Board Game

By: Bayu Gustiardi on 11/30/2017 11:18:00 PM

Board Game adalah permainan meja yang melibatkan penghitung atau potongan yang dipindahkan atau ditempatkan pada permukaan atau papan "yang ditandai sebelumnya", sesuai dengan seperangkat aturan. Beberapa permainan didasarkan pada strategi murni, namun banyak mengandung unsur kebetulan; dan ada pula yang murni kebetulan, tanpa unsur keterampilan.

Permainan biasanya memiliki tujuan yang ingin dicapai pemain. Permainan papan awal mewakili pertempuran antara dua tentara, dan kebanyakan permainan papan modern masih didasarkan pada mengalahkan lawan dalam hal penghitung, posisi menang, atau akrual poin.

Game Theory

Menururt Dimiyati (1992), teori permainan (game theory) adalah bagian dari ilmu pengetahuan yang berkaitan dengan pembuatan keputusan pada saat ada dua pihak atau lebih berada dalam kondisi persaingan atau konflik. Pihak-pihak yang bersaing ini disumsikan bersifat rasional dan cerdas, artinya masing-masing pihak akan melakukan strategi tindakan yang rasional untuk memenangkan persaingan itu, dan masing-masing pihak juga mengetahui strategi pihak lawannya. Selanjutnya pihak ini disebut pemain.

Menurut Ayu (1996), game theory merupakan suatu pendekatan matematis untuk merumuskan situasi persaingan dan konflik antara berbagai kepentingan. Game theory melibatkan dua atau lebih pengambil keputusan atau yang disebut pemain. Setiap pemain dalam game theory mempunyai keinginan untuk menang.

Tujuan teori ini adalah menganalisa proses pengambilan keputusan dari persaingan yang berbeda-beda dan melibatkan dua atau lebih pemain/kepentingan. Kegunaan dari teori permainan adalah metodologi yang disediakan untuk menstruktur dan menganalisa masalah pemilihan strategi. Menggunakan teori permainan, maka langkah pertama adalah menentukan secara explicit pemain, strategi yang ada, dan juga menentukan preferensi serta reaksi dari setiap pemain.

Terdapat dua jenis strategi permainan yang dapat digunakan pada game theory, yaitu pure strategy (setiap pemain mempergunakan strategi tunggal) dan mixed strategy (setiap pemain menggunakan campuran dari berbagai strategi yang berbeda-beda). Pure strategy digunakan untuk jenis permainan yang hasil optimalnya mempunyai saddle point (semacam titik keseimbangan antara nilai permainan kedua pemain). Sedangkan mixed strategy digunakan untuk mencari solusi optimal dari kasus game theory yang tidak mempunyai saddle point.

Algoritma minimaxing

Algoritma Minimax merupakan algoritma yang digunakan untuk menentukan pilihan agar memperkecil kemungkinan kehilangan nilai maksimal. Algoitma ini diterpkan dalam permainan yang melibatkan dua pemain seperti tic tac toe, checkers, go dan permainan yang menggunakan strategi atau logika lainnya. Hal ini berarti permainan-permainan tersbut dapa dijelaskan sebagai suatu rangkaian aturan dan premis.

Algoritma ini mulai dikembangkan dari teori game zero-sum. Teori ini mendeskripsikan situasi dimana jika terdapat pemain yang mengalami pendapatan, pemain lain akan mengalami kehilangan dengan nilai yang sama dari pendapatan tersebut, dan sebaliknya. Jumlah pendapatan dari pemain yang dikurangi dengan jumlah kehilangan akan berjumlah nol. Teori minimax menyatakan :

Untuk setiap dua orang pemain dalam zero-sum game, terdapat nilai V dari strategi yang dimiliki pemain seperti :

1.     Stratregi yang ditentukan pemain kedua akan menghasilkan konsekuensi kemungkinan untuk pemain pertama, V

2.    Strategi yang dutentukan pemain pertama akan menghasilkan konsekuensi kemungkinan untuk pemain pertama, -V

Secara setara, strategi pemain pertama akan memastikan suatu nilai V tanpa memperdulikan strategi pemain kedua, dan bersamaan dengan itu pemain kedua akan memastikan dirinya kehilangan nilai sebesar –V. 

Transposition table dan Memori

-      Algoritma dapat menggunakan tabel transposisi untuk menghindari melakukan pekerjaan ekstra.

-      Memori kerja posisi dewan yang telah dipertimbangkan

-      Gunakan fungsi hash khusus desiderata: sebarkan posisi yang mungkin seluas mungkin di kisaran nilai hash. Nilai hash yang banyak berubah saat berpindah dari papan ke papan sangat sedikit

Referensi:

https://en.wikipedia.org/wiki/Board_game

https://sutrisnoadityo.wordpress.com/2013/10/12/teori-permainan-game-theory/

informatika.stei.itb.ac.id/~rinaldi.munir/Stmik/2007.../MakalahIF2251-2008-031.pdf

https://www.google.co.id/url?sa=t&rct=j&q=&esrc=s&source=web&cd=3&cad=rja&uact=8&ved=0ahUKEwi2y7_IvY7YAhUBqY8KHcP8DW8QFgg6MAI&url=http%3A%2F%2Fwww.imada.sdu.dk%2F~marco%2FDM810%2FSlides%2Fdm810-lec13.pdf&usg=AOvVaw33tH2PyAnvMtwA8ZeWAHDd

Read More

Teknik Pembangunan Game AI

By: Bayu Gustiardi on 11/23/2017 10:19:00 PM

Movement

Komputer sebagai alat untuk pemindahan data yaitu untuk  pemindahan data yang telah dibuat dan akan bisa membuka kembali file yang telah kita buat dengan cara mengcopy paste file yang telah kita buat. Contohnya dari keyboard ke layar monitor. Dalam game, movement adalah metode yang menekankan konsep gerak tubuh, meliputi konsep kesadaran tubuh, konsep usaha, konsep ruang, dan konsep keterhubungan.

Pathfinding

Path finding merupakan metode yang sangat dibutuhkan pada berbagai game, terutama game 3D. Path finding digunakan untuk menentukan arah pergerakan suatu objek berdasarkan keadaan lokasi dan object disekitarnya dari suatu titik ke titik lain. Pathfinding merupakan cara untuk mendapatkan rute antara dua buah point, beberapa agoritma yang dapat diterapkan antara lain brute force, BFS, DFS.

 Pengambilan Keputusan

Pengambilan keputusan adalah suatu proses pemilihan dari berbagai alternatif baik kualitatif maupun kuantitatif untuk mendapat suatu alternatif terbaik guna menjawab masalah atau menyelesaikan konflik (pertentangan).

Proses penurunan keputusan,terdapat 4 unsur,antara lain:

a.    Model : Model menunjukkan gambaran suatu rnasalah secara kuantitatif atau kualitatif.

b.    Kriteria: Kriteria yang dirumuskan menunjukkan tujuan dari keputusan yang diambil. Jika terdapat beberapa kriteria yang saling bertentangan, maka pengambilan keputusan harus melalui kompromi (misalnya menambah jasa langganan dan mengurangi persediaan, maka keputusan mana yang diambil perlu kompromi).

c.    Pembatas: Faktor-faktor tambahan yang perlu diperhatikan dalam memecahkan masalah pengambilan keputusan. Misalnya dana yang kurang tersedia.

d.    Optimalisasi: Apabila masalah keputusan telah diuraikan dengan sejelas jelasnya, maka manajer menentukan apa yang diperlukan (kriteria) dan apa yang diperbolehkan (pembatas). Pada keadaan ini pengambil keputusan siap untuk memilih pemecahan yang terbaik atau yang optimal.

Proses pengambilan keputusan terbagi 3,yaitu:

a.    Penyelidikan: Mempelajari lingkungan atas kondisi yang memerlukan keputusan. Data mentah diperoleh, diolah, dan diuji untuk dijadikan petunjuk yang dapat mengidentifikasi persoalan.

b.    Perancangan: Mendaftar, mengembangkan, dan menganalisis arah tindakan yang mungkin. Hal ini meliputi proses-proses untuk memahami persoalan, menghasilkan pemecahan, dan menguji kelayakan pemecahan tersebut.

c.    Pemilihan: Memilih arah tindakan tertentu dari semua yang ada. Pilihan ditentukan dan dilaksanakan.

Taktik dan Strategi dalam AI

AI dalam game biasanya memiliki kecepatan dalam taktik bermain sehingga mengharuskan pemain untuk berfikir lebih cepat untuk menyusun strategi terbaik agar dapat memperoleh skor yang maksimal. Kecerdasan buatan merupakan kecerdasan yang ditujukan oleh suatu entitas buatan, yang diciptakan dan diterapkan kedalam sebuah mesin (komputer) sehingga dapat melakukan perbuatan seperti manusia. Strategi dalma gamepun bervariasi. Salah satunya adalah dalam game Othello yaitu strategi bermain reversy, sperti jumlah pin, penguasaan sudut/x-square/c-square, jumlah pin stabil, mobility, jumlah pin tepi, parity, dan pola sisi/sudut.

Pembelajaran

Machine learning adalah teknik AI yang berkaitan dengan pembelajaran data dan menggunakannya untuk memprediksi informasi yang ada di dunia. Machine learning dibangun dengan menggunakan algoritma. Rangkaian instruksi ini akan menyelesaikan suatu permasalahan. Contoh algoritma yang dimaksud adalah decision tree learning dan association rule learning.Namun, algoritma machine learning yang berperan dalam kehidupan di dunia adalah jaringan saraf buatan, suatu teknik yang terinspirasi oleh cara kerja neuron otak manusia.

Read More

Kecerdasan Buatan dan Permainan (AI and Games)

By: Bayu Gustiardi on 11/16/2017 10:20:00 PM

Kecerdasan Buatan vs. Game AI

Kecerdasan Buatan atau kecerdasan yang ditambahkan kepada suatu sistem yang bisa diatur dalam konteks ilmiah atau Intelegensi Artifisial (bahasa Inggris: Artificial Intelligence atau hanya disingkat AI) didefinisikan sebagai kecerdasan entitas ilmiah. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer (games), logika fuzzy, jaringan syaraf tiruan dan robotika.

Game adalah permainan komputer yang dibuat dengan teknik dan metode animasi. Permainan game merupakan bidang AI yang sangat populer berupa permainan antara manusia melawan mesin yang mempunyai intelektual untuk berpikir. Komputer dapat bereaksi dan menjawab tindakan-tindakan yang diberikan oleh lawan mainnya.

Salah satu komputer yang ditanamkan AI untuk game bernama Deep Blue. Deep Blue adalah sebuah komputer catur buatan IBM pertama yang memenangkan sebuah permainan catur melawan seorang juara dunia (Garry Kasparov) dalam waktu standar sebuah turnamen catur. Kemenangan pertamanya (dalam pertandingan atau babak pertama) terjadi pada 10 Februari 1996 dan merupakan permainan yang sangat terkenal.

Kini telah banyak berkembang game AI yang semakin menarik, interaktif, dan dengan grafis yang sangat bagus. Ditambah dengan kemajuan teknologi jaringan komputer yang semakin cepat, sudah banyak terdapat game-game AI yang berbasiskan online. Tidak sedikit orang yang tertarik dengan game saat ini. Mereka memainkan game untuk mengisi kekosongan waktu mereka atau pun melatih skill mereka dalam berpikir.

Mode Game AI

Salah satu unsur yang berperan penting dalam sebuah game adalah kecerdasan buatan. Dengan kecerdasan buatan, elemen-elemen dalam game dapat berperilaku sealami mungkin layaknya manusia.

Game AI adalah aplikasi untuk memodelkan karakter yang terlibat dalam permainan baik sebagai lawan, ataupun karakter pendukung yang merupakan bagian dari permainan tetapi tidak ikut bermain (NPC = Non Playable Character). Peranan kecerdasan buatan dalam hal interaksi pemain dengan permainan adalah pada penggunaan interaksi yang bersifat alami yaitu yang biasa digunakan menusia untuk berinteraksi dengan sesama manusia. Contoh media interaksi ialah:

·         Penglihatan (vision)

·         Suara (voice), ucapan (speech)

·         Gerakan anggota badan ( gesture)

Untuk pembentukan Artificial Intelligence pada game ternyata digunakan pula algoritma, yaitu jenis pohon n-ary untuk suatu struktur. Implementasi pohon (tree) ini biasa disebut game tree. Berdasarkan game tree inilah sebuah game disusun algoritma kecerdasan buatannya. Artificial intellegence yang disematkan dalam sebuah game yang membentuk analisis game tree biasanya merepresentasikan kondisi atau posisi permainan dari game sebagai suatu node, dan merepresentasikan langkah yang mungkin dilakukan sebagai sisi berarah yang menghubungkan node kondisi tersebut ke anak (child) sebagaimana representasi suatu pohon (tree).

Namun, biasanya representasi langsung tersebut mempunyai kelemahan, yaitu representasi data pohon akan menjadi sangat lebar dan banyak. Mungkin bagi sebuah mesin komputer mampu melakukan kalkulasi sebanyak apapun masalah, namun game tree yang lebar dan besar memberikan beberapa masalah, antara lain konsumsi proses memori, kapasitas penyimpanan yang cukup besar dan kinerja yang kurang pada konsol game berspesifikasi rendah. Karena itu dibentuklah beberapa algoritma dan penyederhanaan bagi sebuah game tree.

Pada salah satu contoh game klasik, yaitu tic tac toe, penyederhanaan dapat dilakukan dengan berbagai metode. Salah satu diantaranya adalah minimax. Metode ini berhasil diterapkan dan memberikan nilai reduksi yang cukup signifikan. Dan tidak hanya bisa digunakan secara monoton, minimax juga bisa digunakan untuk game-game yang lebih rumit seperti catur, tentunya dengan algoritma dan representasi berbeda.

Minimax yang merupakan salah satu metode penerapan (implementasi) pohon n-ary pada suatu game, menandakan bahwa implementasi struktur (pohon khusunya) sangatlah diperlukan pada pembuatan dan penerapan Artificial Intelligence, dan tidak menutup kemungkinan ilmu dan metode baru yang lebih canggih akan ditemukan di masa depan.

Jenis Game AI

Jenis-Jenis Game

1.      Fun Games :

            Permainannya seperti skate board, bilyard, catur, puzzle, tetris, golf, Windows Entertainment Pack Games dan semua permainan yang animasinya sedikit dan pembuatannya relatif mudah. Permainan semacam ini terlihat mudah dari segi grafiknya tetapi biasanya sulit dalam algoritma.

2.    Arcade Games :

            Semua permainan yang mudah dimengerti, menyenangkan dan grafiknya bagus walau biasanya sederhana. Pengertian mudah dimengerti dan menyenangkan dikarenakan permainan ini hanyalah berkisar pada hal-hal yang disenangi umum seperti pukul memukul, tembak menembak, tusuk menusuk, kejar mengejar dan semua yang mudah dan menyenangkan.

            Yang termasuk kedalam permainan jenis ini adalah Prince of Persia, Street Fighter, Golden Axe, Grand Prix, Robocop.

3.    Strategic Games :

            Biasanya permainan strategi perang atau bisa juga permainan lain tetapi tetap saja memerlukan strategi untuk memenangkannya seperti startegi bisnis dan strategi politik.

4.    Adventure Games :

            Terbagi atas tiga macam yaitu petualangan biasa (Multi Layered Adventur), Dungeon-Underworld Adventure (3D Adventure) dan Roll Playing Game Adventure. Grafik jenis permainan ini benar-benar sulit. Contoh beberapa permainan jenis ini adalah Space Quest IV, Labyrinth of Word, War II dan Diablo.

5.    Simulation Games :

            Dari semua jenis permainan yang ada, masing-masing memiliki tingkat kesulitan dan kemudahannya, jika bukan algoritmanya maka akan mudah dalam hal animasinya, akan tetapi games simulasi bisa disebut sebagai jenis permainan yang paling sulit, baik algoritma pembuatannya maupun animasinya. Permainan jenis ini juga yang paling membuat pusing dibandingkan dengan permainan jenis lainnya.

            Algoritmanya sangat sulit sebab harus memperhitungkan semua kejadian dalam kondisi sebenarnya. Berbagai efek animasi yang dibuat tidak cukup bermodalkan ahli grafik dan algoritma saja, tetapi sedikitnya harus mengerti persoalan matematika, teknik dan fisika. Contoh permainan jenis ini adalah Stellar7, F-15 Strike Eagle, Flight Simulator 98, F-14 Tomcat, F-16 Falcon, Jet Fighter.

Daftar pusataka

https://id.wikipedia.org/wiki/Kecerdasan_buatan

https://setiyanugroho.wordpress.com/2011/04/12/kecerdasan-buatan-dalam-game/

https://faris6593.blogspot.co.id/2014/03/pengenalan-pengertian-teknologi-game-dan-esrb.html

Read More

Pembelajaran/Learning

By: Bayu Gustiardi on 11/09/2017 08:37:00 PM

Pembelajaran dan pengamatan

Pembelajaran adalah proses interaksi peserta didik dengan pendidik dan sumber belajar pada suatu lingkungan belajar yang meliputi guru dan siswa yang saling bertukar informasi.

Pengamatan atau observasi adalah aktivitas terhadap suatu proses atau objek dengan maksud merasakan dan kemudian memahami pengetahuan dari sebuah fenomena berdasarkan pengetahuan dan gagasan yang sudah diketahui sebelumnya, untuk mendapatkan informasi-informasi yang dibutuhkan untuk melanjutkan suatu penelitian.

 Bentuk pembelajaran

a.       Menumbuhkan motivasi belajar anak

Motivasi berkaitan erat dengan emosi, minat, dan kebutuhan anak didik. Upaya menumbuhkan motivasi intrinsik yang dilakukan guru adalah mendorong rasa ingin tahu, keinginan mencoba, dan sikap mandiri anak didik. Sedangkan bentuk motivasi ekstrinsik adalah dengan memberikan rangsangan berupa pemberian nilai tinggi atau hadiah bagi siswa berprestasi dan sebaliknya.

b.      Mengajak anak didik beraktivitas

Adalah proses interaksi edukaktif melibatkan intelek-emosional anak didik untuk meningkatkan aktivitas sehingga motivasi akan meningkat. Bentuk pelaksanaanya adalah mengajak anak didik melakukan aktivitas atau bekerja di laboratorium, di kebun/lapangan sebagai bagian dari eksplorasi pengalaman, atau mengalami pengalaman yang sam sekali baru.

c.       Mengajar dengan memperhatikan perbedaan individual

Proses kegiatan belajar mengajar dilakukan dengan memahami kondisi masing-masing anak didik. Tidak tepat jika guru menyamakan semua anak didik karena setiap anak didik mempunyai bakat berlainan dan mempunyai kecepatan belajar yang bervariasi. Seorang anak didik yang hasil belajarnya jelek dikatakan bodoh. Kemudian menyimpulkan semua anak didik yang hasil belajarnya jelek dikatakan bodoh. Kondisi demikian tidak dapat dijadikan ukuran, karena terdapat beberapa faktor penyebab anak memiliki hasil belajar buruk, antara lain; faktor kesehatan, kesempatan belajar dirumah tidak ada, sarana belajar kurang, dan sebagainya.

d.     Mengajar dengan umpan balik

Bentuknya antara lain; umpan balik kemampuan prilaku anak didik (perubahan tigkah laku yang dapat dilihat anak didik lainnya, pendidik atau anak didik itu sendiri), umpan balik tentang daya serap sebagai pelajaran untuk diterapkan secara aktif. Pola prilaku yang kuat diperoleh melalui partisipasi dalam memainkan peran (role play).

e.      Mengajar dengan pengalihan

Pengajaran yang mengalihkan (transfer) hasil belajar kedalam situasi-situasi nyata. Guru memilih metode simulasi (mengajak anak didik untuk melihat proses kegiatan seperti cara berwudlu dan sholat) dan metode proyek (memberikan kesempatan anak untuk menggunakan alam sekitar dan atau kegiatan sehari-hari untuk bertukar pikiran baik sesama kawan maupun guru)  untuk pengalihan pengajaran yang bukan hanya bersifat ceramah atau diskusi, tetapi mengedepankan situasi nyata.

f.      Penyusunan pemahaman yang logis dan psikologis

Pengajaran dilakukan dengan memilih metode yang proporsional. Dalam kondisi tertentu guru tidak dapat meninggalkan metode ceramah maupun metode pemberian tugas kepada anak didik. Hal ini dilakukan sesuai dengan kondisi materi pelajaran.

Pembelajaran induktif

Pembelajaran induktif adalah sebuah pembelajaran yang bersifat langsung tapi sangat efektif untuk membantu siswa mengembangkan keterampilan berpikir tingkat tinggi dan keterampilan berpikir kritis. Model pembelajaran induktif adalah sebuah pembelajaran yang bersifat langsung tapi sangat efektif untuk membantu siswa mengembangkan keterampilan berpikir tingkat tinggi dan keterampilan berpikir kritis. Pada model pembelajaran induktif guru langsung memberikan presentasi informasi-informasi yang akan memberikan ilustrasi-ilustrasi tentang topik yang akan dipelajari siswa, selanjutnya guru membimbing siswa untuk menemukan pola-pola tertentu dari ilustrasi-ilustrasi yang diberikan. Model pembelajaran induktif dirancang berlandaskan teori konstruktivisme dalam belajar. Model ini membutuhkan guru yang terampil dalam bertanya (questioning) dalam penerapannya. Melalui pertanyaan-pertanyaan inilah guru akan membimbing siswa membangun pemahaman terhadap materi pelajaran dengan cara berpikir dan membangun ide. Tingkat keefektifan model pembelajaran induktif ini, jadinya-sangat tergantung pada keterampilan guru dalam bertanya dan mengarahkan pembelajaran, dimana guru harus menjadi pembimbing yang akan untuk membuat siswa berpikir.

Struktur sosial dalam pembelajaran menjadi ciri lingkungan kelas yang sangat dibutuhkan untuk belajar melalui model pembelajaran induktif. Model pembelajaran induktif mensyaratkan sebuah lingkungan belajar yang mana di dalamnya siswa merasa bebas dan terlepas dari resiko takut dan malu saat memberikan pendapat, bertanya, membuat konklusi dan jawaban. Mereka harus bebas dari kritik tajam yang dapat menjatuhkan semangat belajar.

Model ini dikembangkan atas dasar beberapa postulat sebagai berikut:

1. Kemampuan berpikir dapat diajarkan

2. Berpikir merupakan suatu transaksi aktif antara individu dengan data. Artinya, dalam seting kelas,

bahan-bahan ajar merupakan sarana bagi siswa untuk mengembangkan operasi kognitif tertentu.

Dalam seting tersebut, dimana siswa belajar mengorganisasikan fakta ke dalam suatu sistem konsep,yaitu:

Saling menghubung-hubungkan data yang diperoleh satu sama lain serta membuat kesimpulan berdasarkan hubungan-hubungan tersebut

Menarik kesimpulan berdasarkan fakta-fakta yang telah diketahuinya dalam rangka membangun hipotesis,dan

Memprediksi dan menjelaskan suatu fenomena tertentu. Guru, dalam hal ini, dapat membantu proses internalisasi dan konseptualisasi berdasarkan informasi tersebut

3. Proses berpikir merupakan suatu urutan tahapan yang beraturan (lawful). Artinya, agar dapat menguasai keterampilan berpikir tertentu, prasyarat tertentu harus dikuasai terlebih dahulu, dan urutan tahapan ini tidak bisa dibalik. Oleh karenanya, konsep tahapan beraturan ini memerlukan strategi mengajar tertentu agar dapat mengendalikan tahapan-tahapan tersebut.

Berpikir induktif melibatkan tiga tahapan yang dikembangkan tiga strategi cara mengajarkannya.

a. Konsep pembentukan (belajar konsep)

Tahap ini mencakup tiga langkah utama: item daftar (lembar, konsep), kelompok barang yang sama secara bersama-sama, beserta label tersebut (dengan nama konsep).

Langkah-langkah :

1. Membuat daftar konsep

2. Pengelompokkan konsep berdasarkan karakteristik yang sama

3. Pemberian label atau kategorisasi

b. Interpretasi data Strategi

Keduanya merupakan cara mengajarkan bagaimana menginterpretasi dan menyimpulkan data. Sama halnya dengan strategi pertama (pembentukan konsep), cara ini dapat dilakukan dengan mengajukan pertanyaan-pertanyaan tertentu.

Langkah-langkah:

1. mengidentifikasi dimensi-dimensi danhubungan-hubungannya.

2. menjelaskan dimensi-dimensi danhubungan-hubungannya

3. Membuat kesimpulan

c. Penerapan prinsip-prinsip

Strategi ini merupakan kelanjutan dari strategi pertama dan kedua. Setelah siswa dapat merumuskan suatu konsep, menginterpretasikan dan menyimpulkan data, selanjutnya mereka diharapkan dapat menerapkan suatu prinsip tertentu ke dalam suatu situasi permasalahan yang berbeda. Atau siswa diharapkan dapat menerapkan suatu prinsip untuk menjelaskan suatu fenomena baru.

Langkah-Langkah:

1. Membuat hipotesis, memprediksikonsekuensi

2. Menjelaskan teori yang mendukung hipotesis atau prediksi.

3. Menguji hipotesis/prediksi

Peran Guru Dalam Model Pembelajaran Induktif

Saat pembelajaran berlangsung dengan menggunakan model pembelajaran induktif, guru telah menyiapkan perangkat-perangkat yang akan membuat siswa beraktivitas dan mengobarkan semangat siswa untuk melakukan observasi terhadap ilustrasi-ilustrasi yang diberikan, melalui pertanyaan-pertanyaan yang diberikan oleh guru. Sekali lagi, diingatkan, bahwa model pembelajaran induktif memerlukan keterampilan bertanya yang bagus dari guru. Selain itu guru juga harus menjaga siswa agar perhatian mereka tetap pada tugas belajar yang diberikan, dan selalu menunjukkan ekspektasi positif terhadap pencapaian hasil belajar siswa-siswanya. Kesuksesan proses belajar mengajar dengan menggunakan model pembelajaran induktif juga bergantung pada contoh-contoh /ilustrasi yang digunakan oleh guru serta kemampuan guru membimbing siswa untuk melakukan analisis terhadap contoh/ilustrasi yang diberikan.

Kelebihan Model Pembelajaran Induktif

Pada model pembelajaran induktif guru langsung memberikan presentasi informasi-informasi yang akan memberikan ilustrasi-ilustrasi tentang topik yang akan dipelajari siswa, sehingga siswa mempunyai parameter dalam pencapaian tujuan pembelajaran.

Ketika siswa telah mempunyai gambaran umum tentang materi pembelajaran, guru membimbing siswa untuk menemukan pola-pola tertentu dari ilustrasi-ilustrasi yang diberikan tersebut sehingga pemerataan pemahaman siswa lebih luas dengan adanya pertanyaan-pertanyaan antara siswa denganguru

Model pembelajaran induktif menjadi sangat efektif untuk memicu keterlibatan yang lebih mendalam dalam hal proses belajar karena proses tanya jawab tersebut.

Kelemahan Model Pembelajaran Induktif       

Model ini membutuhkan guru yang terampil dalam bertanya (questioning) sehingga kesuksesan pembelajaran hamper sepenuhnya ditentukan kemampuan guru dalam memberikan ilustrasi-ilustrasi.

Tingkat keefektifan model pembelajaran induktif ini, jadinya-sangat tergantung pada keterampilan guru dalam bertanya dan mengarahkan pembelajaran, dimana guru harus menjadi pembimbing yang akan untuk membuat siswa berpikir      

Model pembelajaran ini sangat tergantung pada lingkungan eksternal, guru harus bisa menciptakan kondisi dan situasi belajar yang kondusif agar siswa merasa aman dan tak malu/takut mengeluarkan pendapatnya. Jika syarat-syarat ini tidak terpenuhi, maka tujuan pembelajaran tidak akan tercapai secarasempurna

Saat pembelajaran berlangsung dengan menggunakan model pembelajaran induktif, guru harus telah menyiapkan perangkat-perangkat yang akan membuat siswa beraktivitas dan mengobarkan semangat siswa untuk melakukan observasi terhadap ilustrasi-ilustrasi yang diberikan, melalui pertanyaan-pertanyaan yang diberikan oleh guru. Dengan metode ini maka kemandirian siswa tidak dapat berkembangoptimal.

Guru harus menjaga siswa agar perhatian mereka tetap pada tugas belajar yang diberikan, sehingga peran guru sangat vital dalam mengontrol proses belajar siswa.

Kesuksesan proses belajar mengajar dengan menggunakan model pembelajaran induktif bergantung pada contoh-contoh atau ilustrasi yang digunakan oleh guru.

Pembelajaran tidak dapat berjalan bila guru dan muridnya tidak suka membaca, sehingga tidak mempunyai pilihan dalam proses induktif

Pohon keputusan pembelajaran

POHON KEPUTUSAN

          Pohon keputusan adalah salah satu metode klasifikasi yang paling popular karena mudah untuk diinterpretasi oleh manusia. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan.

Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan tree.

Proses pada pohon keputusan adalah mengubah bentuk data (tabel) menjadi model pohon, mengubah model pohon menjadi rule, dan menyederhanakan rule. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk membreak down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target.

Pohon keputusan merupakan himpunan aturan IF...THEN. Setiap path dalam tree dihubungkan dengan sebuah aturan, di mana premis terdiri atas sekumpulan node-node yang ditemui, dan kesimpulan dari aturam terdiri atas kelas yang terhubung dengan leaf dari path.

Bagian awal dari pohon keputusan ini adalah titik akar (root), sedangkan setiap cabang dari pohon keputusan merupakan pembagian berdasarkan hasil uji, dan titik akhir (leaf) merupakan pembagian kelas yang dihasilkan.

Pohon keputusan mempunyai 3 tipe simpul yaitu:

1. Simpul akar, dimana tidak memiliki cabang yang masuk dan memiliki cabang lebih dari satu, terkadang tidak memiliki cabang sama sekali. Simpul ini biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu.

2. Simpul internal, dimana hanya memiliki 1 cabang yang masuk, dan memiliki lebih dari 1 cabang yang keluar.

3. Simpul daun, atau simpul akhir dimana hanya memiliki 1 cabang yang masuk, dan tidak memiliki cabang sama sekali dan menandai bahwa simpul tersebut merupakan label kelas.

Tahap awal dilakukan pengujian simpul akar, jika pada pengujian simpul akar menghasilkan sesuatu maka proses pengujian juga dilakukan pada setiap cabang berdasarkan hasil dari pengujian. Hal ini berlaku juga untuk simpul internal dimana suatu kondisi pengujian baru akan diterapkan pada simpul daun. Pada umumnya proses dari sistem pohon keputusan adalah mengadopsi strategi pencarian top-down untuk solusi ruang pencariannya. Pada proses mengklasifikasikan sampel yang tidak diketahui, nilai atribut akan diuji pada pohon keputusan dengan cara melacak jalur dari titik akar sampai titik akhir, kemudian akan diprediksikan kelas yang ditempati sampel baru tersebut.

Pohon keputusan banyak digunakan dalam proses data mining karena memiliki beberapa kelebihan, yaitu:

1. Tidak memerlukan biaya yang mahal saat membangun algoritma.

2. Mudah untuk diinterpetasikan.

3. Mudah mengintegrasikan dengan sistem basis data.

4. Memiliki nilai ketelitian yang lebih baik.

5. Dapat menemukan hubungan tak terduga dan suatu data.

6. Dapat menggunakan data pasti/mutlak atau data kontinu.

7. Mengakomodasi data yang hilang.

Pembelajaran ensemble

Kenyataan bahwa pendekatan ensemble learning mampu memberikan solusi prediksi yang lebih akurat daripada model-model tunggal dapat ditemui dari berbagai paper di jurnal ilmiah. Teknik-teknik ensemble yang mengandalkan variasi dari pendekatan random forest dan boosting mampu memberikan prediksi dengan akurasi yang sangat baik. Random forest bekerja dengan membuat model-model penyusun ensemble sedemikian rupa sehingga berbagai kemungkinan dapat terakomodir secara maksimal, sedangkan boosting bekerja secara iterative sehingga kasus-kasus yang tidak mudah diprediksi menjadi bukan masalah lagi.

Kemampuan pendekatan ensemble ini tidak hanya tertuang pada berbagai paper ilmiah, namun juga dapat dilihat pada penyelesaian kasus-kasus aplikatif seperti yang dapat dilihat pada kompetisi data science Kaggl. Kompetisi ini terbuka bagi pegiat data science dan data mining untuk memberikan solusi prediktif dari kasus-kasus yang disampaikan oleh banyak perusahaan besar berskala internasional.

Setiap tim atau individu dipersilakan mengembangkan solusi dan menyajikan prediksinya untuk kemudian dinilai. Mereka yang memberikan prediksi dengan akurasi yang paling tinggi yang dinyatakan sebagai pemenang. Peringkat tiga besar dalam lima tahun terakhir dari kompetisi ini didominasi oleh mereka yang menggunakan pendekatan ensemble yang digabungkan dengan berbagai macam algoritma dasar.

Daftar Pustaka

http://belajarpsikologi.com/pengertian-dan-tujuan-pembelajaran/

https://id.wikipedia.org/wiki/Pengamatan

http://marjuki01.blogspot.co.id/2014/06/bentuk-bentuk-pembelajaran-learning-by.html

http://education-mantap.blogspot.co.id/2013/06/pembelajaran-induktif.html

http://nugikkool.blogspot.co.id/2012/08/pohon-keputusan-id3-dan-c45-menggunakan.html

https://warungkomputer.com/2016/12/ensemble-learning-primadona-analitik-di-masa-depan/

Read More

Pengetahauan mengenai Ketidakpastian dan Penalaran : Ketidakpastian (Uncertainity) dan Penalaran Probabilitas

By: Bayu Gustiardi on 11/02/2017 11:24:00 PM

KETIDAKPASTIAN (Uncertainty)

Ketidakpastian adalah konsep risiko yang sangat inti. Kita dapat mengatakan bahwa konsep ketidakpastian mengimplikasikan keraguan mengenai masa yang akan datang yang didasari pada kekurangan dan ketidaksempurnaan pengetahuan. Jika kita mengetahui apa yang akan terjadi, maka risiko tidak akan pernah menjadi risiko. Kita akan mengatahui jika kendaraan kita akan mengalami kecelakaan, rumah kita akan terbakar, atau kita akan mengalami gangguan kesehatan yang membutuhkan biaya besar, atau pencuri akan masuk ke rumah kita. Namun sayangnya kita tidak mengetahui hal-hal yang demikian dan oleh karenanya kita senantiasa berada dalam ketidakpastian atau lingkungan yang berisiko.

Pada intinya, terdapat 4 komponen risiko yang kesemuanya berada dalam ketidakpastian (uncertainty, Yaitu:

·         Komponen sumber daya atau resources. Baik Sumber daya alam, manusia, keuangan, dan lain sebagainya.

·         Komponen peristiwa atau perils yang mengancam. Misalnya Kebakaran, Tabrakan, Banjir, Gempa bumi dan peril-peril lainnya.

·         Komponen akibat atau consequences dari hal-hal tersebut.

·         Komponen hazards atau faktor-faktor yang mempengaruhi kemungkinan terjadi/tidaknya peristiwa yang mempengaruhi tinggi/rendahnya akibat (ada physical hazards dan moral hazards)

Banyak kemungkinan dan ketidakpastian menyertai dalam masalah dan solusinya. Ada beberapa sumber dari ketidakpastian, beberapa diantaranya adalah :

1.     Masalah

Beberapa masalah meliputi factor-faktor yang oleh sifat mereka, tidak pasti atau acak. Sebagai contoh, dalam pengobatan, penyakit yang sama dapat member gejala yang berbeda untuk pasien yang lain.

2.    Data

Beberapa masalah mungkin memiliki batasan yang kurang jelas bagi seseorang. Orang yang menghadirkan masalah mungkin mengetahui beberapa fakta untuk kepastian, menuduh lainnya dan tidak mengetahui lainnya. Angka-angka dan nilai-nilai dapat tidak tepat, ditebak atau tidak diketahui.

3.    Pakar

Manusia sering dapat memakai pengetahuan mereka tanpa mengetahui secara eksplisit apa pengetahuan itu sendiri. Mereka mungkin harus meningkatkan secara detail apa yang mereka lakukan dan bagaimana dan tampak tak jelas atau bahkan bertentangan dengan dirinya sendiri.

4.    Solusi

Ada beberapa area tertentu dimana tidak terdapat pakar yang diakui. Pakar sendiri mungkin tidak setuju satu sama lain dan tak seorangpun dapat memutuskan solusi yang baik. Domain seperti itu dapat berupa strategi militer.

NOTASI PROBABILITAS DASAR

Probabilitas didifinisikan sebagai peluang atau kemungkinan suatu kejadian, suatu ukuran tentang kemungkinan atau derajat ketidakpastian suatu peristiwa (event) yang akan terjadi di masa mendatang. Rentangan probabilitas antara 0 sampai dengan 1. Jika kita mengatakan probabilitas sebuah peristiwa adalah 0, maka peristiwa tersebut tidak mungkin terjadi. Dan jika kita mengatakan bahwa probabilitas sebuah peristiwa adalah 1 maka peristiwa tersebut pasti terjadi. Serta jumlah antara peluang suatu kejadian yang mungkin terjadi dan peluang suatu kejadian yang mungkin tidak terjadi adalah satu, jika kejadian tersebut hanya memiliki 2 kemungkinan kejadian yang mungkin akan terjadi.

Contoh ; Ketika doni ingin pergi kerumah temannya, dia melihat langit dalam keadaan mendung, awan berubah warna menjadi gelap, angin lebih kencang dari biasanya seta sinar matahari tidak seterang biasanya.

Bagaimanakah tindakan Doni sebaiknya?

Ketika Doni melihat keadaan seperti itu, maka sejenak dia berpikir untuk membatalkan niatnya pergi kerumah temannya. Ini dikarenakan dia beripotesis bahwa sebentar lagi akan turunya hujan dan kecil kemungkinan bahwa hari ini akan tidak hujan, mengingat gejala-gejala alam yang mulai nampak.

Probabilitas dalam cerita tadi adalah peluang kemungkinan turunnya hujan dan peluang tidak turunnya hujan.

AKSIOMA DARI PROBABILITAS

Aksioma

Yang pertama adalah tentang Aksioma. Aksioma adalah sebuah pernyataan dimana pernyataan yang kita terima sebagai suatu kebenaran dan bersifat umum, seta tanpa perlu adanya pembuktian dari kita. Bisa juga dikatakan adalah sebuah ketentuan yang pasti atau mutlak kebenarannya.

Untuk Aksioma misalnya seperti "Garis adalah himpunan titik-titik yang memuat paling sedikit dua titik", dan "Dua titik yang berlainan termuat dalam tepat satu garis".

INDEPENDENSI

Independensi adalah suatu keadaan atau posisi dimana kita tidak terikat dengan pihak manapun. Artinya keberadaan kita adalah mandiri. tidak mengusung kepentingan pihak tertentu atau organisasi tertentu.

Contoh independensi dapat kita lihat pada organisasi-organisasi tertentu dimana keberadaannya adalah merdeka tanpa diboncengi kepentingan tertentu.

Dalam konteks lain, independensi juga merupakan hak kita sebagai manusia, yang memiliki hak bebas dan merdeka tanpa ditekan oleh orang lain. Tentu saja dalam pelaksanaannya yang disebut independen juga ada batasan-batasannya. Karena suatu lembaga atau organisasi juga tidak dapat eksis tanpa adanya dukungan dari pihak lain.

Itulah sedikit tentang pengertian independensi, kalau sekiranya ingin menambahkan, silahkan melalui komentar dibawah.

ATURAN BAYES

Dalam teori probabilitas dan statistika, Pengertian Teorema Bayes adalah teorema yang digunakan untuk menghitung peluang dalam suatu hipotesis, Teorema bayes dikenalkan oleh ilmuan yang bernama Bayes yang ingin memastikan keberadaan Tuhan dengan mencari fakta di dunia yang menunjukan keberadaan Tuhan. Bayes mencari fakta keberadaan tuhan didunia kemudian mengubahnya dengan nilai Probabilitas yang akan dibandingkan dengan nilai Probabilitas. teorema ini juga merupakan dasar dari statistika Bayes yang memiliki penerapan dalam ilmu ekonomi mikro, sains, teori permain, hukum dan kedokteran.

Teorema Bayes akhirnya dikembangkan dengan berbagai ilmu termasuk untuk penyelesaian masalah sistem pakar dengan menetukan nilai probabilitas dari hipotesa pakar dan nilai evidence yang didapatkan fakta yang didapat dari objek yang diagnosa. Teorama Bayes ini membutuhkan biaya komputasi yang mahal karena kebutuhan untuk menghitung nilai probabilitas untuk tiap nilai dari perkalian kartesius. penerapan Teorema Bayes untuk mencari penerapan dinamakan inferens Bayes.

Faktor Kepastian

Faktor kepastian merupakan cara dari penggabungan kepercayaan (belief) dan ketidapercayaan (unbelief) dalam bilangan yang tunggal. Dalam certainty theory, data-data kualitatif direpresentasikan sebagai derajat keyakinan (degree of belief).

Dalam menghadapi suatu masalah sering ditemukan jawaban yang tidak memiliki kepastian penuh. Ketidakpastian ini bisa berupa probabilitas atau kebolehjadian yang tergantung dari hasil suatu kejadian. Hasil yang tidak pasti disebabkan oleh dua faktor yaitu aturan yang tidak pasti dan jawaban pengguna yang tidak pasti atas suatu pertanyaan yang diajukan oleh sistem. Hal ini sangat mudah dilihat pada system diagnosis penyakit, dimana pakar tidak dapat mendefinisikan tentang hubungan antara gejala dengan penyebabnya secara pasti, dan pasien tidak dapat merasakan suatu gejala dengan pasti pula. Pada akhirnya ditemukan banyak kemungkinan diagnosis.

TEORI DEMPSTER-SHAFER

Dempster shafer adalah suatu teori matematika untuk pembuktian berdasarkan belief functions and plausible reasoning (Fungsi kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk mengkombinasikan potongan informasi yang terpisah (bukti) untuk mengkalkulasi kemungkinan dari suatu peristiwa. Teori ini dikembangkan oleh Arthur P.Dempster dan Glenn shafer.

TEORI LOGIKA FUZZY

Logika Fuzzy adalah peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. Saat logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah biner (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran.

Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan", dan "sangat". Logika ini berhubungan dengan set fuzzy dan teori kemungkinan. Logika fuzzy diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada 1965.

DERAJAT KEBENARAN

Logika fuzzy dan logika probabilitas secara matematis sama - keduanya mempunyai nilai kebenaran yang berkisar antara 0 dan 1 - namun secara konsep berbeda. Logika fuzzy berbicara mengenai "derajat kebenaran", sedangkan logika probabilitas mengenai "probabilitas, kecenderungan". Karena kedua hal itu berbeda, logika fuzzy dan logika probabilitas mempunyai contoh penerapan dalam dunia nyata yang berbeda.

DAFTAR PUSTAKA

http://www.belajar-asuransi.com/2016/07/arti-konsep-resiko-dan-ketidak-pastian.html

http://sainsmatika.blogspot.co.id/2012/03/probabilitas-peluang.html

http://myinfomath.blogspot.co.id/2014/12/apa-pengertian-dari-aksioma-definisi-postulat-teorema.html

http://tepus.org/2014/01/pengertian-independensi/

http://ikhwan-perbaungan.blogspot.co.id/2014/09/teorema-bayes-dan-contoh-teorema-bayes.html

https://id.wikipedia.org/wiki/Logika_fuzzy

Read More