Perubahan teknologi dalam beberapa dekade terakhir telah mengubah cara manusia berinteraksi dengan informasi, lingkungan, mesin, organisasi, dan sistem sosial. Sensor semakin banyak, data semakin besar, jaringan semakin terhubung, kecerdasan buatan semakin mampu melakukan analisis, dan sistem digital semakin mampu mengambil keputusan serta melakukan tindakan secara otomatis.
Namun, kemajuan tersebut menghadirkan sebuah pertanyaan yang jauh lebih mendasar: apakah kemampuan mengumpulkan dan memproses data dengan cepat sudah cukup untuk membuat manusia maupun mesin menjadi cerdas?
Jawabannya tentu tidak sederhana.
Sebuah sistem dapat memiliki jutaan data, ribuan sensor, algoritma yang kompleks, dan kemampuan komputasi yang sangat tinggi, tetapi tetap gagal memahami apa yang sebenarnya sedang terjadi. Sistem mungkin mampu mendeteksi perubahan, tetapi tidak memahami maknanya. Sistem mungkin mampu mengenali pola, tetapi tidak mengetahui konsekuensi dari pola tersebut. Sistem mungkin mampu membuat prediksi, tetapi tidak mampu menentukan tindakan yang paling tepat. Bahkan, sistem yang mampu mengambil tindakan dapat gagal apabila tidak memiliki mekanisme untuk mengetahui apakah tindakan tersebut berhasil atau justru menimbulkan keadaan baru yang lebih berbahaya.
Dari sinilah buku ini berangkat.
Dunia modern menghasilkan data dalam jumlah yang luar biasa besar. Sensor kendaraan menghasilkan data mengenai kecepatan, posisi, temperatur, tekanan, akselerasi, kondisi baterai, dan lingkungan. Perangkat Internet of Things menghasilkan aliran data secara terus menerus. Sistem industri memantau mesin selama dua puluh empat jam. Kamera menghasilkan informasi visual. Perangkat digital mencatat interaksi manusia. Sistem kecerdasan buatan memproses teks, suara, gambar, video, dan berbagai bentuk informasi lainnya.
Akan tetapi, data bukanlah pemahaman.
Data perlu dipersepsi, diseleksi, diorganisasi, diinterpretasikan, dikaitkan dengan konteks, dan ditempatkan dalam suatu model keadaan. Proses inilah yang membawa sistem dari sekadar “memiliki informasi” menuju “memahami situasi” .
Rangkaian tersebut kemudian berkembang menjadi sebuah siklus yang lebih lengkap karena hasil tindakan akan menghasilkan pengalaman dan informasi baru:
Dengan demikian, tujuan akhir sistem bukan hanya menghasilkan informasi, tetapi menghasilkan tindakan yang semakin tepat melalui proses pembelajaran dan adaptasi .
Dalam kerangka yang banyak digunakan dalam studi kesadaran situasional, proses tersebut dapat dipahami melalui tiga tingkatan utama:
Ketiga tingkatan tersebut memberikan sebuah kerangka penting untuk menjawab tiga pertanyaan:
Namun, kesadaran situasional belum berhenti pada pemahaman. Dalam sistem yang harus bertindak, pemahaman harus diterjemahkan menjadi keputusan dan tindakan.
Berpikir komputasional tidak semata-mata berarti menulis program. Ia merupakan cara berpikir sistematis untuk memahami dan memecahkan masalah melalui proses seperti decomposition , pattern recognition , abstraction , dan algorithmic thinking .
Masalah kompleks dapat diuraikan menjadi bagian-bagian yang lebih kecil. Pola dapat dicari dari data. Informasi yang tidak relevan dapat disaring melalui abstraksi. Kemudian solusi dapat dirumuskan dalam bentuk prosedur, aturan, algoritma, model, atau strategi keputusan.
Sistem yang cerdas tidak hanya harus mengetahui apa yang terjadi dan bagaimana menyelesaikan masalah. Sistem juga harus mampu mengetahui kapan sesuatu terjadi .
Dalam pendekatan event-driven, sistem merespons terjadinya suatu peristiwa atau perubahan keadaan. Event dapat berupa sensor mendeteksi objek, temperatur melewati ambang batas, baterai mencapai kondisi kritis, mesin menunjukkan gejala kerusakan, seseorang memasuki area tertentu, atau sistem mendeteksi pola yang membutuhkan respons.
Pemisahan ini sangat penting dalam merancang sistem yang kompleks, karena memungkinkan sistem sensor, pemroses data, pengambil keputusan, dan aktuator dikembangkan secara lebih modular, terukur, dan adaptif.
Salah satu tujuan utama buku ini adalah mempertemukan tiga paradigma yang sering dibahas secara terpisah:
Perkembangan teknologi sering digambarkan sebagai perjalanan dari sistem sederhana menuju sistem yang semakin otonom. Namun, perjalanan tersebut sesungguhnya bukan hanya mengenai peningkatan kemampuan komputasi.
Perjalanan tersebut juga merupakan perkembangan kemampuan sistem dalam memahami konteks dan beradaptasi.
Dengan demikian, sistem cerdas yang sesungguhnya bukan hanya sistem yang cepat merespons, melainkan sistem yang mampu memahami, memperkirakan, memilih, bertindak, mengevaluasi, dan belajar.
Setelah proses tersebut selesai, sistem tidak kembali ke kondisi semula. Sistem kembali ke tahap sensing dengan pengetahuan, keadaan, pengalaman, atau parameter yang telah diperbarui . Karena itu, siklus tersebut merupakan sebuah mekanisme pembelajaran berkelanjutan.
Buku ini tidak dimaksudkan untuk menggantikan manusia dengan mesin. Sebaliknya, salah satu perhatian utama buku ini adalah bagaimana manusia dan sistem cerdas dapat bekerja sebagai bagian dari suatu sistem terpadu.
Manusia memiliki kemampuan yang sangat kuat dalam memahami konteks, menggunakan pengalaman, melakukan penilaian nilai, memahami tujuan sosial, dan mengambil keputusan dalam kondisi ambigu. Mesin memiliki keunggulan dalam memproses data dalam jumlah besar, mendeteksi pola, melakukan kalkulasi cepat, memonitor lingkungan secara terus-menerus, dan menjalankan prosedur secara konsisten.
Tantangan masa depan bukan sekadar memilih antara manusia atau mesin, melainkan merancang human-machine collaboration yang memungkinkan keunggulan keduanya saling melengkapi.
Buku ini sengaja dirancang tidak berhenti pada pembahasan filosofis atau definisi konseptual. Setiap konsep diarahkan menuju kemungkinan implementasi.
Berbagai studi kasus seperti kendaraan listrik, kendaraan otonom, robot, smart home, industri 4.0, dan sistem peringatan dini digunakan untuk menunjukkan bagaimana konsep-konsep tersebut dapat diintegrasikan dalam sistem nyata.
Pada akhirnya, buku ini mengajak pembaca mengubah cara memandang sistem.
Pertanyaan-pertanyaan tersebut membentuk fondasi berpikir yang digunakan sepanjang buku.
Buku ini ditulis untuk mempertemukan berbagai bidang pengetahuan yang sering kali dipelajari secara terpisah. Kesadaran situasional sering dibahas dalam konteks manusia dan human factors. Berpikir komputasional banyak dibahas dalam pendidikan komputer dan pemecahan masalah. Event-driven architecture berkembang dalam rekayasa perangkat lunak dan sistem terdistribusi. Artificial intelligence berkembang dalam ilmu komputer. Control systems berkembang dalam teknik. IoT berkembang dalam sistem siber-fisik.
Dengan demikian, buku ini diharapkan dapat menjadi jembatan antara pemikiran manusia dan arsitektur sistem cerdas; antara teori dan implementasi; antara persepsi dan tindakan; serta antara kecerdasan statis dan kecerdasan adaptif.
Penulis menyadari bahwa bidang-bidang yang dibahas dalam buku ini sangat luas dan terus berkembang. Tidak semua persoalan dapat diselesaikan melalui satu paradigma atau satu teknologi. Karena itu, buku ini tidak dimaksudkan sebagai jawaban final, melainkan sebagai sebuah kerangka berpikir untuk memahami dan merancang sistem yang mampu menghadapi dunia yang dinamis, kompleks, penuh ketidakpastian, dan terus berubah.
Semoga buku ini dapat menjadi bahan pembelajaran, referensi, inspirasi penelitian, dan dasar pengembangan sistem bagi mahasiswa, akademisi, peneliti, praktisi teknologi, insinyur, pengembang AI dan IoT, perancang sistem, pengambil keputusan, maupun pembaca umum yang ingin memahami bagaimana manusia dan mesin dapat membangun kecerdasan yang lebih adaptif.
Pada akhirnya, seluruh gagasan dalam buku ini dapat diringkas dalam satu perjalanan:
Karena sebuah sistem yang benar-benar cerdas bukanlah sistem yang sekadar mengetahui banyak hal, melainkan sistem yang mampu mengetahui apa yang sedang terjadi, memahami mengapa hal itu penting, memperkirakan apa yang mungkin terjadi, menentukan apa yang harus dilakukan, bertindak secara tepat, dan belajar dari konsekuensi tindakannya.
Hormat dan salam,
Mochammad Hidayatullah
Penulis
========================================
PROLOG Ketika Sistem Harus Mengetahui Apa yang Sedang Terjadi Bayangkan seseorang sedang berjalan di sebuah jalan yang ramai. Ia mendengar suara kendaraan dari belakang, melihat kendaraan yang mendekat dari samping, memperhatikan lampu lalu lintas di depannya, merasakan perubahan cuaca, dan pada saat yang sama memikirkan tujuan yang ingin dicapai.
Dalam waktu yang sangat singkat, berbagai informasi tersebut harus diolah menjadi sebuah pemahaman: apa yang sedang terjadi, apa yang penting, apa yang berbahaya, dan apa yang harus dilakukan.
Orang tersebut kemudian mengambil keputusan. Ia mungkin mempercepat langkah, berhenti, berpindah jalur, atau menunggu sampai keadaan menjadi aman.
Setelah tindakan dilakukan, ia kembali mengamati lingkungan. Jika keadaan berubah, keputusan dapat berubah. Jika tindakan sebelumnya tidak menghasilkan hasil yang diharapkan, tindakan berikutnya dapat dikoreksi.
Proses tersebut berlangsung secara terus-menerus, sering kali tanpa disadari secara eksplisit oleh manusia.
Melihat. Memahami. Memperkirakan. Memutuskan. Bertindak. Mengamati kembali. Belajar.
Siklus sederhana tersebut merupakan salah satu pola paling fundamental dalam hubungan antara makhluk hidup dan lingkungannya.
Dunia yang Selalu Berubah Lingkungan tidak pernah benar-benar diam.
Jalan berubah. Cuaca berubah. Kondisi mesin berubah. Perilaku manusia berubah. Permintaan energi berubah. Jaringan komunikasi berubah. Ancaman dapat muncul secara tiba-tiba.
Bahkan sebuah sistem yang pada satu saat berada dalam kondisi normal, beberapa detik kemudian dapat memasuki kondisi yang sama sekali berbeda.
Karena itu, sistem yang beroperasi di dunia nyata tidak cukup hanya memiliki seperangkat instruksi.
Sistem harus mampu menghadapi perubahan.
Sistem harus mampu membedakan perubahan normal dan perubahan yang bermakna.
Sistem harus mampu memahami konteks.
Sistem harus mampu memperkirakan konsekuensi.
Dan pada kondisi tertentu, sistem harus mampu bertindak sebelum masalah berkembang menjadi keadaan yang lebih serius.
Dari sinilah muncul kebutuhan terhadap apa yang dalam buku ini disebut sebagai kecerdasan situasional .
Dari Data Menuju Makna Teknologi modern telah memberikan manusia kemampuan luar biasa untuk mengumpulkan data.
Kamera dapat menghasilkan jutaan gambar. Mikrofon dapat menangkap suara secara terus-menerus. Sensor suhu dapat mengukur perubahan temperatur setiap detik. Sensor kendaraan dapat memantau kecepatan, tekanan, posisi, dan berbagai parameter lainnya.
Perangkat Internet of Things bahkan memungkinkan berbagai objek mengirimkan informasi secara terus-menerus melalui jaringan.
Namun terdapat sebuah persoalan fundamental:
Banyaknya data tidak otomatis menghasilkan pemahaman.
Sebuah sensor dapat mengatakan:
TEMPERATURE = 85°CTetapi angka tersebut belum menjelaskan apakah kondisi tersebut normal atau berbahaya.
Untuk mengetahuinya, sistem membutuhkan konteks.
Jika temperatur normal adalah 80°C, maka 85°C mungkin belum kritis. Namun jika temperatur normal adalah 40°C, angka yang sama dapat menunjukkan kondisi yang sangat serius.
Dengan demikian:
DATA + CONTEXT
↓
INFORMATION
↓
UNDERSTANDING
Bahkan pemahaman tersebut masih belum cukup.
Sistem kemudian harus bertanya:
“Apa yang kemungkinan akan terjadi berikutnya?”
Dari sinilah prediksi dan proyeksi masa depan menjadi penting.
Ketika Angka Harus Menjadi Keputusan Bayangkan sebuah mesin industri sedang beroperasi.
Sensor mendeteksi bahwa getaran mesin meningkat.
Kenaikan tersebut mungkin hanya variasi normal. Namun dapat pula menjadi tanda awal kerusakan.
Sistem kemudian menggabungkan beberapa informasi:
tingkat getaran, temperatur, kecepatan putaran, beban mesin, riwayat pemeliharaan, pola perubahan dari waktu ke waktu. Sistem kemudian menemukan pola bahwa kenaikan getaran tersebut berkorelasi dengan kenaikan temperatur dan perubahan karakteristik operasi.
Sekarang sistem tidak lagi hanya memiliki data.
Sistem memiliki sebuah situasi .
Sistem kemudian dapat memperkirakan:
“Jika kondisi ini terus berlanjut, kemungkinan kegagalan mesin akan meningkat.”
Dari sini muncul keputusan:
“Apakah mesin harus dihentikan sekarang, dikurangi bebannya, diperiksa, atau tetap dioperasikan?”
Inilah titik ketika data berubah menjadi keputusan.
Event: Ketika Perubahan Menjadi Pemicu Dalam lingkungan dinamis, tidak semua hal harus diperiksa dengan cara yang sama.
Sebuah sistem dapat menunggu sampai sesuatu terjadi.
Ketika temperatur melewati batas tertentu, sebuah event dapat dibangkitkan.
Temperature > Threshold
↓
EVENT
↓
EVENT HANDLER
↓
ACTION
Event tersebut dapat memicu berbagai respons:
mengirim peringatan, mengurangi beban, mengaktifkan sistem pendingin, meminta pemeriksaan manusia, menghentikan mesin, atau menjalankan prosedur keselamatan. Di sinilah pendekatan event-driven menjadi penting.
Sistem tidak hanya menunggu instruksi. Sistem mampu merespons perubahan yang terjadi di lingkungan.
Namun Event Saja Tidak Cukup Bayangkan sebuah sistem menerima event:
HIGH_TEMPERATUREApakah sistem harus langsung mematikan mesin?
Belum tentu.
Sistem perlu mengetahui:
berapa tinggi temperaturnya, berapa lama kondisi tersebut berlangsung, apa beban mesin saat itu, apakah sensor dapat dipercaya, apakah ada sensor lain yang memberikan indikasi serupa, apa tujuan operasi, apa risiko jika mesin dihentikan, dan apa risiko jika mesin tetap berjalan. Artinya, event harus dipahami dalam konteks situasi.
Kita kemudian sampai pada sebuah hubungan penting:
EVENT + STATE + CONTEXT + GOAL + RISK
↓
DECISION
↓
ACTION
Dengan demikian, sistem event-driven yang cerdas bukan sekadar sistem yang bereaksi terhadap event.
Ia harus mampu memahami arti event tersebut .
Berpikir Sebelum Bertindak Ketika sebuah persoalan menjadi kompleks, manusia tidak menyelesaikannya dengan melihat seluruh persoalan sebagai satu kesatuan yang tidak terstruktur.
Manusia memecah persoalan.
Ia mencari pola.
Ia mengabaikan detail yang tidak relevan.
Ia membangun model.
Ia menyusun langkah penyelesaian.
Pola berpikir tersebut merupakan inti dari Computational Thinking .
Secara sederhana:
DECOMPOSITION
↓
PATTERN RECOGNITION
↓
ABSTRACTION
↓
ALGORITHMIC THINKING
↓
SOLUTION
Computational thinking dengan demikian bukan sekadar kemampuan menulis program.
Ia merupakan cara memandang persoalan secara terstruktur sehingga persoalan yang kompleks dapat direpresentasikan dan ditangani secara sistematis.
Tiga Perspektif yang Bertemu Pada titik ini kita dapat melihat tiga perspektif utama yang menjadi fondasi buku ini.
1. Situational Awareness Membantu menjawab:
Apa yang sedang terjadi, apa artinya, dan apa yang mungkin terjadi selanjutnya?
PERCEPTION
↓
COMPREHENSION
↓
PROJECTION
2. Computational Thinking Membantu menjawab:
Bagaimana persoalan tersebut dapat diuraikan, dimodelkan, dianalisis, dan diselesaikan?
DECOMPOSITION
↓
PATTERN
↓
ABSTRACTION
↓
ALGORITHM
3. Event-Driven Thinking Membantu menjawab:
Perubahan apa yang terjadi, kapan perubahan tersebut menjadi penting, dan bagaimana sistem harus merespons?
EVENT
↓
TRIGGER
↓
PROCESS
↓
RESPONSE
Ketiga perspektif tersebut tidak berdiri sendiri.
Justru hubungan di antara ketiganya membuka sebuah cara pandang baru terhadap desain sistem cerdas.
Dari Mengetahui Menuju Bertindak Kita dapat menyusun sebuah rantai konseptual:
PERCEPTION
↓
SITUATIONAL AWARENESS
↓
COMPUTATIONAL THINKING
↓
REASONING
↓
DECISION
↓
EVENT
↓
ACTION
↓
FEEDBACK
↓
ADAPTATION
Namun rantai tersebut sebenarnya bukan garis lurus.
Ia merupakan sebuah lingkaran.
┌───────────────────────┐
│ ↓
┌──────────┐ ┌──────────┐
│ SENSE │────────────▶│ THINK │
└────▲─────┘ └────┬─────┘
│ │
│ ↓
┌────┴─────┐ ┌──────────┐
│ LEARN │◀────────────│ ACT │
└──────────┘ └──────────┘
▲
│
└──────── FEEDBACK
Inilah gagasan tentang closed-loop intelligence .
Sistem tidak hanya melakukan sesuatu. Sistem melakukan sesuatu, mengamati akibatnya, mengevaluasi hasilnya, dan menggunakan hasil tersebut untuk menentukan tindakan berikutnya.
Dunia sebagai Bagian dari Loop Hal yang sangat penting adalah bahwa sistem tidak beroperasi dalam ruang kosong.
Tindakan sistem mengubah lingkungan.
Lingkungan yang berubah menghasilkan informasi baru.
Informasi baru mengubah pemahaman sistem.
Pemahaman baru dapat mengubah keputusan.
Keputusan baru menghasilkan tindakan baru.
Maka model yang lebih lengkap adalah:
ENVIRONMENT
↓
SENSING
↓
PERCEPTION
↓
SITUATIONAL AWARENESS
↓
COMPUTATIONAL REASONING
↓
DECISION
↓
ACTION
↓
ENVIRONMENT'
↓
NEW PERCEPTION
↓
NEW SITUATIONAL AWARENESS
↓
...
Tanda ' pada Environment' menunjukkan bahwa lingkungan telah berubah sebagai akibat dari tindakan sebelumnya.
Karena lingkungan berubah, sistem harus terus memperbarui modelnya.
Ketika Mesin Mulai Menghadapi Dunia Seperti Manusia Perkembangan artificial intelligence, robotics, IoT, edge computing, autonomous systems, dan distributed systems membawa kita menuju sebuah era ketika mesin semakin sering berhadapan langsung dengan dunia nyata.
Kendaraan harus memahami jalan.
Robot harus memahami ruang.
Mesin industri harus memahami kondisi operasinya.
Sistem energi harus memahami perubahan permintaan.
Sistem peringatan dini harus memahami perkembangan ancaman.
Rumah pintar harus memahami konteks penghuninya.
Agen AI harus memahami tujuan, konteks, batasan, dan konsekuensi tindakannya.
Semakin dekat teknologi dengan dunia nyata, semakin penting kemampuan untuk memahami keadaan.
Sistem yang hanya mampu menghitung dapat bekerja dengan baik dalam lingkungan yang terstruktur.
Tetapi lingkungan nyata penuh dengan:
ketidakpastian, noise, informasi yang tidak lengkap, perubahan mendadak, konflik tujuan, risiko, dan interaksi dengan manusia. Karena itu, masa depan sistem cerdas tidak hanya bergantung pada kemampuan computation , tetapi juga pada kemampuan situational reasoning .
Menuju Situational Intelligence Kesadaran situasional pada dasarnya berbicara tentang kemampuan memahami keadaan.
Tetapi ketika kesadaran tersebut digabungkan dengan penalaran, prediksi, pengambilan keputusan, tindakan, dan adaptasi, muncul sebuah konsep yang lebih luas:
SITUATIONAL INTELLIGENCE
Dalam kerangka buku ini, situational intelligence bukan sekadar kemampuan mengetahui kondisi.
Ia merupakan kemampuan sistem untuk:
merasakan perubahan lingkungan, membangun representasi keadaan, memahami konteks dan makna, mengenali pola, memproyeksikan kemungkinan masa depan, menilai risiko, memilih tindakan, melaksanakan tindakan, mengevaluasi hasil, dan beradaptasi terhadap perubahan. Secara konseptual:
AWARENESS
+
REASONING
+
PREDICTION
+
DECISION
+
ACTION
+
FEEDBACK
+
ADAPTATION
=
SITUATIONAL INTELLIGENCE
Perjalanan yang Akan Ditempuh Buku Ini Buku ini mengajak pembaca melakukan perjalanan dari konsep paling fundamental menuju sistem yang semakin kompleks.
Kita akan mulai dari pertanyaan sederhana:
Apa yang dimaksud dengan sistem?
Kemudian kita akan mengenal:
environment, agent, state, event, input, output, action, feedback, goal, constraint, risk, context, dan state transition. Setelah itu kita memasuki dunia Situational Awareness .
Kita akan membahas perception, comprehension, projection, faktor manusia, workload, stress, uncertainty, cognitive bias, serta pengukuran kesadaran situasional.
Perjalanan kemudian dilanjutkan menuju Computational Thinking :
DECOMPOSITION
PATTERN RECOGNITION
ABSTRACTION
ALGORITHMIC THINKING
DEBUGGING
EVALUATION
GENERALIZATION
Selanjutnya kita memasuki dunia Event-Driven Systems :
EVENT
STATE
TRIGGER
PRODUCER
EVENT BUS
BROKER
CONSUMER
HANDLER
STATE TRANSITION
Setelah fondasi tersebut dibangun, ketiganya akan dipertemukan.
Di sinilah kita akan membangun model terpadu:
ENVIRONMENT
↓
PERCEPTION
↓
SITUATIONAL AWARENESS
↓
COMPUTATIONAL THINKING
↓
DECISION
↓
EVENT
↓
ACTION
↓
FEEDBACK
↓
ADAPTATION
↓
WORLD MODEL UPDATE
↓
ENVIRONMENT
Dari model tersebut kita kemudian bergerak menuju AI, machine learning, IoT, edge computing, robotics, autonomous systems, predictive maintenance, smart factory, early warning system, safety, security, human-machine interaction, dan ethical AI.
Sebuah Pertanyaan yang Akan Terus Mengikuti Kita Di sepanjang buku ini akan ada satu pertanyaan yang terus kembali:
“Apakah sistem hanya mengetahui apa yang terjadi, atau benar-benar memahami apa arti keadaan tersebut terhadap tujuan dan tindakan?”
Pertanyaan tersebut penting karena sistem yang mengetahui belum tentu sistem yang memahami.
Sistem yang memahami belum tentu mampu memprediksi.
Sistem yang mampu memprediksi belum tentu mampu mengambil keputusan yang tepat.
Sistem yang mampu mengambil keputusan belum tentu mampu melaksanakan tindakan secara aman.
Dan sistem yang mampu bertindak belum tentu mampu belajar dari akibat tindakannya.
Karena itu, kecerdasan harus dilihat sebagai sebuah proses lengkap.
Awal dari Sebuah Perjalanan Pada akhirnya, buku ini tidak hanya berbicara tentang sensor. Tidak hanya berbicara tentang AI. Tidak hanya berbicara tentang algoritma. Tidak hanya berbicara tentang IoT. Dan tidak hanya berbicara tentang event-driven architecture.
Buku ini berbicara tentang sebuah pertanyaan yang lebih mendasar:
Bagaimana sebuah entitas dapat tetap efektif ketika dunia di sekelilingnya terus berubah?
Jawabannya membutuhkan lebih dari sekadar kemampuan menghitung.
Ia membutuhkan kemampuan untuk merasakan .
Kemampuan untuk memahami .
Kemampuan untuk memperkirakan .
Kemampuan untuk menalar .
Kemampuan untuk memutuskan .
Kemampuan untuk bertindak .
Kemampuan untuk menerima feedback .
Dan akhirnya, kemampuan untuk beradaptasi .
SENSE → THINK → ACT → LEARN → SENSE
Inilah perjalanan yang akan kita tempuh.
Dari data menuju informasi .
Dari informasi menuju pemahaman .
Dari pemahaman menuju keputusan .
Dari keputusan menuju tindakan .
Dari tindakan menuju pengalaman .
Dari pengalaman menuju pembelajaran .
Dan dari pembelajaran menuju adaptasi .
Karena dunia tidak pernah berhenti berubah, maka proses tersebut pun tidak pernah benar-benar selesai.
Dunia berubah.
Dan siklus itu dimulai lagi.
=======================================
ABSTRAK Perkembangan teknologi digital, kecerdasan buatan (Artificial Intelligence ), Internet of Things (IoT), robotika, komputasi tepi (Edge Computing ), sistem otonom, dan arsitektur event-driven telah mengubah cara sistem komputasi berinteraksi dengan lingkungan. Sistem modern tidak lagi hanya dituntut untuk memproses data dan menjalankan instruksi, tetapi juga harus mampu memahami keadaan, mengenali perubahan, memperkirakan kemungkinan yang akan terjadi, mengambil keputusan, melakukan tindakan, menerima umpan balik, serta beradaptasi terhadap perubahan lingkungan. Kebutuhan tersebut melahirkan tantangan fundamental dalam membangun sistem yang tidak hanya computationally capable , tetapi juga situationally aware , responsif, kontekstual, adaptif, dan dapat dipertanggungjawabkan.
Buku Kesadaran Situasional, Berpikir Komputasional, dan Sistem Event-Driven Kerangka Terpadu untuk Memahami Keadaan, Mengambil Keputusan, dan Bertindak Adaptif pada Manusia dan Sistem Cerdas Situational Awareness (SA) , Computational Thinking (CT) , dan Event-Driven Systems (EDS) .
Situational Awareness digunakan sebagai kerangka untuk memahami keadaan melalui proses persepsi, pemahaman, dan proyeksi terhadap kondisi yang sedang maupun akan terjadi. Computational Thinking digunakan sebagai pendekatan untuk menguraikan persoalan, mengenali pola, melakukan abstraksi, membangun representasi, menyusun algoritma, mengevaluasi solusi, melakukan debugging, dan melakukan generalisasi. Sementara itu, Event-Driven Systems menyediakan mekanisme untuk merepresentasikan perubahan sebagai peristiwa yang dapat memicu proses, keputusan, dan tindakan secara responsif.
Ketiga perspektif tersebut tidak dipandang sebagai konsep yang berdiri sendiri, melainkan sebagai bagian dari suatu closed-loop intelligent system . Kerangka terpadu yang dikembangkan dalam buku ini dapat direpresentasikan secara konseptual sebagai:
ENVIRONMENT
↓
SENSING
↓
PERCEPTION
↓
SITUATIONAL AWARENESS
↓
COMPUTATIONAL THINKING
↓
REASONING & PREDICTION
↓
DECISION
↓
EVENT
↓
ACTION
↓
FEEDBACK
↓
LEARNING & ADAPTATION
↓
UPDATED SITUATIONAL AWARENESS
↓
ENVIRONMENT'
Model tersebut menempatkan sistem sebagai sebuah agen yang terus berinteraksi dengan lingkungan melalui siklus pengamatan, pemahaman, penalaran, pengambilan keputusan, tindakan, dan pembelajaran. Dengan demikian, kecerdasan tidak didefinisikan semata-mata sebagai kemampuan menghasilkan keluaran berdasarkan masukan, tetapi sebagai kemampuan untuk mempertahankan efektivitas tindakan dalam lingkungan yang dinamis, tidak pasti, dan penuh perubahan.
Salah satu prinsip utama yang dikembangkan adalah bahwa data tidak sama dengan pemahaman . Data harus ditempatkan dalam konteks agar dapat menghasilkan informasi; informasi harus diinterpretasikan untuk menghasilkan pemahaman; pemahaman digunakan untuk membentuk pengetahuan dan proyeksi; pengetahuan menjadi dasar pengambilan keputusan; keputusan diwujudkan melalui tindakan; dan hasil tindakan digunakan sebagai umpan balik untuk memperbarui keadaan serta menyesuaikan perilaku sistem.
DATA
↓
INFORMATION
↓
UNDERSTANDING
↓
KNOWLEDGE
↓
PREDICTION
↓
DECISION
↓
ACTION
↓
EXPERIENCE
↓
FEEDBACK
↓
ADAPTATION
Buku ini juga memperkenalkan pola konseptual SENSE → THINK → ACT → LEARN → SENSE sebagai representasi ringkas dari siklus kecerdasan situasional. SENSE mencakup sensing, perception, dan pembentukan situational awareness. THINK mencakup computational thinking, reasoning, prediction, dan decision-making. ACT mencakup event, trigger, command, dan action. LEARN mencakup feedback, evaluation, learning, adaptation, dan pembaruan model keadaan.
┌──────────────────────────┐
│ ↓
┌─────────┐ ┌─────────┐
│ SENSE │──────────────▶│ THINK │
└────▲────┘ └────┬────┘
│ │
│ ↓
┌────┴────┐ ┌─────────┐
│ LEARN │◀──────────────│ ACT │
└─────────┘ └─────────┘
▲
│
└────────── FEEDBACK
Untuk menjembatani konsep dengan implementasi, pembahasan buku mencakup fondasi sistem dan agen, state dan state transition, event dan event-driven architecture, manusia dan faktor kognitif, Situational Awareness, Computational Thinking, pengambilan keputusan, risiko dan ketidakpastian, prediksi, kontrol dan feedback, kecerdasan buatan, machine learning, IoT, edge computing, robotika, sistem otonom, serta arsitektur sistem cerdas.
Kerangka tersebut kemudian diterapkan pada berbagai studi kasus, antara lain kendaraan listrik, kendaraan otonom, robot, rumah pintar, industri 4.0, sistem peringatan dini, predictive maintenance, dan sistem IoT berbasis mikrokontroler. Pendekatan implementatif juga diperkenalkan melalui flowchart, pseudocode, state machine, event handler, arsitektur sensor–data–AI–action, serta contoh implementasi berbasis perangkat seperti ESP32.
Selain aspek fungsional, buku ini menempatkan reliability, safety, security, human-machine interaction, human-in-the-loop, explainability, accountability, dan ethics sebagai bagian integral dari perancangan sistem cerdas. Hal ini penting karena semakin besar kemampuan sistem untuk mengambil keputusan dan melakukan tindakan secara otomatis, semakin besar pula konsekuensi kesalahan persepsi, kesalahan penalaran, kesalahan keputusan, maupun kegagalan tindakan.
Pada akhirnya, buku ini mengusulkan suatu spektrum perkembangan kemampuan sistem:
REACTIVE
↓
EVENT-DRIVEN
↓
RESPONSIVE
↓
CONTEXT-AWARE
↓
PREDICTIVE
↓
ADAPTIVE
↓
AUTONOMOUS
↓
SITUATIONAL INTELLIGENCE
Spektrum tersebut menunjukkan pergeseran paradigma dari sistem yang hanya merespons kejadian menuju sistem yang mampu memahami konteks, memprediksi perubahan, memilih tindakan berdasarkan tujuan dan risiko, belajar dari hasil tindakan, serta beradaptasi terhadap lingkungan.
Dengan demikian, tujuan utama buku ini bukan sekadar menjelaskan bagaimana sistem memproses data , tetapi membangun cara berpikir untuk memahami bagaimana sistem mengetahui keadaan, memahami makna, memprediksi kemungkinan, menentukan tindakan, bertindak secara tepat, menerima feedback, dan beradaptasi . Kerangka ini diharapkan dapat menjadi jembatan antara ilmu kognitif, ilmu komputer, rekayasa sistem, kecerdasan buatan, IoT, otomasi, human factors, dan desain sistem adaptif.
Secara ringkas, keseluruhan gagasan buku ini dapat dirumuskan sebagai:
SITUATIONAL AWARENESS
+
COMPUTATIONAL THINKING
+
EVENT-DRIVEN RESPONSE
+
DECISION MAKING
+
FEEDBACK
+
ADAPTATION
↓
SITUATIONAL INTELLIGENCE
Kerangka tersebut pada akhirnya mengarah pada sebuah prinsip:
Sistem cerdas bukan hanya sistem yang mampu mengetahui apa yang terjadi, tetapi sistem yang mampu memahami apa arti keadaan tersebut, memperkirakan apa yang mungkin terjadi, menentukan apa yang sebaiknya dilakukan, bertindak secara tepat, mengevaluasi akibatnya, dan beradaptasi terhadap perubahan.
Kata Kunci Situational Awareness; Computational Thinking; Event-Driven Systems; Situational Intelligence; Artificial Intelligence; Decision Making; State; Event; Feedback; Adaptation; IoT; Edge Computing; Autonomous Systems; Human Factors; Closed-Loop Intelligence.
=======================================
PENDAHULUAN Memahami Keadaan, Berpikir, Memutuskan, dan Bertindak dalam Sistem yang Dinamis Kita hidup di dalam lingkungan yang selalu berubah. Perubahan tersebut terjadi pada lingkungan fisik, sosial, ekonomi, teknologi, maupun sistem digital. Temperatur berubah, kendaraan bergerak, manusia berpindah, mesin mengalami perubahan kondisi, jaringan komunikasi menerima dan mengirim data, perangkat menghasilkan sinyal, dan sistem digital terus memproses berbagai peristiwa.
Dalam lingkungan yang dinamis tersebut, kemampuan untuk mengetahui keadaan merupakan kebutuhan fundamental. Namun, mengetahui keadaan saja belum cukup. Sebuah sistem harus mampu memahami apa yang sedang terjadi, menentukan apakah perubahan tersebut penting, memperkirakan apa yang mungkin terjadi berikutnya, menentukan tindakan yang sesuai, menjalankan tindakan, dan mengevaluasi hasilnya.
Kemampuan tersebut sebenarnya telah dimiliki manusia dalam bentuk yang sangat kompleks. Ketika seseorang mengendarai kendaraan, misalnya, ia tidak hanya melihat jalan. Ia mengamati kendaraan lain, memperhatikan rambu, memperkirakan kecepatan kendaraan di sekitarnya, memahami kondisi lalu lintas, mempertimbangkan risiko, menentukan tindakan, dan terus memperbarui keputusan berdasarkan perubahan keadaan.
Dengan kata lain, perilaku cerdas manusia pada dasarnya merupakan suatu proses closed-loop yang berlangsung terus-menerus:
LINGKUNGAN
↓
PERSEPSI
↓
PEMAHAMAN
↓
PREDIKSI
↓
PENALARAN
↓
KEPUTUSAN
↓
TINDAKAN
↓
FEEDBACK
↓
PEMBARUAN PEMAHAMAN
↓
LINGKUNGAN BERUBAH
↺
Pola tersebut tidak hanya relevan untuk memahami manusia. Pola yang sama menjadi semakin penting dalam perancangan sistem komputasi, kecerdasan buatan, robotika, Internet of Things (IoT), otomasi, kendaraan otonom, sistem industri, dan berbagai sistem digital modern.
1.1 Dari Data Menuju Pemahaman Salah satu persoalan mendasar dalam sistem modern adalah kecenderungan untuk menyamakan data dengan pengetahuan. Sensor dapat menghasilkan ribuan atau bahkan jutaan nilai setiap detik. Kamera menghasilkan citra, mikrofon menghasilkan sinyal suara, sensor suhu menghasilkan nilai temperatur, perangkat jaringan menghasilkan log, dan berbagai sistem digital menghasilkan event.
Akan tetapi, kumpulan data tersebut belum secara otomatis memberikan pemahaman mengenai keadaan.
Nilai temperatur 80°C , misalnya, tidak memiliki makna yang sama dalam semua konteks. Pada sebuah oven, nilai tersebut mungkin normal. Pada motor listrik, nilai tersebut dapat menunjukkan kondisi yang perlu diperhatikan. Pada sebuah ruangan, nilai tersebut dapat menjadi indikasi kondisi berbahaya.
Artinya, makna sebuah data bergantung pada konteks, state, tujuan, batasan, dan risiko .
DATA
↓
KONTEKS
↓
INFORMASI
↓
INTERPRETASI
↓
PEMAHAMAN
↓
KEPUTUSAN
↓
TINDAKAN
Oleh karena itu, sistem cerdas tidak cukup hanya memiliki kemampuan sensing dan processing. Sistem juga memerlukan mekanisme untuk memahami keadaan secara kontekstual.
1.2 Pentingnya Situational Awareness Konsep Situational Awareness (SA) memberikan landasan penting untuk memahami bagaimana suatu agen mengetahui dan memahami keadaan di sekitarnya.
Secara umum, Situational Awareness dapat dijelaskan melalui tiga tingkatan utama:
Perception — mengetahui dan mengenali elemen-elemen yang terdapat dalam lingkungan.Comprehension — memahami arti dan hubungan elemen-elemen tersebut terhadap keadaan yang sedang berlangsung.Projection — memperkirakan keadaan yang mungkin terjadi pada masa mendatang.
LEVEL 1
PERCEPTION
↓
Apa yang terjadi?
LEVEL 2
COMPREHENSION
↓
Apa arti keadaan tersebut?
LEVEL 3
PROJECTION
↓
Apa yang mungkin terjadi selanjutnya?
Ketiga tingkatan tersebut menjadi fondasi penting dalam buku ini. Namun, Situational Awareness tidak dipandang sebagai proses yang selalu linear. Dalam sistem nyata, persepsi, pemahaman, prediksi, tujuan, pengalaman, dan keputusan dapat saling memengaruhi.
Dengan demikian, Situational Awareness dalam buku ini dipahami sebagai kemampuan untuk mempertahankan representasi keadaan yang relevan terhadap tujuan agen dalam lingkungan yang dinamis.
1.3 Pentingnya Computational Thinking Mengetahui keadaan belum berarti mampu menyelesaikan masalah. Setelah suatu keadaan dipahami, diperlukan mekanisme untuk mengolah informasi tersebut menjadi proses penalaran dan tindakan.
Di sinilah Computational Thinking (CT) menjadi penting. Computational Thinking menyediakan cara berpikir sistematis untuk mengubah persoalan kompleks menjadi bagian-bagian yang dapat dianalisis dan diselesaikan.
Empat konsep fundamental yang banyak digunakan dalam Computational Thinking adalah:
Decomposition — memecah persoalan kompleks menjadi bagian yang lebih sederhana.Pattern Recognition — menemukan pola, hubungan, dan keteraturan.Abstraction — mempertahankan informasi penting dan mengabaikan detail yang tidak relevan.Algorithmic Thinking — menyusun langkah-langkah penyelesaian secara sistematis.Dalam sistem cerdas, Computational Thinking berfungsi sebagai jembatan antara pemahaman keadaan dan proses pengambilan keputusan .
SITUATIONAL AWARENESS
↓
"Apa yang terjadi?"
↓
COMPUTATIONAL THINKING
↓
"Bagaimana masalah ini
dapat dimodelkan dan diselesaikan?"
↓
REASONING
↓
"Apa kemungkinan hasilnya?"
↓
DECISION
↓
"Apa yang harus dilakukan?"
1.4 Dari Keadaan Menuju Event Sistem yang mampu memahami keadaan masih membutuhkan mekanisme untuk merespons perubahan. Dalam sistem digital modern, salah satu pendekatan yang sangat penting adalah Event-Driven Thinking dan Event-Driven Architecture (EDA) .
Event dapat dipahami sebagai representasi dari suatu kejadian, perubahan, atau kondisi yang terjadi dalam sistem.
Sebagai contoh:
temperatur melewati batas tertentu; pintu berubah dari tertutup menjadi terbuka; kendaraan terdeteksi terlalu dekat; baterai mencapai tingkat muatan tertentu; mesin menunjukkan pola getaran abnormal; pengguna memberikan perintah; jaringan kehilangan koneksi; model AI mendeteksi anomali. Event kemudian dapat menjadi pemicu bagi sistem untuk menjalankan proses tertentu.
EVENT
↓
TRIGGER
↓
PROCESS
↓
DECISION
↓
ACTION
↓
FEEDBACK
Namun, sebuah event tidak boleh dipahami hanya sebagai pemicu sederhana. Event memiliki makna apabila dikaitkan dengan state, context, goal, constraint, dan risk .
Inilah salah satu alasan mengapa pendekatan event-driven perlu diintegrasikan dengan Situational Awareness dan Computational Thinking. Sistem tidak hanya perlu mengetahui bahwa sebuah event terjadi, tetapi juga perlu memahami mengapa event tersebut penting dan tindakan apa yang tepat untuk dilakukan .
1.5 Tiga Perspektif yang Saling Melengkapi Buku ini dibangun berdasarkan integrasi tiga perspektif utama:
Perspektif Pertanyaan Utama Fungsi Situational Awareness Apa yang sedang terjadi? Memahami keadaan dan konteks. Computational Thinking Bagaimana masalah dapat dimodelkan dan diselesaikan? Menganalisis dan menyusun solusi. Event-Driven Thinking Perubahan apa yang memicu respons? Menghubungkan perubahan dengan proses dan tindakan.
Ketiganya dapat digambarkan sebagai berikut:
┌────────────────────────┐
│ SITUATIONAL AWARENESS │
│ Understand the State │
└───────────┬────────────┘
↓
┌────────────────────────┐
│ COMPUTATIONAL THINKING │
│ Analyze & Reason │
└───────────┬────────────┘
↓
┌────────────────────────┐
│ EVENT-DRIVEN SYSTEM │
│ Detect & Respond │
└───────────┬────────────┘
↓
DECISION
↓
ACTION
↓
FEEDBACK
↺
1.6 Sistem sebagai Agen yang Berinteraksi dengan Lingkungan Untuk memahami hubungan antara ketiga konsep tersebut, buku ini menggunakan perspektif sistem dan agen.
Sebuah agen menerima input dari lingkungan, membentuk representasi internal mengenai keadaan, melakukan pemrosesan, menghasilkan keputusan, dan melakukan tindakan yang dapat mengubah lingkungan.
ENVIRONMENT
│
│ Input / Event
↓
┌───────────────┐
│ AGENT │
│ │
│ Perception │
│ SA │
│ CT │
│ Reasoning │
│ Decision │
└───────┬───────┘
│
│ Action
↓
ENVIRONMENT'
│
│ Feedback
└───────────────→ AGENT
Dengan model tersebut, sistem tidak lagi dipandang sebagai entitas yang hanya menerima input dan menghasilkan output secara statis. Sistem dipandang sebagai bagian dari lingkungan yang terus berinteraksi melalui siklus perception–decision–action .
1.7 State sebagai Representasi Keadaan Konsep state merupakan salah satu konsep fundamental dalam buku ini. State menggambarkan keadaan sistem pada suatu waktu tertentu.
Secara sederhana, keadaan sistem pada waktu t dapat direpresentasikan sebagai:
S(t) = {x₁, x₂, x₃, ..., xâ‚™}
Perubahan state dapat dipengaruhi oleh event dan action:
Sâ‚œ₊₁ = F(Sâ‚œ, Eâ‚œ, Aâ‚œ)
Persamaan tersebut menunjukkan bahwa keadaan berikutnya merupakan hasil interaksi antara keadaan sebelumnya, event yang terjadi, dan tindakan yang dilakukan.
Konsep state menjadi sangat penting karena sistem yang memiliki Situational Awareness harus memiliki suatu representasi keadaan yang relevan dan dapat diperbarui ketika lingkungan berubah.
1.8 Decision Making sebagai Jembatan Menuju Tindakan Pemahaman keadaan dan analisis masalah pada akhirnya harus menghasilkan keputusan. Decision Making merupakan titik penting yang menghubungkan understanding dengan action .
Secara konseptual, keputusan dapat dipandang sebagai fungsi dari situational awareness, tujuan, risiko, sumber daya, dan constraint:
Dₜ = F(SAₜ, Gₜ, Rₜ, Cₜ)
Dengan:
Dₜ = keputusan pada waktu t;SAₜ = situational awareness;Gₜ = goal atau tujuan;Rₜ = risk atau risiko;Cₜ = constraint atau batasan.Model ini menegaskan bahwa keputusan yang baik tidak hanya bergantung pada data, tetapi juga pada tujuan dan kondisi operasional sistem.
1.9 Risiko, Ketidakpastian, dan Prediksi Lingkungan nyata hampir selalu mengandung ketidakpastian. Sensor dapat menghasilkan noise, informasi dapat tidak lengkap, model dapat mengalami kesalahan, dan keadaan masa depan tidak dapat diketahui secara sempurna.
Oleh sebab itu, sistem cerdas harus mampu menangani risiko dan ketidakpastian.
Salah satu bentuk representasi sederhana risiko adalah:
RISK = P(Event) × IMPACT
Sementara itu, projection atau prediction memungkinkan sistem memperkirakan kemungkinan keadaan berikutnya berdasarkan informasi keadaan saat ini.
CURRENT STATE
↓
OBSERVATION
↓
MODEL
↓
PREDICTION
↓
POSSIBLE FUTURE STATES
↓
DECISION
Dengan demikian, sistem yang memiliki situational intelligence tidak hanya bersifat reaktif terhadap keadaan sekarang, tetapi juga mampu mempertimbangkan kemungkinan keadaan yang akan datang.
1.10 Feedback dan Closed-Loop Intelligence Tindakan bukan merupakan akhir dari proses. Setelah tindakan dilakukan, sistem harus mengetahui hasilnya. Informasi tersebut digunakan sebagai feedback untuk mengevaluasi keputusan dan memperbarui keadaan.
STATE
↓
DECISION
↓
ACTION
↓
RESULT
↓
FEEDBACK
↓
EVALUATION
↓
UPDATED STATE
↓
NEW DECISION
↺
Dalam sistem kontrol, kesalahan antara kondisi yang diinginkan dan kondisi aktual dapat direpresentasikan sebagai:
e(t) = r(t) - y(t)
Konsep feedback tersebut kemudian diperluas dalam buku ini dari sekadar kontrol menjadi dasar bagi pembelajaran dan adaptasi. Sistem yang mampu menggunakan feedback secara efektif dapat meningkatkan perilakunya berdasarkan pengalaman.
1.11 Dari Reactive System Menuju Adaptive System Tidak semua sistem cerdas memiliki tingkat kemampuan yang sama. Sebuah sistem dapat berkembang dari mekanisme reaktif sederhana menuju sistem yang mampu memahami konteks dan beradaptasi.
REACTIVE
↓
EVENT-DRIVEN
↓
RESPONSIVE
↓
CONTEXT-AWARE
↓
PREDICTIVE
↓
ADAPTIVE
↓
AUTONOMOUS
↓
SITUATIONAL INTELLIGENCE
Sistem reaktif terutama merespons kondisi yang telah ditentukan. Sistem event-driven merespons kejadian tertentu. Sistem responsive mampu menyesuaikan respons terhadap kondisi. Sistem context-aware mempertimbangkan konteks. Sistem predictive mempertimbangkan masa depan. Sistem adaptive dapat menyesuaikan perilakunya berdasarkan feedback. Sistem autonomous dapat menjalankan proses pengambilan keputusan dan tindakan dengan tingkat intervensi manusia yang lebih rendah.
Namun, peningkatan otonomi juga meningkatkan kebutuhan terhadap reliability, safety, security, explainability, accountability, dan human oversight.
1.12 Manusia dalam Sistem Cerdas Walaupun buku ini banyak membahas sistem komputasi dan kecerdasan buatan, manusia tetap menjadi bagian penting dari keseluruhan arsitektur.
Dalam banyak sistem, manusia dapat berperan sebagai pengambil keputusan utama, pengawas, operator, validator, atau pihak yang mengambil alih ketika sistem mengalami kondisi di luar kemampuan operasionalnya.
HUMAN
↕
SYSTEM
↕
ENVIRONMENT
Konsep seperti Human-in-the-Loop (HITL) , Human-on-the-Loop , dan Human-out-of-the-Loop menjadi penting untuk menentukan tingkat keterlibatan manusia dalam suatu sistem.
Dengan demikian, kecerdasan sistem tidak semata-mata diukur dari seberapa sedikit manusia terlibat, tetapi dari seberapa baik pembagian tanggung jawab antara manusia dan mesin dirancang.
1.13 Tujuan Buku Buku ini memiliki tujuan utama untuk membangun kerangka berpikir terpadu mengenai hubungan antara keadaan, informasi, penalaran, keputusan, event, tindakan, feedback, dan adaptasi.
Secara khusus, buku ini bertujuan untuk:
menjelaskan konsep dan prinsip dasar Situational Awareness; menjelaskan Computational Thinking sebagai pendekatan pemecahan masalah; menjelaskan konsep event, state, signal, message, command, dan Event-Driven Architecture; mengintegrasikan SA, CT, dan event-driven thinking dalam satu kerangka konseptual; menghubungkan situational awareness dengan decision making, prediction, risk, dan uncertainty; menjelaskan hubungan antara action, control, feedback, learning, dan adaptation; menunjukkan penerapan konsep pada AI, IoT, robotika, otomasi, edge computing, dan sistem otonom; menyediakan model, diagram, algoritma, pseudocode, dan contoh implementasi; membahas reliability, safety, security, human factors, dan ethics dalam sistem cerdas; membangun cara berpikir untuk merancang sistem yang responsif, kontekstual, prediktif, dan adaptif. 1.14 Pendekatan dan Struktur Buku Buku ini menggunakan pendekatan yang menggabungkan teori, konsep, model, algoritma, diagram, studi kasus, dan implementasi. Pembahasan dimulai dari konsep fundamental sebelum bergerak menuju arsitektur dan penerapan sistem cerdas.
Secara garis besar, perjalanan pembahasan dapat digambarkan sebagai:
FOUNDATION
↓
SITUATIONAL AWARENESS
↓
COMPUTATIONAL THINKING
↓
EVENT-DRIVEN THINKING
↓
INTEGRATION
↓
DECISION MAKING
↓
ACTION & CONTROL
↓
FEEDBACK & ADAPTATION
↓
INTELLIGENT ARCHITECTURE
↓
CASE STUDIES
↓
IMPLEMENTATION
↓
RELIABILITY • SAFETY • SECURITY • ETHICS
↓
SITUATIONAL INTELLIGENCE
Struktur tersebut memungkinkan pembaca memahami hubungan antara konsep abstrak dan implementasi teknis secara bertahap.
1.15 Kerangka Terpadu Buku Seluruh pembahasan dalam buku pada akhirnya mengarah pada satu kerangka terpadu:
ENVIRONMENT
↓
SENSING
↓
PERCEPTION
↓
SITUATIONAL AWARENESS
↓
DECOMPOSITION
↓
PATTERN RECOGNITION
↓
ABSTRACTION
↓
ALGORITHMIC THINKING
↓
REASONING
↓
PREDICTION
↓
DECISION
↓
EVENT / TRIGGER
↓
ACTION
↓
RESULT
↓
FEEDBACK
↓
LEARNING
↓
ADAPTATION
↓
UPDATED SITUATIONAL AWARENESS
↺
Kerangka tersebut bukanlah sebuah pipeline yang harus selalu berlangsung secara kaku dan linear. Dalam sistem nyata, berbagai proses dapat berlangsung secara paralel, iteratif, asynchronous, event-driven, dan saling memberikan feedback.
Oleh karena itu, inti dari pendekatan buku ini adalah closed-loop intelligence : kemampuan suatu agen untuk mempertahankan pemahaman mengenai keadaan, melakukan penalaran berdasarkan tujuan dan batasan, mengambil keputusan, bertindak terhadap lingkungan, mengamati hasil tindakan, dan memperbarui perilakunya.
1.16 Prinsip Utama Keseluruhan gagasan buku ini dapat diringkas dalam enam pertanyaan fundamental:
SEE — Apa yang terjadi?UNDERSTAND — Apa arti keadaan tersebut?PREDICT — Apa yang mungkin terjadi selanjutnya?DECIDE — Apa yang sebaiknya dilakukan?ACT — Bagaimana tindakan dilaksanakan?ADAPT — Apa yang harus dipelajari dan diubah?
SEE
↓
UNDERSTAND
↓
PREDICT
↓
DECIDE
↓
ACT
↓
ADAPT
↺
Keenam tahap tersebut membentuk suatu siklus yang terus berlangsung selama agen berinteraksi dengan lingkungannya.
1.17 Dari Thinking System Menuju Situational Intelligence Pada akhirnya, integrasi antara Situational Awareness, Computational Thinking, Event-Driven Systems, Decision Making, Feedback, dan Adaptation menghasilkan sebuah perspektif yang lebih luas, yaitu Situational Intelligence .
Situational Intelligence dalam buku ini dipahami sebagai kemampuan suatu agen atau sistem untuk mengetahui keadaan, memahami konteks, menghubungkan keadaan dengan tujuan, memperkirakan kemungkinan masa depan, mengambil keputusan, melakukan tindakan, mengevaluasi hasil, dan menyesuaikan perilakunya berdasarkan perubahan lingkungan.
SITUATIONAL AWARENESS
+
COMPUTATIONAL THINKING
+
REASONING
+
PREDICTION
+
DECISION MAKING
+
EVENT-DRIVEN ACTION
+
FEEDBACK
+
LEARNING
+
ADAPTATION
↓
SITUATIONAL INTELLIGENCE
Dengan perspektif tersebut, kecerdasan tidak lagi dipahami hanya sebagai kemampuan komputasi atau kemampuan menghasilkan prediksi. Kecerdasan menjadi kemampuan untuk mempertahankan kesesuaian antara keadaan, pemahaman, tujuan, keputusan, tindakan, dan perubahan lingkungan .
1.18 Penutup Pendahuluan Buku ini mengajak pembaca melihat sistem cerdas dari sudut pandang yang lebih luas. Bukan hanya bagaimana data dikumpulkan, bukan hanya bagaimana algoritma bekerja, dan bukan hanya bagaimana event memicu program, tetapi bagaimana seluruh proses tersebut dapat dirangkai menjadi suatu siklus kecerdasan yang mampu berinteraksi dengan lingkungan.
Dari sinilah perjalanan buku dimulai: dari memahami keadaan , kemudian belajar berpikir secara komputasional , memahami peristiwa dan perubahan , menyusun keputusan , melakukan tindakan , menerima feedback , dan akhirnya membangun kemampuan adaptasi .
Mengetahui apa yang terjadi adalah awal. Memahami apa artinya adalah langkah berikutnya. Memperkirakan apa yang akan terjadi membuat sistem siap. Memutuskan apa yang harus dilakukan membuatnya cerdas. Bertindak dan belajar dari akibatnya membuatnya adaptif.
Dengan demikian, fondasi utama buku ini dapat dirangkum dalam satu siklus:
SENSE
↓
THINK
↓
ACT
↓
LEARN
↓
SENSE
↺
Siklus tersebut menjadi benang merah yang menghubungkan manusia, sistem komputasi, kecerdasan buatan, IoT, otomasi, robotika, dan sistem otonom dalam satu kerangka pemikiran: memahami keadaan untuk dapat bertindak secara tepat dan adaptif.
=====================================
BAB 1 FONDASI SISTEM, KEADAAN, PERISTIWA, DAN TINDAKAN Sebelum membahas Situational Awareness , Computational Thinking , dan Event-Driven Systems , diperlukan suatu fondasi konseptual mengenai apa yang dimaksud dengan sistem, lingkungan, agen, keadaan, masukan, keluaran, peristiwa, tindakan, tujuan, batasan, risiko, konteks, dan umpan balik.
Konsep-konsep tersebut merupakan elemen dasar yang memungkinkan manusia maupun sistem komputasi berinteraksi dengan dunia di sekitarnya. Tanpa pemahaman terhadap elemen-elemen tersebut, pembahasan mengenai kecerdasan, pengambilan keputusan, otomasi, kecerdasan buatan, IoT, robotika, dan sistem otonom akan cenderung terfragmentasi.
Bab ini karena itu tidak dimulai dari algoritma atau teknologi tertentu. Pembahasan dimulai dari pertanyaan yang lebih mendasar:
Apa sebenarnya yang terjadi ketika sebuah sistem berinteraksi dengan lingkungannya?
Secara sederhana, suatu sistem menerima keadaan atau informasi dari lingkungan, membentuk representasi internal, memproses informasi, mengambil keputusan, menghasilkan tindakan, dan kemudian menerima kembali akibat dari tindakan tersebut sebagai umpan balik.
┌──────────────────────────────────────────────────────────────┐
│ LINGKUNGAN │
│ │
│ objek • manusia • mesin • cuaca • jaringan • energi • data │
└───────────────────────────┬──────────────────────────────────┘
│
INPUT
│
▼
┌─────────────────────┐
│ SISTEM │
│ │
│ sensing │
│ perception │
│ processing │
│ reasoning │
│ decision │
└──────────┬──────────┘
│
OUTPUT
│
▼
┌─────────────────────┐
│ ACTION │
└──────────┬──────────┘
│
▼
LINGKUNGAN
│
FEEDBACK
│
└──────────────► SISTEM
Pola tersebut menjadi dasar dari sistem kendali, sistem informasi, sistem tertanam, sistem IoT, sistem berbasis AI, robotika, otomasi industri, kendaraan otonom, hingga sistem pengambilan keputusan manusia.
1.1 Sistem sebagai Entitas yang Berinteraksi Istilah sistem digunakan dalam banyak bidang dengan makna yang berbeda. Dalam konteks buku ini, sistem dipahami sebagai sekumpulan elemen yang saling berhubungan dan berinteraksi untuk mencapai tujuan tertentu atau menghasilkan perilaku tertentu.
Sistem dapat berupa:
sistem biologis; sistem manusia; sistem sosial; sistem mekanik; sistem elektronik; sistem komputer; sistem informasi; sistem IoT; sistem robotik; sistem kecerdasan buatan; sistem otonom; atau kombinasi manusia dan mesin. Kesamaan mendasar dari berbagai sistem tersebut adalah adanya keadaan , perubahan , interaksi , dan dalam banyak kasus tujuan .
SYSTEM
│
┌─────────────┼─────────────┐
│ │ │
STATE INPUT OUTPUT
│ │ │
└─────────────┼─────────────┘
│
PROCESS
│
ACTION
│
FEEDBACK
Sistem tidak harus selalu berupa perangkat fisik. Sebuah perangkat lunak, misalnya, juga merupakan sistem. Demikian pula organisasi, jaringan komputer, sistem transportasi, atau kombinasi manusia dan perangkat teknologi dapat dipahami sebagai sistem.
1.2 Lingkungan (Environment ) Setiap sistem beroperasi dalam suatu lingkungan. Lingkungan adalah segala sesuatu di luar batas sistem yang dapat memengaruhi sistem, dipengaruhi oleh sistem, atau keduanya.
Dalam konteks kendaraan otonom, misalnya, lingkungan mencakup jalan, kendaraan lain, pejalan kaki, lampu lalu lintas, cuaca, kondisi permukaan jalan, dan aturan lalu lintas.
Dalam sistem industri, lingkungan dapat mencakup mesin, operator, temperatur, tekanan, jaringan komunikasi, pasokan energi, material, dan proses produksi.
Dalam rumah pintar, lingkungan dapat mencakup penghuni, pintu, jendela, temperatur, pencahayaan, perangkat elektronik, jaringan, serta kondisi luar rumah.
ENVIRONMENT
┌───────────────────────────────────┐
│ │
│ objects people │
│ weather machines │
│ network energy │
│ events disturbances │
│ │
│ ┌──────────────┐ │
│ │ SYSTEM │ │
│ │ │ │
│ └──────────────┘ │
│ │
└───────────────────────────────────┘
Batas antara sistem dan lingkungan tidak selalu bersifat absolut. Batas tersebut ditentukan berdasarkan sudut pandang analisis. Sebuah sensor dapat dianggap sebagai bagian dari sistem pada satu analisis, tetapi dianggap sebagai perangkat eksternal pada analisis yang lain.
Oleh karena itu, langkah awal dalam merancang sistem adalah menentukan system boundary .
1.3 System Boundary System boundary menentukan elemen mana yang dianggap sebagai bagian dari sistem dan mana yang dianggap sebagai bagian dari lingkungan.
ENVIRONMENT
┌─────────────────────────────────────────┐
│ │
│ Sensor eksternal │
│ │ │
│ ▼ │
│ ┌─────────────── SYSTEM ──────────┐ │
│ │ │ │
│ │ Sensor → Processor → Decision │ │
│ │ │ │ │
│ │ ▼ │ │
│ │ Action │ │
│ └──────────────────────────────────┘ │
│ │
└─────────────────────────────────────────┘
Penentuan batas sistem penting karena menentukan:
apa yang harus diamati; apa yang dianggap sebagai input; apa yang dianggap sebagai output; apa yang dapat dikendalikan; apa yang berada di luar kendali; apa yang harus dipantau sebagai sumber risiko. Dalam sistem otonom, kesalahan menentukan batas lingkungan dapat menyebabkan sistem mengabaikan faktor penting yang sebenarnya memengaruhi keputusan.
1.4 Agen (Agent ) Dalam buku ini, istilah agen digunakan untuk menyebut entitas yang mampu mengamati lingkungan dan melakukan tindakan terhadap lingkungan tersebut.
Agen dapat berupa manusia, robot, perangkat lunak, kendaraan otonom, atau kombinasi manusia dan mesin.
ENVIRONMENT
│
│ Perception
▼
┌───────────┐
│ AGENT │
│ │
│ Perceive │
│ Think │
│ Decide │
│ Act │
└─────┬─────┘
│
│ Action
▼
ENVIRONMENT'
Konsep agen menjadi sangat penting karena buku ini pada akhirnya membahas bagaimana suatu entitas dapat bergerak dari sekadar menerima informasi menuju kemampuan untuk memahami keadaan, mengambil keputusan, dan bertindak secara adaptif.
1.5 Keadaan (State ) State adalah representasi keadaan suatu sistem pada suatu waktu tertentu.
Sebuah sistem dapat memiliki banyak variabel keadaan. Misalnya, keadaan sebuah kendaraan listrik dapat mencakup:
kecepatan; posisi; arah; state baterai; temperatur motor; status sistem pengereman; status koneksi; mode operasi. Secara abstrak, state dapat dituliskan:
S(t) = {x₁(t), x₂(t), x₃(t), ..., xâ‚™(t)}
Sebagai contoh:
EV_STATE =
{
speed,
battery_level,
motor_temperature,
brake_status,
location,
connectivity,
operating_mode
}
State bukan sekadar kumpulan nilai. State merupakan representasi mengenai kondisi sistem yang relevan untuk proses pengambilan keputusan.
Hal ini menghasilkan prinsip penting:
Tidak semua data harus menjadi bagian dari state, tetapi setiap informasi yang diperlukan untuk memahami keadaan dan mengambil keputusan harus dapat direpresentasikan secara memadai.
1.6 State dan Perubahan Waktu Sistem dinamis tidak memiliki state yang tetap. State berubah terhadap waktu sebagai akibat dari input, event, tindakan, gangguan, dan interaksi dengan lingkungan.
S₀ ──E₁──► S₁ ──E₂──► S₂ ──E₃──► S₃
│ │ │
A₁ A₂ A₃
│ │ │
▼ ▼ ▼
Environment changes
Secara umum, perubahan state dapat dimodelkan sebagai:
Sâ‚œ₊₁ = F(Sâ‚œ, Eâ‚œ, Aâ‚œ)
dengan:
Sâ‚œ = state saat ini;Eâ‚œ = event yang terjadi;Aâ‚œ = action yang dilakukan;Sâ‚œ₊₁ = state berikutnya;F = fungsi transisi sistem.Persamaan ini menjadi salah satu fondasi matematis penting dalam pemodelan sistem berbasis state dan event.
1.7 Input Input adalah sesuatu yang diterima sistem dari lingkungan atau dari komponen lain dan digunakan sebagai dasar pemrosesan.
Input dapat berupa:
nilai sensor; data digital; pesan jaringan; perintah pengguna; citra; suara; lokasi; status perangkat; event; hasil sistem lain.
INPUT
│
├── Sensor
├── User
├── Network
├── Database
├── Another System
└── Event
│
▼
PROCESS
Penting untuk membedakan antara raw input dan interpreted input . Nilai sensor mentah belum tentu memiliki makna langsung bagi proses keputusan.
1.8 Output Output adalah hasil yang dihasilkan sistem sebagai akibat dari proses internalnya.
Output dapat berupa:
data; informasi; status; alarm; pesan; rekomendasi; perintah; gerakan aktuator; perubahan konfigurasi; keputusan. Dalam sistem sederhana, output mungkin langsung berupa tindakan. Dalam sistem kompleks, output dapat terlebih dahulu menjadi event atau command yang kemudian diproses oleh sistem lain.
1.9 Action Action adalah tindakan yang dilakukan agen atau sistem terhadap lingkungan atau terhadap sistem lain.
STATE
↓
DECISION
↓
ACTION
↓
ENVIRONMENT CHANGE
↓
NEW STATE
Contoh action antara lain:
menyalakan motor; mengurangi kecepatan; membuka katup; mengirim pesan; menyalakan alarm; mengubah set point; memindahkan robot; menghentikan proses produksi. Action membedakan sistem pasif dari sistem yang mampu berinteraksi dengan lingkungan.
1.10 Event Event adalah representasi dari suatu kejadian, perubahan, atau kondisi yang dianggap relevan bagi sistem.
Event dapat terjadi ketika:
suatu nilai melewati threshold; state berubah; perangkat mengirim pesan; pengguna melakukan tindakan; timer mencapai waktu tertentu; sistem mendeteksi anomali; komponen lain mengirimkan notifikasi.
CONDITION
│
▼
CHANGE DETECTED
│
▼
EVENT
│
▼
HANDLER
│
▼
DECISION
│
▼
ACTION
Contoh sederhana:
temperature = 82°C
IF temperature > threshold
THEN
emit OverTemperatureEvent
Akan tetapi, event bukan sekadar nilai yang berubah. Event harus memiliki makna dalam konteks sistem.
1.11 Event, State, dan Signal Ketiga konsep berikut sering digunakan secara berdekatan tetapi memiliki fungsi berbeda.
Konsep Makna Contoh State Keadaan sistem Motor = RUNNING Signal Sinyal yang membawa informasi Sensor = 82°C Event Kejadian/perubahan yang relevan OverTemperatureDetected Command Instruksi untuk melakukan tindakan StopMotor Action Tindakan aktual Motor berhenti
Hubungan kelimanya dapat digambarkan:
SIGNAL
↓
INTERPRETATION
↓
EVENT
↓
DECISION
↓
COMMAND
↓
ACTION
↓
STATE CHANGE
1.12 Context Context adalah informasi yang membantu sistem menentukan makna suatu data, event, atau keadaan.
Satu nilai dapat menghasilkan keputusan berbeda ketika konteksnya berbeda.
TEMPERATURE = 80°C
┌───────────────┐
│ CONTEXT │
└───────┬───────┘
│
┌────────┼─────────┐
↓ ↓ ↓
OVEN MOTOR ROOM
│ │ │
NORMAL WARNING DANGER
Konteks dapat mencakup:
lokasi; waktu; mode operasi; identitas objek; tujuan; kondisi lingkungan; riwayat kejadian; status sistem lain; tingkat risiko. Inilah alasan mengapa sistem yang benar-benar cerdas memerlukan context awareness , bukan sekadar data processing.
1.13 Goal Sistem yang melakukan keputusan membutuhkan tujuan atau goal . Tanpa tujuan, sistem tidak memiliki dasar untuk menentukan apakah suatu tindakan dianggap baik atau buruk.
Contoh tujuan:
mempertahankan temperatur pada rentang tertentu; menghindari tabrakan; meminimalkan konsumsi energi; memaksimalkan throughput produksi; menjaga keselamatan operator; meminimalkan downtime.
CURRENT STATE
↓
COMPARE WITH GOAL
↓
GAP
↓
DECISION
↓
ACTION
Goal membuat proses pengambilan keputusan bersifat terarah.
1.14 Constraint Constraint adalah batasan yang membatasi tindakan atau keadaan yang diperbolehkan dalam sistem.
Sebagai contoh, kendaraan mungkin memiliki tujuan mencapai suatu lokasi, tetapi harus mematuhi:
batas kecepatan; kapasitas baterai; aturan lalu lintas; batas kemampuan pengereman; kondisi jalan.
GOAL
│
├── Desired outcome
│
└── Constraints
│
├── Safety
├── Resources
├── Rules
├── Time
└── Physical limits
Keputusan yang optimal bukan sekadar keputusan yang mencapai tujuan, melainkan keputusan yang mencapai tujuan dalam batasan yang berlaku .
1.15 Risk Risk muncul ketika suatu tindakan atau keadaan memiliki kemungkinan menghasilkan konsekuensi yang tidak diinginkan.
Representasi sederhana risiko dapat dituliskan:
RISK = P(Event) × IMPACT
Dalam sistem nyata, risiko dapat dipengaruhi oleh banyak faktor:
RISK
│
├── Probability
├── Severity
├── Exposure
├── Uncertainty
├── Detectability
└── Recoverability
Sistem yang memiliki situational awareness harus mampu mengenali keadaan yang memiliki konsekuensi penting, bukan sekadar mendeteksi perubahan.
1.16 State Transition Sistem dapat dipandang sebagai kumpulan state yang dihubungkan oleh transisi. Transisi terjadi ketika event atau kondisi tertentu terpenuhi.
START
│
▼
┌─────────┐
│ IDLE │
└────┬────┘
│ StartEvent
▼
┌─────────┐
│ RUNNING │
└────┬────┘
│ FaultEvent
▼
┌─────────┐
│ FAULT │
└────┬────┘
│ ResetEvent
▼
┌─────────┐
│ IDLE │
└─────────┘
Model seperti ini dikenal luas sebagai Finite State Machine (FSM) .
Secara abstrak:
STATE + EVENT → TRANSITION → NEW STATE
Model state machine menjadi penting dalam sistem event-driven karena respons sistem sering kali bergantung pada state saat event terjadi.
1.17 Mengapa Event yang Sama Dapat Menghasilkan Respons Berbeda? Pertimbangkan sebuah event:
TemperatureHighEvent
Jika sistem berada dalam state NORMAL , event tersebut mungkin menghasilkan tindakan:
NORMAL + TemperatureHighEvent
↓
WARNING
↓
IncreaseCooling
Namun jika sistem berada dalam state CRITICAL , event yang sama dapat menghasilkan:
CRITICAL + TemperatureHighEvent
↓
EMERGENCY
↓
ShutdownSystem
↓
GenerateAlarm
Dengan demikian:
Makna suatu event tidak hanya ditentukan oleh event itu sendiri, tetapi oleh hubungan antara event, state, context, goal, dan risk.
1.18 Perception Perception adalah proses mengubah sinyal atau data menjadi representasi mengenai elemen yang relevan di lingkungan.
RAW DATA
↓
FILTERING
↓
FEATURE EXTRACTION
↓
OBJECT / CONDITION DETECTION
↓
PERCEPTION
Pada manusia, perception melibatkan indera dan proses kognitif. Pada sistem komputer, perception dapat melibatkan sensor, computer vision, signal processing, machine learning, dan algoritma lainnya.
Contohnya:
Camera Image
↓
Computer Vision
↓
Vehicle Detected
↓
Distance = 12 m
↓
Relative Speed = -3 m/s
Hasil perception belum selalu sama dengan situational awareness. Perception menjawab pertanyaan:
Apa yang terdeteksi?
Situational awareness bergerak lebih jauh dengan menanyakan:
Apa arti keadaan tersebut?
1.19 Dari Data ke Informasi Data merupakan representasi awal dari observasi. Agar dapat digunakan untuk pengambilan keputusan, data perlu diproses dan ditempatkan dalam konteks.
DATA
↓
VALIDATION
↓
FILTERING
↓
CONTEXTUALIZATION
↓
INFORMATION
↓
INTERPRETATION
↓
UNDERSTANDING
Contoh:
Data:
temperature = 82°C
Information:
temperature exceeds normal operating range
Understanding:
motor may be experiencing overheating
Prediction:
temperature may continue increasing
Decision:
reduce load / increase cooling / shutdown
Action:
reduce motor power
Rangkaian tersebut menunjukkan bahwa kecerdasan tidak terletak pada data semata, melainkan pada proses transformasi data menjadi dasar tindakan.
1.20 Penalaran (Reasoning ) Setelah informasi diperoleh, sistem dapat melakukan reasoning , yaitu proses menghubungkan fakta, keadaan, aturan, model, pengalaman, atau probabilitas untuk menghasilkan kesimpulan.
OBSERVATION
+
CONTEXT
+
KNOWLEDGE
+
GOAL
+
CONSTRAINT
+
RISK
↓
REASONING
↓
CONCLUSION
↓
DECISION
Reasoning dapat dilakukan menggunakan:
aturan logika; rule-based system; model matematis; probabilistic reasoning; machine learning; optimization; knowledge representation; kombinasi berbagai pendekatan. 1.21 Prediction dan Projection Sistem yang hanya memahami keadaan sekarang bersifat terbatas. Dalam lingkungan dinamis, sistem perlu memperkirakan kemungkinan keadaan masa depan.
CURRENT STATE
↓
HISTORICAL DATA
+
CURRENT OBSERVATION
+
MODEL
↓
PREDICTION
↓
POSSIBLE FUTURE STATES
Secara konseptual:
Sâ‚œ → MODEL → P(Sâ‚œ₊₁ | Sâ‚œ, Eâ‚œ)
Prediction tidak berarti mengetahui masa depan secara pasti. Prediction menghasilkan estimasi atau distribusi kemungkinan.
Dalam konteks Situational Awareness, kemampuan ini berkaitan dengan projection , yaitu memperkirakan bagaimana keadaan dapat berkembang berdasarkan kondisi sekarang.
1.22 Decision Making Decision making adalah proses memilih tindakan berdasarkan keadaan, tujuan, informasi, prediksi, risiko, dan batasan.
STATE
↓
SITUATIONAL AWARENESS
↓
OPTIONS
↓
PREDICTION
↓
RISK EVALUATION
↓
GOAL / CONSTRAINT
↓
DECISION
↓
ACTION
Secara konseptual keputusan dapat dinyatakan:
Dₜ = F(SAₜ, Gₜ, Rₜ, Cₜ)
Keputusan yang baik tidak harus selalu menghasilkan hasil terbaik secara absolut. Dalam lingkungan tidak pasti, keputusan dapat dinilai berdasarkan kualitas proses, informasi yang tersedia, tingkat risiko, dan kemampuan sistem untuk menangani konsekuensi.
1.23 Action sebagai Intervensi terhadap Lingkungan Setelah keputusan dibuat, sistem melakukan action. Action dapat mempertahankan keadaan, mengubah keadaan, atau mencegah keadaan tertentu.
DECISION
│
┌─────┼─────┐
↓ ↓ ↓
Maintain Change Prevent
│ │ │
└─────┼─────┘
↓
ACTION
↓
ENVIRONMENT'
Penting untuk memahami bahwa action bukan hanya output teknis. Action merupakan intervensi terhadap dunia nyata.
Karena itu, kesalahan keputusan dapat memiliki konsekuensi yang lebih besar ketika sistem memiliki kemampuan fisik untuk bertindak.
1.24 Feedback Feedback adalah informasi mengenai hasil suatu tindakan yang dikembalikan kepada sistem untuk digunakan dalam evaluasi dan pembaruan keputusan.
STATE
↓
DECISION
↓
ACTION
↓
RESULT
↓
FEEDBACK
↓
EVALUATION
↓
UPDATED STATE
↓
NEW DECISION
↺
Tanpa feedback, sistem tidak mengetahui secara memadai apakah tindakan yang dilakukan berhasil mencapai tujuan.
Feedback dapat bersifat:
positive feedback — memperkuat suatu perubahan;negative feedback — mengurangi penyimpangan;delayed feedback — diterima setelah jeda waktu;noisy feedback — mengandung ketidakpastian;partial feedback — hanya memberikan sebagian informasi hasil.1.25 Error dan Feedback Dalam sistem kontrol, salah satu bentuk dasar representasi error adalah:
e(t) = r(t) - y(t)
dengan:
r(t) = kondisi yang diinginkan atau reference;y(t) = kondisi aktual;e(t) = error atau selisih.Contohnya, jika temperatur target adalah 25°C sedangkan temperatur aktual adalah 28°C:
r(t) = 25°C
y(t) = 28°C
e(t) = 25 - 28
= -3°C
Sistem kemudian dapat menggunakan error tersebut untuk menentukan tindakan korektif.
1.26 Closed-Loop System Closed-loop system adalah sistem yang menggunakan informasi hasil tindakan sebagai feedback untuk memengaruhi tindakan berikutnya.
┌───────────────────────┐
│ │
▼ │
┌───────┐ ┌───────┐
│ STATE │──────────────►│DECIDE │
└───────┘ └───┬───┘
▲ │
│ ▼
FEEDBACK ACTION
▲ │
│ ▼
└──────────────── ENVIRONMENT
Closed-loop merupakan fondasi penting bagi:
control systems; robotics; autonomous systems; adaptive systems; reinforcement learning; intelligent automation. 1.27 Open Loop dan Closed Loop Aspek Open Loop Closed Loop Feedback Tidak digunakan secara langsung Digunakan Adaptasi Terbatas Lebih memungkinkan Respons terhadap perubahan Terbatas Lebih responsif Kompleksitas Relatif sederhana Relatif lebih kompleks Contoh Timer sederhana Thermostat
Perbedaan tersebut menunjukkan mengapa sistem adaptif membutuhkan kemampuan untuk mengamati akibat tindakannya sendiri.
1.28 Waktu dan Dinamika Sistem Sistem nyata selalu beroperasi dalam dimensi waktu. Keadaan yang benar satu detik lalu belum tentu benar sekarang.
t₀ t₁ t₂ t₃ t₄
│ │ │ │ │
S₀ ─────► S₁ ─────► S₂ ─────► S₃ ─────► S₄
│ │ │ │ │
E₀ E₁ E₂ E₃ E₄
Oleh sebab itu, sistem yang memiliki situational awareness harus memperhatikan bukan hanya nilai saat ini, tetapi juga:
riwayat keadaan; arah perubahan; kecepatan perubahan; durasi kondisi; urutan event; hubungan sebab-akibat. Untuk suatu variabel kontinu, laju perubahan dapat direpresentasikan secara sederhana sebagai:
dx/dt
Nilai absolut suatu variabel dan laju perubahannya dapat memiliki arti yang berbeda.
Temperature = 70°C
dTemperature/dt = +0.1°C/s
versus
Temperature = 70°C
dTemperature/dt = +5°C/s
Kedua kondisi tersebut memiliki nilai temperatur yang sama, tetapi risiko dan proyeksi masa depannya dapat sangat berbeda.
1.29 Threshold dan Event Generation Banyak sistem menggunakan threshold untuk mengubah kondisi tertentu menjadi event.
IF x ≥ x_threshold
THEN
Event = TRUE
ELSE
Event = FALSE
Secara matematis:
E =
{
1, jika x ≥ x_threshold
0, jika x < x_threshold
}
Contoh:
IF battery_level < 20%
THEN
emit LowBatteryEvent
Namun sistem yang lebih matang dapat menggunakan lebih dari satu threshold:
Battery Level
100% ─────────────────────────
80% NORMAL
50% ─────────────────────────
30% WARNING
20% ─────────────────────────
10% CRITICAL
0% ─────────────────────────
1.30 Hysteresis Pada sistem yang menggunakan threshold, perubahan kecil di sekitar batas dapat menyebabkan event berulang atau sistem berganti state secara cepat. Fenomena tersebut dapat dikurangi menggunakan hysteresis .
ON jika temperature ≥ 30°C
OFF jika temperature ≤ 28°C
29°C → tetap pada state sebelumnya
Hysteresis membantu mencegah:
rapid switching; event storm; actuator oscillation; ketidakstabilan sistem. 1.31 Noise dan Ketidakpastian Data dunia nyata hampir selalu mengandung noise dan ketidakpastian. Sensor dapat memberikan nilai yang sedikit berbeda walaupun kondisi sebenarnya hampir sama.
REAL CONDITION
│
▼
SENSOR
│
▼
NOISY MEASUREMENT
│
▼
FILTERING
│
▼
ESTIMATED STATE
Oleh karena itu, sistem tidak boleh selalu memperlakukan satu pengukuran sebagai kebenaran absolut.
Sistem yang lebih robust dapat menggunakan:
moving average; median filtering; Kalman filtering; sensor fusion; probabilistic estimation; confidence score. 1.32 Confidence Ketika sistem tidak yakin terhadap hasil perception atau prediction, tingkat keyakinan dapat direpresentasikan secara eksplisit.
Detection:
"Object = pedestrian"
Confidence:
0.97
Decision:
HIGH CONFIDENCE → normal action
Sebaliknya:
Detection:
"Object = pedestrian"
Confidence:
0.42
Decision:
LOW CONFIDENCE
↓
Request more data
OR
Safe fallback
OR
Human intervention
Confidence menjadi penting ketika sistem digunakan pada lingkungan yang memiliki konsekuensi keselamatan.
1.33 Human sebagai Sistem Pengambil Keputusan Konsep-konsep dalam bab ini tidak hanya berlaku untuk mesin. Manusia juga dapat dipandang sebagai agen yang mengamati lingkungan, membangun pemahaman, membuat keputusan, dan melakukan tindakan.
LINGKUNGAN
↓
SENSE
↓
PERCEPTION
↓
ATTENTION
↓
UNDERSTANDING
↓
REASONING
↓
DECISION
↓
ACTION
↓
FEEDBACK
↺
Perbedaan utama antara manusia dan sistem komputer terletak pada mekanisme biologis, kognitif, representasi pengetahuan, pengalaman, tujuan, keterbatasan, dan cara belajar.
Namun, dari perspektif sistem, keduanya memiliki pola interaksi yang dapat dianalisis menggunakan konsep yang sama.
1.34 Perception, Attention, dan Working Memory Manusia tidak memproses semua informasi lingkungan secara sama. Perhatian (attention ) menentukan informasi mana yang mendapatkan prioritas pemrosesan.
ENVIRONMENT
↓
MANY SIGNALS
↓
ATTENTION
↓
SELECTED INFORMATION
↓
WORKING MEMORY
↓
REASONING
↓
DECISION
Keterbatasan perhatian dan working memory menjadi salah satu faktor penting dalam human factors. Sistem yang terlalu banyak memberikan informasi kepada operator tidak otomatis menghasilkan keputusan yang lebih baik.
Prinsip pentingnya adalah:
Informasi yang lebih banyak tidak selalu menghasilkan pemahaman yang lebih baik.
1.35 Knowledge dan Experience Pemahaman terhadap keadaan tidak hanya bergantung pada data saat ini, tetapi juga pada pengetahuan dan pengalaman sebelumnya.
CURRENT OBSERVATION
+
PAST EXPERIENCE
+
DOMAIN KNOWLEDGE
+
CONTEXT
↓
INTERPRETATION
↓
UNDERSTANDING
Dua agen yang menerima data yang sama dapat menghasilkan pemahaman berbeda karena memiliki model mental dan pengalaman berbeda.
Hal tersebut menjadi penting dalam desain sistem AI dan sistem pendukung keputusan karena representasi internal sistem menentukan bagaimana data ditafsirkan.
1.36 Intuition dan Reasoning Pengambilan keputusan manusia dapat melibatkan proses cepat berbasis pola maupun proses analitis yang lebih lambat.
OBSERVATION
│
├──────────────► PATTERN / INTUITION
│
└──────────────► ANALYTICAL REASONING
│
▼
DECISION
Pengalaman memungkinkan manusia mengenali pola tertentu dengan cepat. Namun, intuisi dapat mengalami bias dan kesalahan. Sebaliknya, reasoning analitis dapat memberikan pemeriksaan yang lebih eksplisit tetapi membutuhkan waktu dan sumber daya kognitif.
Sistem cerdas modern berusaha menggabungkan pengenalan pola, inferensi, prediksi, dan reasoning untuk menghasilkan keputusan yang lebih efektif.
1.37 Human-in-the-Loop Dalam banyak sistem, manusia tetap menjadi bagian dari loop pengambilan keputusan.
SYSTEM
↓
ANALYSIS
↓
RECOMMENDATION
↓
HUMAN
↓
DECISION
↓
ACTION
↓
FEEDBACK
↺
Model ini dikenal sebagai Human-in-the-Loop (HITL) . Manusia secara aktif terlibat dalam proses keputusan.
Pendekatan ini berguna ketika:
konsekuensi keputusan tinggi; data tidak lengkap; model belum cukup andal; keputusan memerlukan pengetahuan kontekstual; diperlukan pertanggungjawaban manusia. 1.38 Human-on-the-Loop Pada Human-on-the-Loop , sistem dapat melakukan keputusan atau tindakan secara otomatis, sedangkan manusia berperan sebagai pengawas.
SENSING
↓
AI / SYSTEM
↓
DECISION
↓
ACTION
↓
HUMAN MONITORING
↓
INTERVENTION IF NECESSARY
Model ini memungkinkan otomasi lebih tinggi, tetapi tetap mempertahankan mekanisme pengawasan manusia.
1.39 Human-out-of-the-Loop Pada tingkat otomasi yang lebih tinggi, manusia tidak lagi terlibat secara langsung dalam setiap keputusan.
ENVIRONMENT
↓
SENSING
↓
PERCEPTION
↓
REASONING
↓
DECISION
↓
ACTION
↓
FEEDBACK
↺
Semakin jauh manusia dari loop, semakin besar kebutuhan terhadap mekanisme:
fail-safe; monitoring; logging; explainability; fallback; fault detection; recovery; security. 1.40 Hierarki Informasi dan Pemahaman Salah satu kerangka penting dalam buku ini adalah transformasi dari data menuju tindakan.
DATA
↓
INFORMATION
↓
UNDERSTANDING
↓
KNOWLEDGE
↓
PREDICTION
↓
DECISION
↓
ACTION
↓
EXPERIENCE
↓
ADAPTATION
Setiap tingkat memiliki fungsi berbeda.
Tingkat Pertanyaan Data Apa yang terukur? Information Apa yang dapat diketahui dari data? Understanding Apa arti keadaan tersebut? Knowledge Apa yang diketahui dari pengalaman/model? Prediction Apa yang mungkin terjadi? Decision Apa yang sebaiknya dilakukan? Action Apa yang benar-benar dilakukan? Experience Apa hasil dari tindakan? Adaptation Apa yang perlu diperbaiki?
1.41 Sistem Reaktif Sistem reaktif merupakan bentuk sistem yang paling sederhana dalam konteks respons terhadap lingkungan. Sistem memetakan kondisi tertentu langsung menjadi tindakan tertentu.
IF condition
THEN action
Contoh:
IF motion_detected
THEN turn_on_light
Pendekatan tersebut sederhana dan efektif untuk masalah yang sederhana. Namun, sistem reaktif memiliki keterbatasan ketika keadaan membutuhkan pemahaman konteks atau prediksi.
1.42 Sistem Responsif Sistem responsif memperluas sistem reaktif dengan memperhatikan keadaan dan konteks.
EVENT
+
STATE
+
CONTEXT
↓
RESPONSE
Contoh:
IF motion_detected
AND time = night
AND house_mode = occupied
THEN
turn_on_light
Respons sistem menjadi lebih sesuai karena mempertimbangkan keadaan.
1.43 Sistem Prediktif Sistem prediktif tidak hanya bereaksi terhadap keadaan saat ini, tetapi memperkirakan kemungkinan keadaan berikutnya.
OBSERVE
↓
MODEL
↓
PREDICT
↓
DECIDE
↓
ACT
Contoh:
Motor temperature increasing rapidly
↓
Predict overheating
↓
Reduce load before critical state
1.44 Sistem Adaptif Sistem adaptif menggunakan feedback untuk mengubah perilakunya.
OBSERVE
↓
DECIDE
↓
ACT
↓
MEASURE RESULT
↓
EVALUATE
↓
UPDATE MODEL / POLICY
↓
NEW BEHAVIOR
↺
Adaptasi tidak selalu berarti machine learning. Sistem rule-based pun dapat adaptif apabila aturan atau parameternya dapat diperbarui berdasarkan feedback.
1.45 Event-Driven Thinking Event-driven thinking memandang perubahan sebagai elemen penting dalam arsitektur sistem.
STATE CHANGE
↓
EVENT
↓
EVENT ROUTER / BROKER
↓
CONSUMER
↓
PROCESS
↓
ACTION
Pendekatan ini memungkinkan komponen sistem berkomunikasi tanpa harus selalu memiliki ketergantungan langsung.
Contohnya:
TemperatureSensor
↓
TemperatureChangedEvent
↓
Event Broker
├──────────────► Monitoring Service
├──────────────► Alert Service
├──────────────► AI Service
└──────────────► Control Service
Satu event dapat memiliki beberapa konsumen dengan fungsi berbeda.
1.46 Event-Driven dan Decoupling Salah satu manfaat utama arsitektur event-driven adalah decoupling .
DIRECT COUPLING
Sensor ─────────► Service A
Sensor ─────────► Service B
Sensor ─────────► Service C
EVENT-DRIVEN
┌──► Service A
│
Sensor ─► Event Broker ─► Service B
│
└──► Service C
Producer tidak harus mengetahui seluruh detail consumer. Hal ini dapat meningkatkan fleksibilitas dan skalabilitas arsitektur.
1.47 Synchronous dan Asynchronous Sistem event-driven sering menggunakan komunikasi asynchronous.
SYNCHRONOUS
A ─────request────► B
A ◄────response──── B
A menunggu B
ASYNCHRONOUS
A ─────event────► Broker
A melanjutkan pekerjaan
Broker ─────────► B
Broker ─────────► C
Asynchronous processing dapat membantu sistem menangani sejumlah besar event tanpa membuat seluruh komponen harus menunggu satu sama lain.
1.48 Hubungan antara State dan Event State menggambarkan kondisi, sedangkan event menggambarkan kejadian atau perubahan yang menyebabkan sistem perlu mengevaluasi kondisi.
CURRENT STATE
│
│ EVENT
▼
┌──────────────┐
│ TRANSITION │
└──────┬───────┘
│
▼
NEW STATE
│
▼
ACTION
Hubungan ini sangat penting untuk mengembangkan sistem yang dapat memahami urutan kejadian, bukan hanya kejadian tunggal.
1.49 Sequence of Events Dalam banyak sistem, satu event tidak dapat dipahami tanpa melihat event sebelumnya.
DoorClosed
↓
SystemArmed
↓
MotionDetected
↓
AlarmTriggered
↓
UserVerified
↓
AlarmCancelled
Urutan tersebut memberikan informasi kontekstual yang lebih kaya daripada event individual.
Karena itu, sistem situational awareness perlu memperhatikan temporal context , yaitu hubungan antara kejadian dalam dimensi waktu.
1.50 Temporal Context Temporal context menjawab pertanyaan seperti:
apa yang terjadi sebelumnya? berapa lama kondisi berlangsung? seberapa cepat keadaan berubah? event apa yang terjadi setelah event tertentu? apakah kejadian merupakan pola berulang?
t₀ t₁ t₂ t₃ t₄
│ │ │ │ │
E₀ ───► E₁ ───► E₂ ───► E₃ ───► E₄
│ │
└── temporal ───┘
context
1.51 Causal Context Selain urutan waktu, sistem perlu memahami kemungkinan hubungan sebab-akibat.
Cooling Failure
↓
Temperature Increase
↓
Overheating
↓
Performance Degradation
↓
System Shutdown
Jika sistem hanya mendeteksi event terakhir, sistem mungkin terlambat mengambil tindakan. Situational intelligence membutuhkan kemampuan untuk menghubungkan keadaan sekarang dengan proses yang mengarah kepadanya.
1.52 State Estimation Dalam sistem nyata, state internal sering kali tidak dapat diukur secara langsung. Sistem harus mengestimasi state berdasarkan observasi.
TRUE STATE
│
│ tidak dapat diamati langsung
▼
SENSORS
↓
OBSERVATIONS
↓
STATE ESTIMATION
↓
ESTIMATED STATE
↓
DECISION
Konsep ini menjadi dasar penting dalam robotika, navigasi, autonomous driving, industrial monitoring, dan berbagai sistem berbasis sensor.
1.53 Partial Observability Lingkungan nyata sering bersifat partially observable . Sistem hanya melihat sebagian keadaan dunia.
REAL WORLD
┌──────────────────────────────────────┐
│ A B C D E F G H │
│ │
│ ┌─────────────┐ │
│ │ AGENT │ │
│ │ sees A B C │ │
│ └─────────────┘ │
│ │
│ D E F G H = partially hidden │
└──────────────────────────────────────┘
Akibatnya, sistem harus mengambil keputusan berdasarkan informasi yang tidak sempurna.
Inilah salah satu alasan mengapa confidence, prediction, risk, sensor fusion, dan feedback menjadi sangat penting.
1.54 Decomposition sebagai Fondasi Computational Thinking Sistem kompleks dapat diuraikan menjadi komponen yang lebih kecil. Proses ini disebut decomposition .
COMPLEX SYSTEM
│
├── Sensing
├── Perception
├── State Management
├── Reasoning
├── Decision
├── Event Processing
├── Action
└── Feedback
Decomposition membantu mengurangi kompleksitas dan memungkinkan setiap bagian dirancang, diuji, dan dievaluasi secara lebih terstruktur.
1.55 Pattern Recognition Setelah sistem diuraikan, hubungan dan pola antarbagian dapat dianalisis.
Observation 1 ─┐
Observation 2 ─┼──► PATTERN
Observation 3 ─┘
↓
INTERPRETATION
↓
PREDICTION
Pattern recognition menjadi salah satu kemampuan utama dalam machine learning dan juga merupakan bagian penting dari proses berpikir manusia.
1.56 Abstraction Abstraction berarti memilih informasi yang relevan dan mengabaikan detail yang tidak diperlukan untuk tujuan tertentu.
RAW WORLD
↓
MANY DETAILS
↓
RELEVANT FEATURES
↓
ABSTRACT MODEL
↓
DECISION
Sebagai contoh, sistem kendaraan tidak selalu membutuhkan seluruh informasi visual untuk menentukan apakah harus mengerem. Sistem dapat menggunakan representasi abstrak seperti:
Object = Vehicle
Distance = 8 m
Relative Velocity = -4 m/s
Lane = Current Lane
Risk = High
Representasi abstrak tersebut lebih mudah digunakan oleh modul reasoning dan decision-making.
1.57 Algorithmic Thinking Setelah masalah dipahami dan diabstraksikan, langkah penyelesaian dapat disusun dalam bentuk algoritma.
INPUT
↓
VALIDATE
↓
ESTIMATE STATE
↓
CHECK CONTEXT
↓
EVALUATE RISK
↓
SELECT ACTION
↓
EXECUTE
↓
MEASURE RESULT
↓
UPDATE STATE
Algoritma menyediakan struktur eksplisit bagi proses pengambilan keputusan.
1.58 Debugging dan Evaluation Sistem tidak selalu menghasilkan keputusan yang benar. Oleh karena itu, proses debugging dan evaluation merupakan bagian penting dari pengembangan sistem.
EXPECTED BEHAVIOR
│
▼
ACTUAL BEHAVIOR
│
▼
COMPARE
│
┌────┴────┐
│ │
MATCH MISMATCH
│
▼
DEBUG
│
▼
IMPROVE
Dalam sistem adaptif, proses evaluasi dapat menjadi feedback yang digunakan untuk memperbarui model atau kebijakan.
1.59 Integrasi Konsep Bab 1 Seluruh konsep yang dibahas dalam bab ini dapat disatukan dalam satu model sistem.
ENVIRONMENT
│
┌─────────┴─────────┐
│ │
INPUT EVENTS
│ │
└─────────┬─────────┘
↓
┌─────────────────┐
│ SENSING │
└────────┬────────┘
↓
┌─────────────────┐
│ PERCEPTION │
└────────┬────────┘
↓
┌─────────────────┐
│ STATE MODEL │
└────────┬────────┘
↓
┌─────────────────┐
│ CONTEXT │
└────────┬────────┘
↓
┌─────────────────┐
│ REASONING │
└────────┬────────┘
↓
┌─────────────────┐
│ GOAL + │
│ CONSTRAINT + │
│ RISK │
└────────┬────────┘
↓
┌─────────────────┐
│ DECISION │
└────────┬────────┘
↓
┌─────────────────┐
│ ACTION │
└────────┬────────┘
↓
ENVIRONMENT'
│
↓
FEEDBACK
│
└──────────► STATE MODEL
1.60 Model Konseptual Utama Berdasarkan pembahasan di atas, fondasi konseptual buku ini dapat dirumuskan dalam model berikut:
ENVIRONMENT
↓
SENSING
↓
PERCEPTION
↓
STATE
↓
CONTEXT
↓
SITUATIONAL AWARENESS
↓
COMPUTATIONAL THINKING
↓
REASONING
↓
PREDICTION
↓
DECISION
↓
EVENT / COMMAND
↓
ACTION
↓
ENVIRONMENT CHANGE
↓
FEEDBACK
↓
LEARNING / ADAPTATION
↓
UPDATED STATE
↺
Model tersebut merupakan kerangka dasar yang nantinya akan dikembangkan secara lebih mendalam dalam bab-bab berikutnya.
1.61 Ilustrasi Sistem Cerdas dalam Kehidupan Nyata Untuk memperjelas hubungan antar-konsep, perhatikan contoh kendaraan yang sedang bergerak.
KENDARAAN BERGERAK
│
▼
Sensor mendeteksi kendaraan di depan
│
▼
PERCEPTION
"Vehicle detected"
│
▼
STATE
Distance = 15 m
Relative speed = -3 m/s
│
▼
SITUATIONAL AWARENESS
"Jarak sedang berkurang"
│
▼
PREDICTION
"Jarak akan menjadi kritis"
│
▼
RISK EVALUATION
"Collision risk = High"
│
▼
DECISION
"Reduce speed"
│
▼
ACTION
Brake / deceleration
│
▼
NEW STATE
Distance = 20 m
Relative speed = 0
│
▼
FEEDBACK
"Action successful"
│
▼
UPDATED AWARENESS
↺
Contoh tersebut menunjukkan bahwa keputusan tidak berasal dari satu sensor secara langsung. Keputusan merupakan hasil dari rangkaian proses perception, state estimation, context interpretation, situational awareness, prediction, risk evaluation, dan decision.
1.62 Dari Sistem Reaktif ke Situational Intelligence Perkembangan kemampuan sistem dapat dipandang sebagai suatu spektrum:
REACTIVE
│
│ "Jika terjadi X, lakukan Y"
▼
EVENT-DRIVEN
│
│ "Ketika event X terjadi, proses event"
▼
RESPONSIVE
│
│ "Respons bergantung pada keadaan"
▼
CONTEXT-AWARE
│
│ "Respons mempertimbangkan konteks"
▼
PREDICTIVE
│
│ "Pertimbangkan kemungkinan masa depan"
▼
ADAPTIVE
│
│ "Belajar dari feedback"
▼
AUTONOMOUS
│
│ "Mengambil dan menjalankan keputusan"
▼
SITUATIONAL INTELLIGENCE
Perjalanan tersebut menjadi salah satu tema utama buku ini.
1.63 Prinsip Desain Sistem Dari pembahasan bab ini dapat diturunkan sejumlah prinsip desain.
Prinsip 1 — Kenali State Sistem harus memiliki representasi keadaan yang relevan dengan tujuan operasionalnya.
Prinsip 2 — Bedakan Data dan Makna Data mentah harus diinterpretasikan dalam konteks sebelum digunakan untuk keputusan penting.
Prinsip 3 — Perlakukan Perubahan sebagai Informasi Perubahan state dapat lebih penting daripada nilai absolut suatu variabel.
Prinsip 4 — Hubungkan Event dengan Context Event harus dipahami berdasarkan state, tujuan, dan konteks.
Prinsip 5 — Pisahkan Perception dan Decision Sistem sebaiknya memisahkan proses mendeteksi keadaan dari proses menentukan tindakan.
Prinsip 6 — Gunakan Feedback Sistem yang melakukan tindakan harus dapat mengamati akibat tindakannya.
Prinsip 7 — Pertimbangkan Ketidakpastian Sistem harus mempertimbangkan noise, incomplete information, uncertainty, dan confidence.
Prinsip 8 — Tujuan Tidak Berdiri Sendiri Setiap tujuan harus dipertimbangkan bersama constraint dan risk.
Prinsip 9 — Action Mengubah Lingkungan Tindakan sistem dapat mengubah kondisi yang nantinya menjadi input bagi keputusan berikutnya.
Prinsip 10 — Intelligence adalah Closed Loop Kecerdasan operasional tidak berhenti pada prediction atau decision, tetapi mencakup action, feedback, learning, dan adaptation.
1.64 Ringkasan Bab Bab ini telah membangun fondasi konseptual untuk memahami sistem sebagai agen yang berinteraksi dengan lingkungan.
Konsep utama yang telah dibahas meliputi:
system; environment; system boundary; agent; state; input; output; signal; event; command; action; context; goal; constraint; risk; state transition; perception; reasoning; prediction; decision; feedback; closed-loop system; human-in-the-loop; event-driven thinking; computational thinking; adaptation. Seluruh konsep tersebut membentuk suatu hubungan yang dapat diringkas:
ENVIRONMENT
↓
OBSERVATION
↓
PERCEPTION
↓
STATE
↓
CONTEXT
↓
UNDERSTANDING
↓
REASONING
↓
PREDICTION
↓
DECISION
↓
EVENT / COMMAND
↓
ACTION
↓
RESULT
↓
FEEDBACK
↓
LEARNING
↓
ADAPTATION
↺
1.65 Pertanyaan Reflektif Apa perbedaan antara data, informasi, dan pemahaman? Mengapa sebuah event tidak dapat selalu ditafsirkan tanpa mengetahui state sistem? Mengapa context dapat mengubah arti sebuah sensor value? Apa hubungan antara state dan state transition? Mengapa feedback penting dalam sistem adaptif? Apa perbedaan sistem reaktif dengan sistem prediktif? Mengapa prediction tidak sama dengan kepastian masa depan? Bagaimana goal dan constraint memengaruhi decision making? Mengapa sistem otonom membutuhkan mekanisme safety dan fallback? Bagaimana manusia dapat dipandang sebagai agen dalam suatu closed-loop system? 1.66 Latihan Konseptual Latihan 1 — Smart Home Sebuah sistem smart home memiliki sensor gerak, sensor cahaya, sensor pintu, dan aktuator lampu.
Identifikasi:
environment; system; input; state; event; context; goal; constraint; decision; action; feedback. Latihan 2 — Kendaraan Listrik Sebuah kendaraan listrik mendeteksi temperatur baterai yang terus meningkat.
Buatlah:
Sensor
↓
State
↓
Event
↓
Context
↓
Prediction
↓
Risk
↓
Decision
↓
Action
↓
Feedback
Latihan 3 — Mesin Industri Sebuah mesin menunjukkan peningkatan getaran selama 10 menit. Buat model state transition yang menggambarkan:
NORMAL
↓
ANOMALY SUSPECTED
↓
WARNING
↓
CRITICAL
↓
SAFE SHUTDOWN
1.67 Studi Mini: Sistem Peringatan Dini Sebagai contoh integratif, pertimbangkan sistem peringatan dini yang memantau tinggi muka air.
WATER LEVEL SENSOR
↓
RAW DATA
↓
FILTER
↓
STATE ESTIMATION
↓
WATER LEVEL = 180 cm
↓
RATE OF CHANGE = +5 cm/min
↓
CONTEXT:
rainfall = high
↓
PREDICTION:
level may exceed danger threshold
↓
RISK:
high
↓
EVENT:
FloodRiskDetected
↓
DECISION:
activate warning
↓
ACTION:
send emergency notification
↓
FEEDBACK:
notification delivered
↓
UPDATED STATE
Contoh ini menunjukkan bahwa sistem peringatan dini yang baik tidak hanya menggunakan satu threshold. Sistem menggabungkan state, perubahan, context, prediction, risk, event, decision, action, dan feedback.
1.68 Pseudocode Dasar Sistem Closed-Loop
INITIALIZE system
INITIALIZE state
INITIALIZE context
INITIALIZE goals
INITIALIZE constraints
WHILE system_is_running:
input = observe_environment()
perception = interpret(input)
state = update_state(
state,
perception
)
context = update_context(
state,
input
)
events = detect_events(
state,
context
)
prediction = predict(
state,
context
)
risk = evaluate_risk(
state,
prediction,
context
)
decision = make_decision(
state,
context,
goals,
constraints,
risk,
prediction,
events
)
action = select_action(
decision
)
execute(action)
feedback = observe_result()
evaluate(
decision,
action,
feedback
)
update_model(
feedback
)
END WHILE
1.69 Kerangka Pikir Bab 1 Seluruh isi bab ini dapat dirangkum dalam satu pertanyaan utama:
Bagaimana suatu agen dapat mengubah perubahan lingkungan menjadi pemahaman, keputusan, tindakan, dan pembelajaran?
Jawaban konseptualnya adalah:
CHANGE
↓
OBSERVE
↓
PERCEIVE
↓
REPRESENT STATE
↓
UNDERSTAND CONTEXT
↓
REASON
↓
PREDICT
↓
DECIDE
↓
ACT
↓
OBSERVE CONSEQUENCE
↓
FEEDBACK
↓
LEARN
↓
ADAPT
↺
1.70 Kesimpulan Bab Sistem yang berinteraksi dengan lingkungan tidak dapat dipahami hanya sebagai fungsi sederhana:
INPUT → PROCESS → OUTPUT
Model tersebut berguna untuk memahami komputasi dasar, tetapi belum cukup untuk menjelaskan sistem dinamis, sistem otonom, kecerdasan buatan, manusia dalam loop, atau sistem yang harus beradaptasi.
Model yang lebih sesuai adalah:
ENVIRONMENT
↓
OBSERVATION
↓
PERCEPTION
↓
STATE
↓
CONTEXT
↓
UNDERSTANDING
↓
REASONING
↓
PREDICTION
↓
DECISION
↓
ACTION
↓
ENVIRONMENT'
↓
FEEDBACK
↓
LEARNING
↓
ADAPTATION
↺
Dari model tersebut terlihat bahwa sistem cerdas bukan sekadar pengolah data. Sistem cerdas merupakan bagian dari suatu closed-loop interaction dengan lingkungan.
Sistem harus mampu mempertahankan representasi keadaan, memahami konteks, mengenali perubahan, menghubungkan perubahan dengan event, melakukan reasoning, memperkirakan kemungkinan keadaan berikutnya, memilih tindakan berdasarkan tujuan dan risiko, serta menggunakan feedback untuk memperbarui perilaku.
Fondasi inilah yang kemudian akan digunakan untuk memahami Situational Awareness pada bab-bab berikutnya. Situational Awareness akan memberikan kerangka untuk menjawab pertanyaan mengenai bagaimana agen mengetahui apa yang sedang terjadi, memahami maknanya, dan memperkirakan apa yang mungkin terjadi.
Setelah itu, Computational Thinking akan memberikan mekanisme untuk menguraikan masalah, menemukan pola, melakukan abstraksi, dan menyusun algoritma. Selanjutnya, Event-Driven Thinking akan menjelaskan bagaimana perubahan keadaan dapat direpresentasikan sebagai event yang memicu proses dan tindakan.
Ketiganya pada akhirnya akan bertemu dalam satu siklus:
┌──────────────────────────────┐
│ │
▼ │
SENSE ───────► THINK ───────► ACT
▲ │
│ ▼
└──────────── LEARN ◄──────────┘
Dengan demikian, fondasi Bab 1 dapat dirumuskan dalam satu prinsip utama:
Sebuah sistem menjadi adaptif bukan karena ia hanya mampu menerima data atau menghasilkan tindakan, tetapi karena ia mampu memahami perubahan keadaan, menghubungkan perubahan tersebut dengan konteks dan tujuan, memilih tindakan, mengamati akibatnya, dan menggunakan feedback untuk memperbarui perilakunya.
Prinsip tersebut menjadi jembatan menuju bab berikutnya, yaitu pembahasan mengenai Situational Awareness sebagai kemampuan fundamental untuk mengetahui, memahami, dan memproyeksikan keadaan dalam lingkungan yang dinamis.
=======================================
