REVIEW BUKU

(Diajukan untuk memenuhi salah satu tugas mata kuliah Decision Making)

Disusun Oleh :

Dicky Firmansyah (1417104030)

PROGRAM STUDI MAGISTER MANAJEMEN

FAKULTAS BISNIS DAN MANAJEMEN

UNIVERSITAS WIDYATAMA

2018
 General System Theory
Jika seseorang ingin menganalisa sebuah gagasan maka dia akan menemukan kata sistem
untuk kata yang tepat. Konsep ini telah ditemukan dalam seluruh aspek ilmu pengetahuan dan
telah dikenal sebagai jargon dan masuk dalam media massa. Gagasan dari Terosi Sistem Umum
pertama kali dikemukakan oleh penulis ke dalam hal cybernetika, engineering sistem dan bidang
lain yang sesuai. Konsep sistem sendiri sudah berlangsung lama walaupun tidak menekanakan
kata sistem itu sendiri, contohnya Natural Phylosophy oleh Leibniz dan yang lainnya. Ketika hal
baru di serukan sebagai sesuatu yang revolusioner banyak orang memakai istilah ini untuk
menandai perkembangan ilmu pengetahuan. Sebagai contoh ‘’revolusi ilmu pengetahuan’’ dapat
diidentifikasi sebagai criteria diagnostic yang tertentu. Menurut pendapat Kuhn revolusi ilmu
pengetahuan ditentukan oleh pemunculan bagan konsep yang baru atau paradigma. Dalam hal ini
masalah sistem merupakan hal yang penting dalam pembatasan masalah pada prosedur analisis
ilmu pengetahuan. Aplikasi prosedur analisis tergantung pada dua kondisi yang pertama interaksi
antara bagian yang tidak ada atau cukup lemah untuk dibiarkan untuk tujuan penelitian tertentu.
Yang kedua dalam hubungannya dengan menerangkan perilaku bagian haruslah linier.

Sistem teori umum muncul pertama kali didahului oleh hadirnya teori cibernatika, sistem
keteknikan dan bidang pengetahuan yang saling berhubungan. Pengertian sistem telah melewati
sejarah yang panjang, walaupun kondisi sistem tidak mengutamakan sejarah dari pengertian yang
meliputi banyak nama dan ilustrasi

Teori sistem umum merupakan keseluruhan yang sampai sekarang masih dianggap
sebagai konsep yang semimetafisik dan tidak jelas. Dalam bentuk yang berelaborasi ini akan
menjadi disiplin logis matematika secara formal tetapi dapat di aplikasikan pada berbagai ilmu
empiris karena berhubungan dengan ‘’keseluruhan yang teroganisir’’ ini akan menjadi signifikasi
yang hampir sama dengan yang dimiliki teori probabilitas untuk ilmu yang berhubungan dengan
‘’peristiwa kesempatan’’ yang berikutnya juga adalah disiplin matematika formal yang dapat
diaplikasikan pada bidang yang paling berbeda, seperti termodinamika, percobaan biologi dan
medis, genetik, statistik asuransi hidup dan sebagainya. Indikasi tujuan teori sistem umum,
adalah sebagai berikut :
1.Ada tendensi umum melalui integrasi dalam berbagai ilmu alam dan sosial.
2.Beberapa integrasi nampaknya menjadi pusat dalam teori sistem umum.
3.Beberapa teori mungkin menjadi penting untuk menuju pada teori eksak dalam bidang atau
ilmu non fisika.
4.Mengembangkan prinsip kesatuan yang dijalankan secara vertikal melalui universalnya ilmu
individu, teori ini membawa kita lebih dekat pada tujuan kesatuan ilmu.
5.Lebih mengarah pada dibutuhkannya integrasi dalam pendidikan ilmiah.
 Modelling and Simulation of Complex System
Model berbasis agen ditandai oleh paralelisme yang melekat sebagaisemua agen
bertindak serentak. Mencoba memanfaatkan paralelisme ini denganMesin simulasi yang
memadai nampak natural. Masalah utamaadalah bahwa model berbasis agen tidak hanya
dicirikan oleh agenbertindak bersamaan, tapi juga oleh agen yang berinteraksi satu sama
laindengan cara yang kompleks dan bermacam-macam. Interaksi antara agenefektif membatasi
tingkat kemungkinan paralelisasi dan permintaandekomposisi model yang sesuai menjadi partisi
independen.Mengevaluasi kendala yang didefinisikan dalam model berbasis agen
danmenghitung hasil tindakan bersamaan membutuhkan waktu O (n2) (dengan nmengacu pada
jumlah agen). Pertumbuhan kuadrat runtime inisangat membatasi skalabilitas dan perlu dikurangi
agar bisa bertambahkecepatan yang signifikan Dekomposisi sekumpulan zat ke dalam set
agenyang dapat dieksekusi secara paralel adalah perbaikan sebagai kuadratpertumbuhan
sekarang berlaku untuk set agen yang lebih kecil.

Sebagai pilihan strategi partisi model yang sesuai adalah signifikanuntuk mencapai
kecepatan tinggi, berbagai strategi partisidisajikan. Strategi pembagian dibagi menjadi
strategiberoperasi secara per agen dan strategi yang beroperasi pada sebuah peraksidasar. Per
agen berarti agen diperlakukan secara keseluruhansedangkan per tindakan mengacu pada strategi
yang beroperasi pada yang lebih baikskala sensor dan tindakan efektor agen. Partisi yang
sebenarnyamungkin tidak mengetahui atau mempertimbangkan informasi tambahan.Informasi
tipikal yang harus diperhatikan adalah distribusi spasialdari agen Anggapannya adalah agen yang
jauh satu sama laintidak saling mempengaruhi. Informasi lain yang mungkin diambilUntuk
menciptakan partisi yang baik adalah komunikasi danhubungan interaksi antar agen

Mendefinisikan strategi partisi adalah tugas yang mudah; Bagian yang sulit adalah untuk
benar-benar menghitung partisi. Strategi pembagian yang optimal memastikan bahwa jumlah
maksimum agen dapat dieksekusi secara paralel. Menghitung jumlah partisi yang diinginkan dari
agen independen adalah setara dengan masalah partisi grafik yang diketahui NP-lengkap Oleh
karena itu, kompilasi partisi dari agen independen harus mengandalkan metode heuristik. Metode
heuristik tipikal termasuk dekomposisi spasial serta dekomposisi aksi-dependent. Dengan adanya
partisi tertentu, mudah untuk mengevaluasi kualitasnya dengan mengukur runtime dan
menghitung speedup yang diraih dengan menggunakan strategi partisi ini. Namun, hampir tidak
mungkin mengevaluasi kualitas strategi partisi. Khas Indikator yang digunakan untuk
mengevaluasi kualitas suatu partisi tertentu antara lain persamaan distribusi agen ke partisi,
minimalisasi interaksi agen melintasi batas partisi, minimalisasi jaringan lalu lintas, dll.
Sayangnya, indikator ini seringkali sulit untuk dihitung dan sedikit nilai prediktif mengenai
kecepatan yang bisa dicapai.

Model partisi harus berjalan beriringan dengan eksekusi parallel dari mesin simulasi yang
benar-benar mengeksekusi model. Tesis ini mendefinisikan paralelisasi mesin simulasi pada tiga
tingkatan: Pada awalnya,eksekusi paralel dapat diterapkan pada tingkat prosesor (i. e.,
penggunaan prosesor multi-core); Kedua, eksekusi paralel bisa diterapkandi tingkat node dengan
penggunaan beberapa prosesor dalam satu komputasinode dan ketiga, eksekusi paralel dapat
diterapkan pada cluster-leveldengan menggunakan beberapa node komputasi. Multi level
paralelisasimengacu pada penerapan paralelisasi simultan pada beberapa tingkatan,e. g., dengan
menggabungkan tingkat cluster dan paralelisasi tingkat-node.

Contoh penerapan model referensi GRAMS milikitelah dikembangkan untuk

menunjukkan penerapan praktisnya. ContohImplementasi menyerupai model referensi GRAMS
sangat erat.Dua mesin simulasi single-threaded yang berbeda diimplementasikan(satu
menggunakan kontrol eksekusi yang dijalankan dengan waktu, dan yang lainnya menggunakan
kontrol waktusebuah kontrol eksekusi berbasis event) serta event multi-threadedmesin simulasi
Seperti yang diharapkan semua mesin simulasi menghasilkanHasil identik saat mengeksekusi
model yang sama. Kesesuaian dari Mesin simulasi dengan model referensi GRAMS
diverifikasioleh test suite yang dibangun di sekitar model Tileworld yang dikenal luas.Contoh
implementasi selanjutnya digunakan untuk pengukuran empiris.Beberapa benchmark suite
didefinisikan dan kemudiandieksekusi pada mesin simulasi yang berbeda. Pengaruh
pembatasanEvaluasi kendala pada keseluruhan runtime ditunjukkan pada tolok ukursetup dengan
sampai 10 000 agen. Selain itu, evaluasi praktisDukung asumsi diam-diam bahwa pilihan yang
optimalStrategi partisi bukan domain independen, tapi harus di ambilaccount domain spesifik
dari model di tangan.

Decision Making Under Uncertainty

Seorang agen adalah sesuatu yang bertindak berdasarkan pengamatan lingkungannya.
Agen mungkin entitas fisik, seperti manusia atau robot, atau mereka mungkin entitas nonfisik,
seperti sistem pendukung keputusan yang diterapkan sepenuhnya dalam perangkat lunak.

Agen pada saat t menerima pengamatan dunia, dilambangkan atau. Pengamatan Bisa
dibuat, misalnya melalui proses sensorik biologis seperti pada manusia atau dengan sistem
asensor seperti radar dalam sistem kontrol lalu lintas udara. Pengamatan seringkali tidak
lengkap; manusia mungkin tidak melihat pesawat yang mendekat atau sistem radar mungkin bisa
mendeteksi melalui gangguan elektromagnetik. Agen kemudian memilih tindakan melalui
beberapa proses pengambilan keputusan yang akan dibahas nanti. Tindakan ini, seperti terdengar
waspada, mungkin memiliki efek nondeterministik terhadap dunia. Fokus kami adalah pada agen
cerdas yang berinteraksi secara cerdas di dunia untuk mencapainya tujuan mereka dari waktu ke
waktu. Mengingat urutan pengamatan terakhir o0,. . . , dan dan pengetahuan tentang lingkungan,
agen harus memilih tindakan yang terbaik mencapai tujuannya.

Ada banyak metode yang berbeda untuk merancang agen keputusan. Tergantung pada
aplikasi, beberapa metode mungkin lebih tepat daripada yang lain. Metode berbeda dalam
tanggung jawab perancang dan tugas yang ditinggalkan otomatisasi. Bagian ini secara singkat
mengulas kumpulan metode ini. Buku ini akan berfokus terutama pada dua metode terakhir,
perencanaan dan pembelajaran penguatan, namun beberapa teknik akan melibatkan elemen
pembelajaran dan pengoptimalan yang diawasi.

Metode yang paling langsung untuk merancang sebuah keputusan adalah mengantisipasi
semua hal yang berbedaskenario agen mungkin menemukan dirinya sendiri dan kemudian secara
eksplisit memprogram agen untuk melakukan apa yang diinginkan. Pendekatan pemrograman
eksplisit dapat berjalan dengan baik untuk masalah sederhana, namun memberi beban besar pada
perancang untuk memberikan strategi yang lengkap. Berbagai bahasa pemrograman dan
kerangka kerja agen telah diusulkan untuk membuat pemrogramanagen lebih mudah

Dalam beberapa masalah, mungkin lebih mudah untuk menunjukkan agen apa yang harus
dilakukan daripada menulis aprogram untuk diikuti agen. Perancang menyediakan seperangkat
contoh pelatihan, danAlgoritma pembelajaran otomatis harus menggeneralisasi dari contoh-
contoh ini. Pendekatan inidikenal sebagai pembelajaran yang diawasi dan telah banyak
diterapkan pada masalah klasifikasi. IniTeknik ini terkadang disebut kloning perilaku bila
diterapkan pada pembelajaran pemetaandari pengamatan ke tindakan. Kloning perilaku bekerja
dengan baik saat menjadi perancang ahliSebenarnya tahu tindakan terbaik untuk contoh contoh
yang representatifsituasi. Meskipun ada berbagai macam algoritma pembelajaran yang berbeda,
merekaUmumnya tidak bisa berkinerja lebih baik daripada desainer manusia dalam situasi baru.

Pendekatan lain adalah bagi perancang untuk menentukan ruang kemungkinan strategi
pengambilan keputusan dan ukuran kinerja yang harus dimaksimalkan. Mengevaluasi kinerja
sebuah keputusan Strategi umumnya melibatkan serangkaian simulasi dengan strategi
pengambilan keputusan.Algoritma optimasi kemudian melakukan pencarian di ruang ini untuk
strategi optimal.Jika ruang strategi yang memungkinkan berdimensi relatif rendah dan kinerjanya
Ukuran tidak memiliki banyak pilihan lokal, maka berbagai strategi pencarian lokal atau
globalmungkin tepat. Meskipun pengetahuan tentang model dinamis umumnya diasumsikan
dalam Agar bisa menjalankan simulasi, tidak lain digunakan untuk memandu pencarian yang
optimalstrategi, yang bisa jadi penting dalam masalah yang kompleks.

Perencanaan adalah bentuk optimasi, namun menggunakan model dinamika masalah

untuk membantutuntaskan pencarian Sebuah literatur yang luas telah muncul mengenai masalah
perencanaan, sebagian besar terfokuspada masalah deterministik. Untuk beberapa masalah,
mungkin dapat diperkirakan perkiraandinamika dengan model deterministik. Dengan asumsi
model deterministik memungkinkan penggunaanMetode yang lebih mudah skala terhadap
masalah berdimensi tinggi. Untuk masalah lainnya,akuntansi untuk ketidakpastian masa depan
benar-benar penting. Buku ini berfokus sepenuhnyaMasalah di mana akuntansi untuk
ketidakpastian itu penting.

Penguatan belajar meredakan asumsi dalam perencanaan bahwa model diketahui

sebelumnya. Sebagai gantinya, strategi pengambilan keputusan dipelajari saat agen berinteraksi
dengannya Dunia. Perancang hanya harus memberikan ukuran kinerja; itu terserah pada
pembelajaran Algoritma untuk mengoptimalkan perilaku agen. Salah satu kompleksitas yang
menarikYang timbul dalam pembelajaran penguatan adalah bahwa pilihan tindakan tidak hanya
berdampak padakeberhasilan agen dengan segera dalam mencapai tujuannya tetapi juga
kemampuan agennya belajar tentang lingkungan dan mengidentifikasi karakteristik dari masalah
yang dimilikinyamengeksploitasi.