Pertemuan ke 2 Minggu ke 9, Kecerdasan buatan dan Permainan

1. 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.

2. 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.

3. Algoritma, Struktur data dan Representasi

A.      Decision tree

Decision Tree adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia. Decision tree adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari decision tree adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan decision tree adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan.

- Kelebihan

Daerah pengambilan keputusan yang sbelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik.

Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode decision tree maka sample diuji hanya berdasarkan criteria atau kelas tertentu.

Fleksibel untuk memilih features dari internal nodes yang berbeda, feature yang terpilih akan membedakan suatu criteria dibandingkan criteria yang lain dalam node yang sama. Kefleksibelan metode decision tree ini meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu tahap yang lebih konvensional.

Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode decision tree dapat menghindari munculnya permasalahan ini dengan menggunakan criteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.

- Kekurangan

Terjadi overlap terutama ketika kelas-kelas dan criteria yang digunakan jumlahnya sangat banyak. Hal tersebut juga dapat menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memory yang diperlukan.

Pengakumulasian jumlah error dari setiap level dalam sebuah pohon keputusan yang besar.

Kesulitan dalam mendesain decision tree yang optimal. Hasil kualitas keputusan yang didapatkan dari metode decision tree sangat tergantung pada bagaimana pohon tersebut didesain.

B.      Finite State Machines (FSM)

FSM adalah sebuah metodologi perancangan sistem kontrol yang menggambarkan tingkah laku atau prinsip kerja sistem dengan menggunakan tiga hal berikut: State (Keadaan), Event (kejadian) dan Action (aksi). Pada satu saat dalam periode waktu yang cukup signifikan, sistem akan berada pada salah satu state yang aktif. Sistem dapat beralih atau bertransisi menuju state lain jika mendapatkan masukan atau event tertentu, baik yang berasal dari perangkat luar atau komponen dalam sistemnya itu sendiri (misal interupsi timer). Transisi keadaan ini umumnya juga disertai oleh aksi yang dilakukan oleh sistem ketika menanggapi masukan yang terjadi. Aksi yang dilakukan tersebut dapat berupa aksi yang sederhana atau melibatkan rangkaian proses yang relative kompleks. Berdasarkan sifatnya, metode FSM ini sangat cocok digunakan sebagai basis perancangan perangkat lunak pengendalian yang bersifat reaktif dan real time. Salah satu keuntungan nyata penggunaan FSM adalah kemampuannya dalam mendekomposisi aplikasi yang relative besar dengan hanya menggunakan sejumlah kecil item state. Selain untuk bidang kontrol, Penggunaan metode ini pada kenyataannya juga umum digunakan sebagai basis untuk perancangan protokol-protokol komunikasi, perancangan perangkat lunak game, aplikasi WEB dan sebagainya.

Finite State Machine(FSM) ini memiliki kelebihan dan kekurangan,antara lain :

- Kelebihan

Implementasinya mudah dan cepat

Memudahkan proses debugging. Karena telah dipecah menjadi kepingan yang lebih kecil, proses debugging kalau terjadi behavoiur yang tidak semestinya, menjadi lebih mudah

Proses komputasi yg minimal, karena sejatinya FSM hanyalah conditional statement yang dikemas dalam bentuk yang lebih elegan.

Fleksibel, dapat dikombinasikan dengan teknik AI lain misalnya fuzzy logic dan neural network.

- Kekurangan

Behaviour dari agen mudah diprediksi, karena tidak ada searching dan atau learning di dalam agen tersebut

Karena mudah diimplementasi, kadang programmer langsung tembak di eksekusi tanpa melakukan desain FSM terlbih dahulu. Biasanya akan terjadi FSM yang terfragmentasi

Timbul apa yang dinamakan dengan State Oscillation yaitu ketika batasan antara dua buah state terlalu tipis

C.        Sistem berbasis aturan (Rule Based System)

adalah suatu program komputer yang memproses informasi yang terdapat di dalam working memory dengan sekumpulan aturan yang terdapat di dalam basis pengetahuan menggunakan mesin inferensi untuk menghasilkan informasi baru.

Sebuah Rule-Based System dapat dibentuk dengan menggunakan sebuah assertions set, yang secara kolektif membentuk working memory, dan sebuah rule set yang menentukan aksi pada assertions set.  RBS secara relatif adalah model sederhana yang bisa diadaptasi ke banyak masalah. Namun, jika ada terlalu banyak peraturan, pemeliharaan sistem akan rumit dan terdapat banyak failure dalam kerjanya.

- Kelebihan

Availability-bertambah, intelligent tutor, intelligent dB, danger-reduced, performance

multiple expertise, reability-bertambah, explanation steady, unemotional and complete response§ 

- Kekurangan

Jika terlalu banyak aturan, sistem menjadi sulit dalam me-maintain performance dan Keterbatasan dalam memutuskan teknik yang digunakan untuk suatu masalah.

D.        Algoritma A*

Menyelesaikan masalah yang menggunakan graf untuk perluasan ruang statusnya. Dengan menerapkan suatu heuristik, algoritma ini membuang langkah-langkah yang tidak perlu dengan pertimbangan bahwa langkah-langkah yang dibuang sudah pasti merupakan langkah yang tidak akan mencapai solusi yang diinginkan. Algoritma A* membangkitkan simpul yang paling mendekati solusi. Simpul ini kemudian disimpan suksesornya ke dalam list sesuai dengan urutan yang paling mendekati solusi terbaik. Kemudian, simpul pertama pada list diambil, dibangkitkan suksesornya dan kemudian suksesor ini disimpan ke dalam list sesuai dengan urutan yang terbaik untuk solusi.

Algoritma ini akan mengunjungi secara mendalam (mirip DFS) selama simpul tersebut merupakan simpul yang terbaik. Jika simpul yang sedang dikunjungi ternyata tidak mengarah kepada solusi yang diinginkan, maka akan melakukan runut balik ke arah simpul akar untuk mencari simpul anak lainnya yang lebih menjanjikan dari pada simpul yang terakhir dikunjungi. Bila tidak ada juga, maka akan terus mengulang mencari ke arah simpul akar sampai ditemukan simpul yang lebih baik untuk dibangkitkan suksesornya. Strategi ini berkebalikan dengan algoritma DFS yang mencari sampai kedalaman yang terdalam sampai tidak ada lagi suksesor yang bisa dibangkitkan sebelum melakukan runut balik, dan BFS yang tidak akan melakukan pencarian secara mendalam sebelum pencarian secara melebar selesai. A* baru berhenti ketika mendapatkan solusi yang dianggap solusi terbaik.

Algoritma A* menggabungkan jarak estimasi/heuristik [h(n)] dan jarak sesungguhnya/cost [g(n)] dalam membantu penyelesaian persoalan. Heuristik adalah nilai yang memberi harga pada tiap simpul yang memandu A* mendapatkan solusi yang diinginkan. Dengan heuristik, maka A* pasti akan mendapatkan solusi (jika memang ada solusinya). Dengan kata lain, heuristik adalah fungsi optimasi yang menjadikan algoritma A* lebih baik dari pada algoritma lainnya. Namun heuristik masih merupakan estimasi/perkiraan biasa saja. Sama sekali tidak ada rumus khususnya. Artinya, setiap kasus memiliki fungsi heuristik yang berbeda-beda.

E.         Algoritma Dijkstra

Algoritma Dijkstra adalah sebuah algoritma rakus (greedy algorithm) yang dipakai dalam memecahkan permasalahan jarak terpendek (shortest path problem) untuk sebuah graf berarah (directed graph) dengan bobot-bobot sisi (edge weights) yang bernilai tak negatif.

Misalnya, bila vertices dari sebuah graf melambangkan kota-kota dan bobot sisi (edge weights) melambangkan jarak antara kota-kota tersebut, maka algoritma Dijkstra dapat digunakan untuk menemukan jarak terpendek antara dua kota. Input algoritma ini adalah sebuah graf berarah yang berbobot (weighted directed graph)

Tujuan Algoritma Dijkstra yaitu untuk menemukan jalur terpendek berdasarkan bobot terkecil dari satu titik ke titik lainnya.

Kelemahan algoritma ini adalah semakin banyak titik akan semakin memakan waktu proses.

Jumlah titik menentukan tingkat efektifitas dari algoritma djikstra.

- Urutan Logika Algoritma Dijkstra

1. Beri nilai bobot (jarak) untuk setiap titik ke titik lainnya, lalu set nilai 0 pada node awal dan nilai tak hingga terhadap node lain (yang belum terisi).

2. Set semua node “Belum terjamah” dan set node awal sebagai “Node keberangkatan”.

3. Dari node keberangkatan, pertimbangkan node tetangga yang belum terjamah dan hitung jaraknya dari titik keberangkatan.

4. Setelah selesai mempertimbangkan setiap jarak terhadap node tetangga, tandai node yang telah terjamah sebagai “Node terjamah”. Node terjamah tidak akan pernah di cek kembali, jarak yang disimpan adalah jarak terakhir dan yang paling minimal bobotnya.

5. Set “Node belum terjamah” dengan jarak terkecil (dari node keberangkatan) sebagai “Node Keberangkatan” selanjutnya dan lanjutkan dengan kembali ke step 3.

4. Kompleksitas Kesalahan

Dalam konteks kecerdasan buatan dalam permainan video, kecurangan mengacu pada programmer agen memberikan akses ke informasi yang tersedia kepada pemain. Dalam sebuah contoh sederhana, jika agen ingin tahu apakah pemain dekatnya mereka dapat menjadi diberikan kompleks, manusia seperti sensor (melihat, mendengar, dll), atau mereka bisa menipu dengan hanya meminta mesin permainan untuk posisi pemain. Penggunaan kecurangan dalam AI menunjukkan keterbatasan “kecerdasan” dicapai artifisial, secara umum, dalam permainan di mana kreativitas strategis sangat penting, manusia dengan mudah bisa mengalahkan AI setelah minimal trial and error jika bukan untuk keuntungan ini. Kecurangan sering diimplementasikan untuk alasan kinerja di mana dalam banyak kasus mungkin dianggap dapat diterima sepanjang pengaruhnya tidak jelas bagi pemain. Sedangkan kecurangan hanya merujuk hak istimewa yang diberikan secara khusus untuk AI itu tidak termasuk kecepatan tidak manusiawi dan presisi alami untuk pemain-komputer mungkin panggilan keuntungan yang melekat komputer “kecurangan” jika mereka menghasilkan agen bertindak tidak seperti pemain manusia.

Kecurangan AI adalah aspek yang terkenal dari seri Peradaban Sid Meyer, dalam pertandingan tersebut, pemain harus membangun kerajaan dari awal, sedangkan kerajaan komputer menerima unit tambahan tanpa biaya dan dibebaskan dari pembatasan sumber daya.

5. Jenis Game AI

a. RTS (Real Time Strategy)

Game ini biasanya bersifat turn based ataupun bisa dimainkan secara bersamaan, identik dengan bermain melawan human intelegent (manusia vs manusia) yang biasanya menggunakan LAN ataupun Internet. Game ini bisa dikatakan game perang-perangan. Contoh game RTS adalah (DOTA, StarCraft, Civilization).

b. RPG (Role Playing Game)

Game ini memiliki unsur yang unik, karena biasanya tidak ada tamat dalam game seperti ini (Kalaupun tamat, hanya ceritanya saja, dan kalian masih bisa leveling atau grinding sesuka hati). Kalian akan menjalankan sebuah main character yang bisa kalian costumize, mencari uang, membangun koneksi dengan NPC (non playable player) dan sebagainya. Contoh dari game RPG adalah (KOA, Skyrim, The Witcher,Ragnarok).

c. FPS (First Person Shooter)

FPS adalah game Tembak-tembakan, pukul-pukulan, tusuk-tusukan yang menggunakan sudut pandang orang pertama. Biasanya kita hanya bisa melihat tangan dari character kita. Contoh game ini FPS adalah (Call of Duty, Counter Strike, Far Cry 3,Point Blank).

d. TPS (Third Person Shooter)

TPS sama definisinya dengan FPS. Hanya saja sudut pandangnya yang berbeda. Di TPS kita memakai sudut pandang orang ketiga. Kita bisa melihat keseluruhan character dari belakang (punggung). Contoh game TPS adalah (Dark Souls, Dark Siders, Assassins Creed,PUBG).

e. Sand Box

Game yang bersetting disuatu daerah, jadi kita bertualang pada suatu map yang sudah disediakan, dan kita bebas menjelajahinya tanpa harus loading ketika berpindah kesuatu daerah, biasanya game-game yang seperti ini game yang paling banyak peminatnya apalagi kita biasanya disuguhkan dengan “kebebasan” didalam game seperti ini. Contoh game Sand Box (GTA, Saints Row, Sleeping Dogs).

6. Kecepatan dan Memori

Kebanyakan program AI menuntut memori yang besar dan kecepatan yang tinggi.

Sumber :

http://web.cecs.pdx.edu/~mperkows/CLASS_479/2017_ZZ_00/02__GOOD_Russel=Norvig=Artificial%20Intelligence%20A%20Modern%20Approach%20(3rd%20Edition).pdf

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

Pertemuan 2 Minggu ke 8 Pembelajaran/Learning

8.1.1 Bentuk Pembelajaran

Bahan ajar atau materi pembelajaran (instructional materials) secara garis besar terdiri dari pengetahuan, keterampilan, dan sikap yang harus dipelajari siswa dalam rangka mencapai standar kompetensi yang telah ditentukan. Secara terperinci, jenis-jenis materi pembelajaran terdiri dari pengetahuan (fakta, konsep, prinsip, prosedur), keterampilan, dan sikap atau nilai.

 1. materi fakta adalah nama-nama obyek, peristiwa sejarah, lambang, nama tempat, nama orang, dsb. (Ibu kota Negara RI adalah Jakart; Negara RI merdeka pada tanggal 17 Agustus 1945).

 2. materi konsep adalah pengertian, definisi, ciri khusus, komponen atau bagian suatu obyek (Contoh kursi adalah tempat duduk berkaki empat, ada sandaran dan lengan-lengannya).

3. Materi jenis prosedur adalah materi yang berkenaan dengan langkah-langkah secara sistematis atau berurutan dalam mengerjakan suatu tugas.

4. Materi jenis sikap (afektif) adalah materi yang berkenaan dengan sikap atau nilai, misalnya nilai kejujuran, kasih sayang, tolong-menolong, semangat dan minat belajar, semangat bekerja, dsb.Untuk membantu memudahkan memahami keempat jenis materi pembelajaran aspek kognitif tersebut. Ditinjau dari pihak guru, materi pembelajaran itu harus diajarkan atau disampaikan dalam kegiatan pembelajaran.

Berikut ini metode metode pengajaran dalam proses belajar:

1. Metode Konvensional/ metode ceramah

Metode pengajaran dengan cara berceramah atau menyampaikan informasi secara lisan kepada siswa. Metode ini merupakan metode yang paling praktis dan ekonomis, tidak membutuhkan banyak alat bantu. Metode ini mampu digunakan untuk mengatasi kelangkaan literatur atau sumber rujukan informasi karena daya beli siswa yang diluar jangkauan. Namun metode ini juga memiliki beberapa kelemahan dan kelebihan.

A. Kekurangan metode ceramah yaitu:

1. Siswa menjadi pasif.

2. Proses belajar membosankan dan siswa mengantuk.

3. Terdapat unsur paksaan untuk mendengarkan.

4. Siswa dengan gaya belajar visual akan bosan dan tidak dapat menerima informasia tau pengetahuan, pada anak dengan gaya belajar auditori hal ini mungkin cukup menarik.

5. Evaluasi proses belajar sulit dikontrol, karena tidak ada poin pencapaian yang jelas.

6. Proses pengajaran menjadi verbalisme atau berfokus pada pengertian kata- kata saja.

B. Kelebihan dari metode ini juga ada, antara lain:

1. Mendorong siswa untuk menjadi lebih fokus.

2. Guru dapat mengendalikan kelas secara penuh.

3. Guru dapat menyampaikan pelajaran yang luas.

4. Dapat diikuti oleh jumlah anak didik yang banyak.

5. Mudah dilaksanakan.

2. Metode Diskusi

Metode diskusi merupakan metode pengajaran yang erat hubungannya dengan belajar pemecahan masalah. Metode ini juga biasa dilakukan secara berkelompok atau diskusi kelompok.

A. Kelebihan metode diskusi kelompok ini, sebagai berikut:

1. Memberikan pemahaman pada anak didik bahwa setiap permasalahan pasti ada penyelesaiannya.

2. Siswa mampu berfikir kritis.

3. Mendorong siswa untuk dapat menyampaikan pendapatnya.

4. Mengambil satu atau lebih alternatif pemecahan masalah.

5. Mendorong siswa memberikan masukan untuk pemecahan masalah.

6. Siswa menjadi paham tentang toleransi pendapat dan juga mendengarkan orang lain.

B. Kekurangan dari metode diskusi ini yaitu sebagai berikut:

1. Cocok digunakan untuk kelompok kecil.

2. Tema diskusi terbatas.

3. Dikuasai oleh orang orang yang suka berbicara.

4. Dibutuhkan penyampaian secara formal dalam berpendapat.

3. Metode Demonstrasi

Metode demonstrasi digunakan pada pengajaran dengan proses yaitu menggunakan benda atau bahan ajar pada saat pengajaran. Bahan ajar akan memberikan pandangan secara nyata terhadap apa yang akan dipelajari, bisa juga melalui bentuk praktikum. Metode demonstrasi ini memiliki manfaat antara lain siswa jadi lebih tertarik dengan apa yang diajarkan, siswa lebih fokus dan terarah pada materi, pengalaman terhadap pengajaran lebih diingat dengan baik oleh siswa.

A. Kelebihan metode demonstrasi ini, antara lain:

1. Siswa bisa memahami secara lebih jelas tentang suatu proses atau cara kerja.

2. Penjelasan menjadi lebih mudah dimengerti.

3. Meminimalisir kesalahan dalam menyampaikan materi lisan, karena bukti konkret bisa dilihat.

B. Kekurangan dari metode demonstrasi ini, yaitu:

1. Apabila benda yang didemonstrasikan terlalu kecil, siswa kesulitan dalam mengamati.

2. Jumlah siswa yang terlalu banyak dapat menghalangi pandangan siswa secara merata.

3. Tidak semua materi bisa didemonstrasikan.

4. Memerlukan guru yang benar- benar paham, agar bisa mendemonstrasikan dengan baik

4. Debat

Debat merupakan metode pembelajaran dengan mengadu argumentadi antara dua pihak atau lebih baik perorangan maupun kelompok. Argumentasi yang dilakukan membahas tentang penyelesaian suatu permasalahan dan memberi keputusan terhadap masalah. Debat pada umumnya dilakukan secara formal dengan bahasa bahasa formal dan cara cara tertentu yang sopan. Terdapat aturan aturan dalam debat informasikan yang disajikan harus memuat data yang relevan dan berisi.

A. Kelebihan metode pembelajaran ini, yaitu:

1. Melatih kemampuan berpendapat dan mempertahankan pendapat siswa.

2. Melatih kerja kelompok.

3. Menuntut siswa untuk mencari informasi yang kuat untuk argumentasinya.

4. Melatih rasa percaya diri dalam berpendapat.

B. Kekurangan dalam metode pembelajaran ini, adalah:

1. Seringkali justru berebut dalam memberikan pendapat,

2. Pendapat tidak memiliki intisari yang informatif dan hanya berisi sanggahan,

3. Adu argumen tidak menemukan titik penyelesaian,

4. Siswa yang tidak pandai berargumen akan cenderung pasif dan hanya orang orang tertentu saja yang aktif berbicara.

5. Mind Mapping

Mind mapping adalah metode belajar dengan menerapkan cara berfikir runtun terhadap suatu permasalahan bagaimana bisa terjadi sampai pada penyelesaiannya. Pengajaran melalui mind mapping disajikan dalam bentuk skema yang memiliki hubungan sebab akibat dan saling berpengaruh. Metode belajar dengan mind mapping ini mampu meningkatkan analisis dan berfikir kritis siswa sehingga memahami sesuatu secara keseluruhan dari awal sampai akhir.

A. Kelebihan mind mapping, antara lain:

1. Cara ini lebih efektif dan efisien.

2. Ide ide baru bisa muncul dengan menggambar diagram diagram.

3. Diagram yang terbentuk bisa menjadi alur berfikir yang efektif dan bermanfaat untuk hal lain.

B. Kekurangan dari model mind mapping, adalah:

1. Hanya siswa yang aktif yang mampu terlibat.

2. Memerlukan dasar dengan banyak membaca sebelum membuat mapping.

3. Beberapa detail informasi tidak masuk dalam mapping.

4. Orang lain mungkin tidak dapat memahami mind mapping yang dibuat oleh orang lain karena hanya berupa poin inti saja yang dituliskan.

5. Beberapa orang kesulitan merangkai panah atau alur mind mapping dengan rapi, dan seringkali mind mapping terkesan berantakan dan tidak dapat dipahami.

8.1.2 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

8.1.3 Pohon Keputusan Pembelajaran (Decision Tree)

Pembejalaran pohon keputusan adalah suatu metode untuk memperkirakan fungsi target bernilai diskrit, yang mana fungsi pembelajaran direpresentasikan oleh sebuah pohon keputusan. Secara umum, pohon keputusan merepresentasikan sebuah disjungsi dari beberapa konjungsi dari beberapa batasan pada nilai atribut dan instansi.

Setiap path dari root pada pohon sampai ke leaf merupakan konjungsi dari atribut pengujian, dan pohon itu sendiri adalah sebuah disjungsi dari beberapa konjungsi tersebut. Sebagai contohnya, pohon keputusan di atas berkorespondensi dengan ekspresi berikut,

(Outlook = Sunny ^ Humidity = Normal)

v (Outlook = Overcast)

v (Outlook = Rain ^ Wind = Weak)

Permasalahan yang sesuai untuk pembelajaran pohon keputusan

Secara umum pembelajaran pohon keputusan cocok untuk permasalahan dengan karakteristik sebagai berikut,

·     Instansi (permasalahan) direpresentasikan dengan pasangan atribut-nilai. Instansi ini dijelaskan dengan sejumlah atribut yang tetap, misalnya atributTemperatur dengan nilai Panas, Sedang, Dingin.

·     Fungsi target memiliki nilai keluaran diskrit. Setiap sampel memiliki klasifikasi binari atau lebih, misalnya Ya atau Tidak; namun metode ini bisa dikembangkan dengan nilai keluaran yang lebih dari dua.

·     Deskripsi disjungtif (pemisah) mungkin diperlukan.

·     Data latihan bisa mengandung kesalahan. Metode pembelajaran pohon keputusan bisa memiliki kesalahan, baik kesalahan dari klasifikasi pada sampel pembelajaran dan kesalahan dalam nilai atribut dari sampel.

·     Data latihan bisa tidak memiliki nilai atribut.

Permasalahan klasifikasi yaitu pekerjaan mengklasifikasi sampel menjadi salah satu dari sekumpulan kemungkinan kategori diskrit.

8.1.4 Pembelajaran Ensemble

Metode ensemble menggabungkan beberapa model, dalam penelitian ini adalah model klasifikasi, untuk mendapatkan prediksi kinerja yang lebih baik daripada menggunakan satu model saja. Langkah yang dilakukan adalah menghitung tingkat kemiripan antara dokumen acuan dan dokumen testing yang diangap plagiat. Hasil dari serangkaian similarity testing akan digunakan sebagai input untuk training dan validasi terhadap model klasifikasi. Training dan validasi tersebut akan dilakukan dengan menggunakan beberapa algoritma klasifikasi. Hasil dari beberapa algoritma tersebut akan digabungkan dengan metoda ensemble untuk mendapatkan kinerja yang lebih baik

Sumber :

https://eprints.uny.ac.id/9804/4/BAB3%20-%2006205244111.pdf

https://sites.google.com/a/std.stei.itb.ac.id/sulhan/pembelajaran-mesin-lanjut/pembelajaran-pohon-keputusan-decision-tree

http://research.binus.ac.id/research/496E6BAE-98EA-4701-BB8F-9A6268198E22/perancangan-model-pendeteksian-plagiarisme-menggunakan-pembelajaran-ensemble/

http://dosenpsikologi.com/macam-macam-metode-pembelajaran