kausal,
dimana BN telah banyak digunakan dalam berbagai aplikasi. BN sekarang ini
menjadi andalan dalam bidang penelitian Flu Burung yang dikenal sebagai
penalaran pasti. BN sendiri didasarkan pada hukum-hukum probabilitas.
3. Genetic Algorithm <GA>
GA diperkenalkan oleh John Holland pada
pertengahan tahun 70-an. GA adalah metode komputasi yang meniru proses evolusi
dan seleksi alam. Metode ini sering dimanfaatkan untuk mencari nilai optimal
suatu fungsi/permasalahan.
Beberapa keunggulan yang dimilki oleh GA adalah sebagai berikut
:
- GA memiliki kemampuan untuk
mencari nilai optimal secara parallel, melalui kerjasama antara berbagai
unit yang disebut kromosom individu.
- GA tidak memerlukan perhitungan
matematika yang rumit seperti diferensial yang diperlukan oleh algoritma
optimisasi yang lain.
Namun demikian GA
memiliki juga kelemahan dan keterbatasan:
- Tidak
memiliki rumusan yang pasti, bagaimana mentransfer parameter permasalahan
ke dalam kode genetik. Dengan kata lain, hal ini memerlukan pengalaman dan
wawasan dari desainer.
- Banyak
parameter yang perlu diset secara baik agar proses evolusi dalam GA
berjalan sesuai dengan yang diharapkan.
- Penentuan
rumus menghitung fitness merupakan hal yang sangat penting dan
mempengaruhi proses evolusi pada GA. Sayangnya tidak ada prosedur yang
baku bagaimana menentukan rumus tsb. Dalam hal ini pengalaman dari
desainer memegang peranan penting. Terlepas dari kendala yang ada, GA
merupakan alternatif solusi yang dikenal cukup handal dalam berbagai
masalah optimisasi.
Contoh dari Probabilistic Reasoning adalah Kasus Penyakit
Ginjal.
Referensi
http://rosyid.lecturer.pens.ac.id/KTI%20(softcomputing)/anto-softcomputing.pdf