Lompat ke konten Lompat ke sidebar Lompat ke footer

Pengertian Human Decision, Machine Decision, dan Simon Phase

Pengertian Human Decision, Machine Decision, dan Simon Phase - Kita akan berbicara tentang Human Decision, Machine Decision dan Fase Pengambilan Keputusan dari Herbert A Simon, serta model - model yang digunakan pula dalam fase pengambilan keputusan tersebut. Kita berbicara mengenai Keputusan yang dibuat oleh manusia.

Human Decision

James A.F. Stoner berpendapat bahwa keputusan adalah pemilihan di antara alternatif – alternatif. Definisi ini mengandung tiga pengertian, yaitu :
  • Ada pilihan atas dasar logika atau pertimbangan,
  • Ada beberapa alternatif yang harus dan dipilih salah satu yang terbaik,
  • Ada tujuan yang ingin dicapai dan keputusan itu makin mendekatkan pada tujuan tersebut.

Menurut Ralp C. Davis keputusan adalah hasil pemecahan masalah yang dihadapinya dengan tegas. Suatu keputusan merupakan jawaban yang pasti terhadap suatu pertanyaan. Keputusan harus menjawab pertanyaan tentang apa yang dibicarakan dalam hubungannya dengan perencanaan. Keputusan dapat pula berupa tindakan terhadap pelaksanaan yang sangat menyimpang dari rencana semula.

Fred Luthans dalam bukunya Perilaku Organisasi menyebutkan bahwa pengambilan keputusan didefinisikan secara universal sebagai pemilihan alternatif. Pendapat yang senada diungkapkan oleh Chester Barnard dalam The Function of the Executive bahwa analisis komprehensif mengenai pengambilan keputusan disebutkan sebagai suatu “proses keputusan merupakan teknik untuk mempersempit pilihan”.

Sementara dalam bahan ajar DR. Mohammad Abdul Mukhyi, SE, MM bahwa membuat keputusan adalah “The process of choosing a course of action for dealing with a problem or opportunity”. Sehingga dapat disimpulkan bahwa pengambilan keputusan erat kaitannya dengan pemilihan suatu alternatif untuk menyelesaikan atau memecahkan masalah serta memperoleh kesempatan. Herbert Simon, ahli teori keputusan dan organisasi mengonseptualisasikan tiga tahap utama dalam proses pengambilan keputusan yaitu:
  • Aktivitas intelegensi yakni penelusuran kondisi lingkungan yang memerlukan pengambilan keputusan,
  • Aktivitas desain yakni terjadi tindakan penemuan, pengembangan dan analisis masalah,
  • Aktivitas memilih yakni memilih tindakan tertentu dari yang tersedia.

Pengertian Human Decision, Machine Decision, dan Simon Phase_
image source: techcrunch.com
baca juga: Manajer dan Pengambilan Keputusan Serta Kerangka Kerja Penunjang Keputusan

Fungsi Pengambilan Keputusan
  • Pangkal permulaan dari semua aktivitas manusia yang sadar dan terarah baik secara individual maupun kelompok, baik secara institusional maupun secara organisasional
  • Sesuatu yang bersifat futuristik, artinya bersangkut paut dengan hari depan, masa yang akan datang, dimana efeknya atau pengaruhnya berlangsung cukup lama.

Dasar – Dasar Pengambilan Keputusan

Ada beberapa landasan yang digunakan dalam pengambilan keputusan yang sangat bergantung dari permasalahan itu sendiri. Menurut George R. Terry dan Brinckloe disebutkan dasar – dasar pendekatan dari pengambilan keputusan yang dapat digunakan yaitu:
  1. Intuisi : Pengambilan keputusan yang didasarkan atas intuisi atau perasaan memiliki sifat subjektif sehingga mudah terkena pengaruh. Pengambilan keputusan berdasarkan intuisi ini mengandung beberapa keuntungan dan kelemahan.
  • Keuntungan :
Waktu yang digunakan untuk mengambil keputusan relatif lebihpendek. Untuk masalah yang pengaruhnya terbatas, pengambilan keputusan ini akan memberikan kepuasan pada umumnya. Kemampuan mengambil keputusan dari pengambil keputusan itu angat berperan dan itu perlu dimanfaatkan dengan baik.
  • Kelemahan :
Keputusan yang dihasilkan relatif kurang baik. Sulit mencari alat pembandingnya, sehingga sulit diukur kebenaran dan keabsahannya. Dasar - dasar lain dalam pengambilan keputusan sering kali diabaikan.
  1. Pengalaman : Pengambilan keputusan berdasarkan pengalaman memiliki manfaatbagi pengetahuan praktis, karena pengalaman seseorang dapat memperkirakan keadaan sesuatu, dapat diperhitungkan untung ruginya terhadap keputusan yang akan dihasilkan. Orang yang memilikibanyak pengalaman tentu akan lebih matang dalam membuat keputusan akan tetapi, peristiwa yang lampau tidak sama denganperistiwa yang terjadi kini.
  2. Fakta : Pengambilan keputusan berdasarkan fakta dapat memberikan keputusan yang sehat, solid dan baik. Dengan fakta, maka tingkat kepercayaan terhadap pengambilan keputusan dapat lebih tinggi, sehingga orang dapat menerima keputusan - keputusan yang dibuat itu dengan rela dan lapang dada.
  3. Wewenang : Pengambilan keputusan berdasarkan wewenang biasanya dilakukanoleh pimpinan terhadap bawahannya atau orang yang lebih tinggi kedudukannya kepada orang yang lebih rendah kedudukannya. Pengambilan keputusan berdasarkan wewenang ini juga memiliki kelebihan dan kekurangan.
  • Kelebihan :
Kebanyakan penerimaannya adalah bawahan, terlepas apakahpenerimaan tersebut secara sukarela ataukah secara terpaksa. Keputusannya dapat bertahan dalam jangka waktu yang cukup lama. Memiliki daya autentisitas yang tinggi
  • Kelemahan :
Dapat menimbulkan sifat rutinitas. Mengasosiasikan dengan praktik diktatorial. Sering melewati permasalahan yang seharusnya dipecahkan sehingga dapat menimbulkan kekaburan.
  1. Rasional (Logika) : Pengambilan keputusan yang berdasar logika ialah suatu studi yang rasional terhadap semua unsur pada setiap sisi dalam prosespengambilan keputusan. Pada pengambilan keputusan yangberdasarkan rasional, keputusan yang dihasilkan bersifat objektif, logis, lebih transparan, konsisten untuk memaksimumkan hasil atau nilai dalam batas kendala tertentu, sehingga dapat dikatakan mendekati kebenaran atau sesuai dengan apa yang diinginkan. Pada pengambilan keputusan secara logika terdapat beberapa hal yang perlu diperhatikan, yaitu :
Kejelasan masalah.
Orientasi tujuan : kesatuan pengertian tujuan yang ingin dicapai.
Pengetahuan alternatif : seluruh alternatif diketahui jenisnya dan konsekuensinya.
Preferensi yang jelas : alternatif bisa diurutkan sesuai kriteria.
Hasil maksimal : pemilihan alternatif terbaik didasarkan atas hasil ekonomis yang maksimal.

Unsur – Unsur Pengambilan Keputusan
  • Tujuan dari pengambilan keputusan, tujuan merupakan salah satu unsur dalam pengambilan keputusan, dimana pada saat seseorang membuat sebuah keputusan maka keputusan tersebut akan mendekatkan kepada tujuan yang ingin dicapai. Misal seseorang ingin mendapat gelar sarjana kemudian dia memilih untuk mendaftar disebuah universitas.
  • Identifikasi alternatif, identifikasi alternatif dilakukan karena seseorang butuh banyak informasi sebelum dia dapat melakukan pengambilan keputusan. Misalkan seseorang yang ingin kuliah disebuah universitas, maka orang tersebut akan mencari informasi lebih banyak mengenai univeritas tersebut, bisa dari biaya kuliah, waktu kuliah, akreditasi universitas tersebut, dan sebagainya. Dalam hal ini dapat dilakukan identifikasi dengan kriteria yang sama untuk universitas yang berbeda.
  • Perhitungan faktor – faktor diluar jangkauan manusia, perhitungan ini dilakukan agar pada saat pengambilan keputusan, seseorang dapat meminimalisir resiko yang kurang enak yang mungkin diterimanya. Misalkan seseorang yang memilih salah satu dari beberapa universitas yang dikenalnya dengan alasan dekat rumah, karena apabila universitas yang dituju jauh dari rumah bisa saja terkena resiko kemacetan, biaya perjalanan yang mungkin juga bertambah, dan lain sebagainya.
  • Sarana atau alat untuk evaluasi atau mengukur hasil dari keputusan, tiap hasil dari sebuah keputusan dapat mendatangkan pro dan kontra, sehingga untuk lebih arifnya diperlukan sarana atau alat untuk mengevaluasi. Misal sebuah manajemen sebuah universitas memutuskan untuk tidak menambah fasilitas kuliah, ternyata setelah keputusan itu dibuat dan ditanyakan hasil yang dirasa oleh seluruh mahasiswa, mahasiswa merasa kurang puas, hal ini dapat menjadi tolok ukur bagi manajemen bahwa keputusan yang pernah mereka buat kurang tepat.

Faktor Yang Mempengaruhi Pengambilan Keputusan
  • Posisi / Kedudukan ( Letak Posisi, Tingkatan Posisi ), dalam posisi atau kedudukan dapat terjadi perbedaan pandangan, sebagai contoh seorang kaprodi yang berada pada level operasional, akan berbeda dengan seorang dekan yang berada pada level manajerial, serta pada pembantu rektor yang berada pada level strategis, bentuk keputusan yang diambil pastinya tidak sama.
  • Masalah ( Well Structured Problems, Ill Structured Problems ), masalah ada yang terstruktur, semi terstruktur dan tidak terstruktur, semua masalah ini bisa berada pada semua tingkat level manajerial, dengan penanganan masalah yang berbeda.
  • Situasi ( Faktor Konstan, Tidak Konstan ), keputusan dapat diambil berdasarkan hasil pengolahan data seperti laporan, ada laporan yang konstan seperti laporan mingguan, bulanan, tahunan dan sebagainya, serta terdapat pula laporan yang tidak konstan seperti laporan dadakan (adhoc). Misal setelah diserahkan laporan bulanan pada seorang manajer dari seorang staf, si manajer melihat keganjilan dalam laporan tersebut, bisa saja setelah beberapa hari laporan bulanan dicetak, si manajer meminta kembali kepada staf untuk mencetak laporan berdasarkan permintaan manajer.
  • Kondisi ( Keseluruhan Faktor, Sumber Daya ), manajemen yang menjalankan fungsinya sebagai leader, monitor, dan sebagainya, harus mengelola seluruh sumber daya perusahaan dengan baik, apabila salah satu dari sumber daya perusahaan yang tidak dapat dimanfaatkan, maka gangguan terhadap tujuan yang ingin dicapai perusahaan dapat mengalami kemunduran.
  • Tujuan ( Variabel Antara, Perorangan, Kesatuan ), tujuan yang ada dalam sebuah organisasi atau perusahaan adalah cerminan dari tujuan individu yang berjalan seiringan, misalkan seorang karyawan yang bekerja pada perusahaan, tujuannya bekerja adalah mencari kesejahteraan, tujuan dari perusahaan adalah mendapatkan revenue dan profit yang besar, apabila tujuan dari perusahaan sudah tercapai sedangkan tujuan dari karyawan tidak tercapai, maka akan muncul ketidakpuasaan yang dapat berujung pada menurunnya produktifitas karyawan.

Machine Decision

Mesin dapat membantu manusia didalam pengambilan keputusan, namun dalam hal ini berarti mesin juga harus dapat berfikir layaknya manusia. Manusia butuh untuk belajar dalam meningkatkan kemampuannya, sehingga dengan kemampuan yang dimiliki dapat digunakan dalam pengambilan keputusan untuk menyelesaikan masalah. Dengan demikian mesin juga butuh belajar seperti manusia, dalam hal ini kecerdasan tiruan menjadi salah satu alasan mengapa mesin dapat belajar dan membuat keputusan.

Machine Learning

Learning mempunyai arti menambah pengetahuan, memahami atau menguasai dengan belajar, mengikuti instruksi atau melalui pengalaman. Machine learning adalah sebuah studi yang mempelajari cara untuk memprogram sebuah komputer untuk belajar. Ada 4 kategori besar dimana sebuah aplikasi sulit untuk dibuat. Pertama, bila tidak ada manusia yang menguasai bidang tersebut. Kedua, bila ada manusia yang menguasai hal tersebut namun ia tidak mampu untuk menjelaskannya. Ketiga, adalah saat keadaan dapat berubah dengan cepat. Keempat, bila aplikasi harus dibuat berbeda untuk masing- masing pengguna.

Seorang manusia selama hidupnya tidak pernah henti- hentinya melakukan learning. Hal ini terjadi tanpa kita sadari dan alamiah. Namun untuk membuat sebuah mesin dapat berpikir tentu bukanlah hal yang mudah. Manusia belajar melalui pengalaman yang dia alami sehari- hari. Dari pengalaman tersebut, manusia akan mendapatkan knowledge. Untuk mendapatkan knowledge dapat melalui berbagai cara. Cara yang paling sederhana adalah rote learning atau menyimpan informasi yang sudah dikalkulasi. Cara lainnya adalah dengan mendapatkan pengetahuan dari orang lain yang sudah ahli. Manusia juga dapat belajar melalui pengalaman pemecahan masalah yang ia lakukan. Setelah berhasil mengatasi sebuah masalah, manusia akan mengingat struktur dan cara mengatasi masalah tersebut. Apabila manusia mengalami sebuah masalah yang hampir serupa, maka manusia dapat mengatasi masalah tersebut secara lebih efisien. Ada banyak cara lain untuk mendapatkan knowledge dan kita akan membahasnya lebih lanjut di bab- bab selanjutnya.

Dalam kehidupan sehari-hari, dapat kita lihat learning machine pada kehidupan sehari- hari sangatlah berguna. Beberapa contoh yang terlihat sangat nyata adalah speech recognition, fingerprint recognition atau handwriting recognition. Perkembangan machine learning sekarang ini sangat pesat. Banyak sekali riset dilakukan untuk menciptakan mesin yang lebih cerdas. Contoh yang paling mutakhir yang dapat kita lihat adalah Asimo, sebuah robot cerdas buatan Honda, yang dapat mengenali pemiliknya dan mengenal emosi.

Agar dapat membuat sebuah robot secerdas Asimo, maka beberapa teknik AI diaplikasikan kedalamnya, seperti speech recognition untuk dapat berinteraksi, image recognition untuk dapat mengenali wajah pemiliknya dan mengenali ruangan dan banyak lagi.

Learning Technique
  1. Rote Learning
Seperti yang telah dibahas sebelumnya, rote learning adalah sebuah cara memperoleh knowledge yang paling sederhana. Dengan cara ini komputer menyimpan data hasil perhitungan kedalam cache. Setelah itu, komputer tidak perlu melakukan kalkulasi kembali karena hasil perhitungan telah tersimpan. Cara ini sangat efektif untuk mempersingkat waktu proses karena komputer tinggal mengambil data. Namun sebagai trade-off, cara ini akan membutuhkan media penyimpanan yang besar.
  1. Learning by Taking Advice
Pada awalnya manusia tidak memiliki pengetahuan apapun. Namun seiring berjalannya waktu, kita selalu mendapatkan knowledge dari orang tua dan guru. Demikian juga sebuah komputer. Komputer tidak memiliki kemampuan apabila tidak diprogram terlebih dahulu.
  1. Learning in Problem Solving
Cara ini dapat digunakan sebagai alternatif dari 2 cara yang telah dibahas diatas. Dengan cara ini tidak diperlukan seorang ahli untuk memberikan knowledge nya. Komputer dapat menambah pengetahuannya dengan cara menggeneralisasi pengalaman yang telah dia dapatkan.

a. Learning from Example

Teknik belajar melalui contoh merupakan salah 1 cara dari learning in problem solving. Dalam menggunakan cara ini dibutuhkan contoh- contoh. Contoh yang tersedia akan diproses dan diklasifikasikan. Klasifikasi adalah sebuah proses memasukkan sebuah input ke dalam kelas yang sesuai. Klasifikasi adalah sebuah komponen yang penting dalam banyak pekerjaan problem solving. Biasanya klasifikasi ini dimasukkan ke dalam operasi yang lain. Sebelum memulai klasifikasi, maka kelas- kelas harus dibentuk terlebih dahulu. Ada beberapa cara yang dapat dilakukan untuk membentuk kelas- kelas tersebut. • Mendefinisikan kelas dengan cara menghitung jumlah dari fiturnya.
• Mendefiniskan kelas sebagai sebuah struktur yang terdiri dari fitur- fitur tersebut.

Cara pertama lebih efisien namun cara kedua lebih fleksibel dan mudah untuk diperluas. Dalam kenyataannya, mendefinisikan sebuah kelas bukannya pekerjaan yang mudah. Apalagi jika contoh- contoh yang ada tidak mudah untuk dideskripsikan atau dapat berubah- ubah secara cepat. Jika kita ingin mendefinisikan kelas secara struktural, ada banyak cara yang dapat dipakai, misalnya Winston’s learning program, version spaces dan decision trees. Disini kita akan membahas beberapa teknik tersebut.

b. Version Space

Dalam teknik ini, tujuan yang ingin kita capai adalah menghasilkan sebuah deskripsi yang konsisten dengan semua contoh yang positif tetapi tidak dengan contoh yang bernilai negatif dari contoh- contoh yang disediakan.
Dalam teknik ini kita akan membuat 2 buah subset, yang umum dan spesifik. Tujuan kita adalah membuat kedua subset tersebut memiliki nilai yang sama pada akhirnya. Untuk membuat hal tersebut terjadi maka kita harus membuat subset yang umum menjadi lebih spesifik dan subset yang spesifik menjadi lebih umum. Untuk melakukan hal tersebut maka dibutuhkan sebuah algoritma bernama candidate elimination algorithm. Candidate elimination adalah sebuah metode untuk menghitung batas dari set. Mengutip dari [Hirsh,1994,halaman 6] :

”The candidate-elimination algorithm manipulates the boundary-set representation of a version space to create boundary sets that represent a new version space consistent with all the previous instances plus the new one. For a positive example the algorithm generalizes the elements of the [sbs] as little as possible so that they cover the new instance yet remain consistent with past data, and removes those element of the [gbs] that do not cover the new instance. For a negative instance the algorithm specializes elements of the [gbs] so that they no longer cover the new instance yet remain consistent with past data, and removes form the [sbs] those elements that mistakenly cover the new, negative instance.”
  • Langkah- langkah dalam candidate elimination algorithm.
    Buat sebuah subset G yang hanya berisi variabel
  • Buat sebuah subset S yang berisi elemen dari contoh positif yang pertama.
  • Jika contoh bernilai positif, hapus dari G apabila deskripsi tidak sama dengan contoh dan masukkan ke G apabila deskripsi berbeda dengan contoh. Sedangkan S tetap. Jika contoh bernilai negatif, hapus dari S apabilai deskripsi sama dengan contoh. Kemudian hapus dari G apabila deskripsi sama dengan contoh.
  • Apabila G dan S hanya 1 subset dan bernilai sama, maka proses berhenti. Jika G dan S hanya 1 subset dan berbeda nilai, berarti contoh yang ada tidak konsisten hentikan proses.

Ada beberapa hal yang penting untuk diperhatikan dalam Candidate elimination algorithm. Pertama teknik ini merupakan least-comminent algorithm. Dalam setiap langkah, version space yang ada akan semakin mengerucut seminimal mungkin dalam setiap langkahnya. Oleh karena itu, apabila semua sample positif bernilai sama, algoritma ini tidak akan menganggap bahwa nilai lain adalah salah, sehingga apabila contoh yang diberikan tidak konsisten, maka S dan G tidak akan bertemu. Jadi kesimpulan yang dihasilkan sistem hanya partial. Kedua, teknik ini menggunakan breadth first search untuk mencari jawaban yang diinginkan.

Candidate elimination memiliki beberapa kekurangan. Pertama, karena teknik ini menggunakan breadth first search, maka kita harus menyediakan storage yang cukup. Kedua adalah terjadinya inkonsistensi data. Seperti yang telah disebut diatas, hal ini akan menyebabkan tidak ditemukannya jawaban yang singleton.

c. Decision Trees

Decision tree merepresentasikan sebuah tree dimana internal nodenya mengetes sebuah atribut, masing- masing cabangnya berhubungan dengan nilai dari atribut dan masing- masing lead nodenya berisi sebuah klasifikasi. Algoritma ini merupakan salah satu dari teknik yang paling efisien dan populer dalam machine learning. Kelebihan dari decision tree adalah apabila ukurannya tidak terlalu besar, tree ini akan dapat dengan mudah dimengerti oleh manusia. Hal ini akan sangat berguna karena manusia dapat memahami cara kerjanya. Sebagai tambahan, apabila data yang ada sangat besar, maka decision tree akan bekerja lebih cepat daripada version space.
  1. Explanation- Based Learning
Explanation based learning adalah sebuah proses mengubah pengetahuan yang implisit menjadi pengetahuan yang eksplisit. Dalam teknik ini, kita membuat sebuah komponen dari domain menjadi spesifik untuk menjabarkan komponen lainnya, kemudian kita menggeneralisasi kesimpulannya agar dapat digunakan apabila kita menemukan komponen yang hampir sama.

Sebagai contoh misalnya dalam permainan catur. Komputer dapat mempelajari sebuah teknik hanya dari satu contoh saja, misalnya posisi mat. Dari contoh tersebut, komputer dapat melakukan perhitungan agar posisi itu tidak terjadi padanya dan sebaliknya berusaha melakukan itu kepada lawannya. Komputer tidak memerlukan banyak contoh seperti yang dilakukan oleh version space atau decision tree, karena komputer cukup mengetahui bahwa posisi dimana raja tidak dapat bergerak ke tempat lain bearti posisi mat. Explanation based learning merupakan sebuah metode lain dari berbagai teknik learning. Pada teknik- teknik sebelumnya, contoh- contoh yang disediakan tidaklah sangat banyak sehingga memberatkan proses perhitungan. Dengan teknik explanation based learning ini, kita akan memperbaiki kecepatan proses sebuah learning. Dalam teknik ini, kita akan menggunakan proses induktif. Proses ini akan membuat sebuah kesimpulan dari sekumpulan fakta- fakta yang ada. Kemudian hasil kesimpulan dan juga fakta- fakta tersebut disimpan dalam memory, sehingga apabila pada suatu saat dibutuhkan, kita tidak perlu melakukan perhitungan ulang. Hal inilah yang menyebabkan peningkatan kecepatan proses learning. Oleh karena itu, teknik ini disebut juga speed-up learning. Speed-up learning dapat membuat sistem mendapatkan hasil / keputusan lebih cepat. Namun untuk dapat melakukan itu, kita perlu untuk memberikan banyak contoh- contoh latihan.

Dalam teknik explanation based learning, kita dapat mengambil input dari empat hal.
  • contoh latihan
  • konsep tujuan
  • kriteria operasi
  • teori domain

Explanation-based generalization adalah sebuah algoritma yang dipakai dalam
explanation based learning. Dalam teknik ini kita akan melakukan 2 langkah. Yang pertama adalah kita membuang semua aspek yang tidak penting dalam mencapai konsep tujuan. Langkah berikutnya adalah melakukan generalisasi penjelasan sejauh mungkin selama masih memenuhi konsep.

  1. Empirical dan Analytical Learning
Empirical learning adalah metode belajar dengan mengandalkan pengalaman eksternal, sedangkan analytical learning tidak membutuhkan input eksternal. Perbedaan antara empirical dan analytical sangat tipis. Hampir semua masalah dapat diselesaikan dengan menggunakan analytical learning, namun dalam beberapa kasus dimana dibutuhkan kecepatan dan data yang sangat banyak seperti dalam permainan catur, maka analytical tidak bisa dipakai sendirian. Empirical learning dapat digunakan bersamaan dengan analytical sehingga dapat mempercepat proses. Dalam empirical learning dikenal metode supervised dan unsupervised.

a. Supervised Learning

Dalam teknik supervised learning, maka sebuah program harus dapat membuat klasifikasi – klasifikasi dari contoh- contoh yang telah diberikan. Misalnya sebuah program diberikan benda berupa bangku dan meja, maka setelah beberapa contoh, program tersebut harus dapat memilah- milah objek ke dalam klasifikasi yang cocok. Kesulitan dari supervised learning adalah kita tidak dapat membuat klasifikasi yang benar. Dapat dimungkinkan program akan salah dalam mengklasifikasi sebuah objek setelah dilatih. Oleh karena itu, selain menggunakan training set kita juga memberikan test set. Dari situ kita akan mengukur persentase keberhasilannya. Semakin tinggi berarti semakin baik program tersebut. Persentase tersebut dapat ditingkatkan dengan diketahuinya temporal dependence dari sebuah data. Misalnya diketahui bahwa 70% mahasiswa dari jurusan Teknik Informatika adalah laki- laki dan 80% mahasiswa dari jurusan Sastra adalah wanita. Maka program tersebut akan dapat mengklasifikasi dengan lebih baik.
b. Unsupervised Learning

Teknik ini menggunakan prosedur yang berusaha untuk mencari partisi dari sebuah pola. Unsupervised learning mempelajari bagaimana sebuah sistem dapat belajar untuk merepresentasikan pola input dalam cara yang menggambarkan struktur statistikal dari keseluruhan pola input. Berbeda dari supervised learning, unsupervised learning tidak memiliki target output yang eksplisit atau tidak ada pengklasifikasian input.

Dalam machine learning, teknik unsupervised sangat penting. Hal ini dikarenakan cara bekerjanya mirip dengan cara bekerja otak manusia. Dalam melakukan pembelajaran, tidak ada informasi dari contoh yang tersedia. Oleh karena itu, unsupervised learning menjadi esensial.

  1. Reinforcement Learning
Reinforcement learning adalah sebuah teknik learning yang mempelajari aturan kontrol dengan cara berinteraksi dengan lingkungan yang masih asing. Ada 2 cara dalam teknik ini, teknik model-based dan teknik model-free.

Dalam teknik model-based, kita akan membuat sebuah subset berisi 4 tuple yang menggambarkan aksi, kondisi, hasil dan kondisi selanjutnya. Setelah mendapatkan subset yang cukup banyak maka kita dapat menghasilkan probability transition function dan reward function. Setelah mendapatkan kedua fungsi tersebut, kita dapat menggunakan dynamic programming untuk menghasilkan aturan yang paling optimal. Dalam teknik model-free, kita tidak menyimpan subset yang berisi 4 tuple. Kita langsung menerapkan sebuah algoritma yang dapat langsung mengubah aturan kontrol menjadi lebih efisien.

  1. Statistical Learning
Dalam machine learning, statistik dapat digunakan untuk mempercepat proses pembelajaran. Ada beberapa metode yang dapat kita gunakan dalam statistical learning. Metode tersebut adalah Bayesian, Instance Based dan Neural Network.

a. Bayesian Learning

Dalam Artificial Intelligence, teknik Bayesian dapat digunakan untuk mempercepat proses memperoleh hasil perhitungan. Untuk memperoleh hasil yang optimal, kita dapat menggunakan probabilitas agar sehingga komputer tidak perlu melakukan perhitungan yang tidak diperlukan.
Teorema Bayes

P (h | D) = P (D | h) * P (h) / P (D)
dimana :
P (h) = kemungkinan dari hipotesis h
P (D) = kemungkinan dari sample D
P (h | D) = kemungkinan dari h jika diberikan sample D
P (D | h) = kemungkinan dari sample D jika ada hipotesis h

b. Neural Network

Dalam teknik ini, kita membuat sebuah neural network buatan yang bertujuan untuk mensimulasikan cara kerja neuron yang berada di dalam sel manusia. Neuron sendiri berfungsi sangat penting dalam tubuh manusia karena berperan penting dalam menerima dan memproses sinyal. Pada zaman modern sekarang ini, teknik dengan neural network merupakan teknik learning yang paling populer dan efektif. Neural network memiliki berbagai kelebihan seperti dapat melakukan perhitungan terdistribusi, dapat mentoleransi noise dalam input, dan kemampuannya dalam belajar.
Fase Pengambilan Keputusan Herbert A. Simon

Menurut Herbert A. Simon, ada 2 tipe keputusan:
1. Keputusan terprogram
adalah keputusan yang sifatnya rutin dan berulang-ulang, dan organisasi biasanya mengembangkan cara-cara tertentu untuk mengendalikannya
Contoh : menata barang dagangan di toko

2. Keputusan tidak terprogram
adalah keputusan yang dikeluarkan hanya sekali dan biasanya tidak terstruktur dibanding keputusan yang terprogram.
Contoh : barang dagangan apa yang akan dijual

Mengacu pada pemahaman diatas, maka Herbert A. Simon mengklasifikasikan masalah dalam tiga kategori yaitu:
  1. Structured Problem (Terstruktur), merupakan masalah yang rutin dan berulang, sehingga dalam pemecahannya dilakukan secara standar berdasarkan analisa kuantitatif. Disamping itu, masalah tersebutdapat dibuatkan alagoritma atau aturan yang memungkinkan masalah tersebutdapatdiidentifikasi dan dimengerti. Berdasarkan hasil identifikasi, maka dapat dibuatkan solusi alternatif dalam memecahkan masalah tersebut. Masalah ini dikenal sebagai masalah yang memiliki struktur tiga tahapan Simon.
  2. Unstructured problem (Tidak Terstruktur), Problem yang masih kabur dan cukup kompleks yang tidak ada solusi langsung bisa dipakai
  3. Semi structured problem (Semi Terstruktur), pada masalah ini merupakan penggabungan antara structured dan unstructured problem. Unstuctured & Semi Structured perlu SPK untuk meningkatkan kualitas informasi, memberi beberapa alternatif solusi.
Meurut Simon ada 4 fase dalam pengambilan keputusan, dimana fase 1-3 merupakan dasar pengambilan keputusan, sedangkan pemecahan masalah adalah fase 1-4:

 Gambar 1 Fase Keputusan Simon
 Gambar 1 Fase Keputusan Simon

1, Intelegen
mengamati lingkungan dan mencari kondisi-kondisi yang perlu diperbaiki Kegiatan ini merupakan tahapan dalam perkembangan cara berfikir. Untuk melakukan kegiatan intelijen ini diperlukan sebuah sistem informasi, dimana informasi yang diperlukan ini didapatkan dari kondisi internal maupun eksternal sehingga seorang manajer dapat mengambil sebuah keputusan dengan tepat. Dalam kondisi internal sistem informasi ini digunakan untuk mengamati kegiatan-kegiatan yang dilakukan organisasi dalam dunia bisnis, sedangkan dalam kondisi eksternal sistem informasi ini digunakan untuk mengamati kondisi lingkungan luar yang dapat mempengaruhi kondisi internal organisasi, sehingga manajer dapat mengidentifikasi dan membuat sebuah keputusan yang memiliki potensial tinggi.

2. Merancang
kegiatan untuk menemukan, mengembangkan dan menganalisis berbagai alternatif tindakan yang mungkin untuk dilakukan. Tahap perancangan ini meliputi pengembangan dan mengevaluasi serangkaian kegiatan alternatif. Pertimbangan-pertimbangan utama telah diperkenalkan oleh Simon untuk melakukan tahapan ini, apakah situasi keputusan ini terprogram atau tidak.

3. Memilih
memilih satu tindakan tertentu dari beberapa yang tersedia. Kegiatan memilih dan menelaah ini digunakan untuk memilih satu rangkaian tindakan tertentu dari beberapa yang tersedia dan melakukan penilaian terhadap tindakan yang telah dipilih.

4. Menelaah
menilai pilihan-pilihan yang lalu
  • Sistem adalah kumpulan dari obyek-obyek seperti orang, resource, konsep, dan procedure yang ditujukan untuk melakukan fungsi tertentu atau memenuhi suatu tujuan.
  • Sistem dan lingkunganya
Gambar 2 Sistem dan Lingkungan
Gambar 2 Sistem dan Lingkungan

  • Sistem terdiri dari : Input, Proses, dan Output
  1. Input : semua elemen yang masuk ke sistem. Contohnya adalah bahan baku yang masuk ke pabrik kimia, pasien yang masuk ke rumah sakit, input data ke komputer
  2. Proses : proses transformasi elemen-elemen dari input menjadi output
  3. Output : produk jadi atau hasil dari suatu proses di sistem
  4. Feedback: aliran informasi dari komponen output ke pengambil keputusan yang memperhitungkan output/ kinerja sistem. Dari informasi ini, pengambil keputusan, yang bertindak sebagai pengontrol, bisa memutuskan untuk memodifikasi input, atau proses, atau malah keduanya.
  5. Environment: terdiri dari berbagai elemen yang terletak diluar input, proses ataupun output. Namun, dapat mempengaruhi kinerja dan tujuan sistem. Bila suatu elemen memiliki hubungan dengan tujuan sistem serta pengambil keputusan secara signifikan tak mungkin memanipulasi elemen ini, maka elemen tesebut harus dimasukkan sebagai bagian dari environment. Contoh:sosial, politik, hukum, aspek fisik, dan ekonomi.
  6. Boundary/batas: pemisah antara suatu sistem dengan enviromentnya. Sistem ada di dalam boundary, dimana environmentnya ada di luarnya. Bisa secara fisik, misal:sistem adalah sebuah departemen di Gedung X; atau non fisik, misal:suatu sistem dibatasi oleh waktu tertentu.

Sekian artikel tentang Pengertian Human Decision, Machine Decision, dan Simon Phase. Semoga bermanfaat.

Daftar Pustaka
  • Hasan, Iqbal. Pokok – Pokok Materi Teori Pengambilan Keputusan. Ghalia Indonesia. 2002. 
  • Dietterich, Thomas G. (1990). Machine Learning. Oregon State University. 
  • Mitchell, T. M. (1997). Machine Learning. McGraw-Hill. 
  • Nilsson, Nils J. (1996). Introduction to Machine Learning, Stanford University. 
  • Rich, E dan Knight, K. (1991). Artificial Intelligence (second edition). McGraw-Hill. 
  • Russel, Stuart and Norvig, Peter. (1995). Artificial Intelligence A Modern Approach. Prentice Hall.

Nikita Dini
Nikita Dini Blogger, Internet Marketer, Web Designer

Posting Komentar untuk "Pengertian Human Decision, Machine Decision, dan Simon Phase"