Memoir Sumbangan dalam Bidang Model Matematik Ramalan
Pengenalan
Setelah tamat pengajian ijazah kedoktoran dalam bidang pengoptimuman menggunakan kaedah Tabu Search dan Sikulated Annealing dalam tahun 1994, saya kembali berkhidmat di UTM dengan hasrat untuk meneruskan kajian ini. Dalam tahun berikutnya saya mendapat sebuah geran penyelidikan daripada British Council bernilai RM60,000. Tajuk penyelidikan yang ditawarkan adalah membangunkan model peramalan matermatik. Saya mendapat peluang untuk ke England sebanyak dua kali untuk bersama pembimbing penyelidik di Loughborough University.
Memandangkan dunia yang sentiasa berubah dan penuh dengan ketidaktentuan, keupayaan untuk membuat ramalan yang tepat merupakan kelebihan strategik yang amat berharga. Saya menerima tawaran tersebut dan membuat kajian rintis mengenainya. Saya dapati sangat banyak bidang yang memerlukan model matematik seperti dalam sektor tenaga, logistik, alam sekitar, cuaca, pendidikan atau kesihatan. Ia terkait juga berkenaan dengan pemahaman terhadap masa depan secara kuantitatif mampu membantu pembuat dasar, ahli perniagaan dan pentadbir membuat keputusan yang lebih berkesan. Pemahaman masa depan sangat penting dalam proses membuat keputusan.
Saya, sebagai ahli akademik dalam bidang matematik gunaan, telah menjadikan bidang peramalan sebagai salah satu medan utama penyelidikan saya. Minat saya bermula dari pemerhatian bahawa terlalu banyak keputusan penting dibuat berdasarkan andaian yang longgar, tanpa berpaksikan kepada analisis data yang kukuh. Ramai pembuat keputusan, walaupun berpengalaman, sering kali menghadapi kesukaran untuk memproses sejumlah besar maklumat yang bersifat tidak pasti dan kabur. Di sinilah saya melihat peranan besar model matematik untuk masuk campur dan menawarkan penyelesaian.
Inilah dorongan awal dalam alam baru sebagai pensyarah dan penyelidik di utm. Dorongan ini dorongan itu, saya menelusuri pelbagai pendekatan dalam dunia ramalan — dari model statistik seperti model siri masa yang tradisional kepada pendekatan berasaskan kecerdasan iaitu Artificial intelligence. Antara pendekatan yang saya fokus secara mendalan termasuklah Tabu Search, Sistem Pakar, Neural Network, dan Fuzzy Logic. Masing-masing hadir dengan kekuatan tersendiri dan apabila digabungkan secara strategik, ia mampu menghasilkan model yang amat ampuh dan praktikal.
Dari Statik ke Model Dinamik
Pada awal 1990-an, kebanyakan kajian ramalan masih tertumpu kepada model statistik konvensional seperti Moving Average, Exponential Smoothing, dan ARIMA. Saya turut memulakan penyelidikan saya melalui model-model ini kerana ia membina asas yang kukuh dalam memahami trend, musiman dan hubungan masa lalu.
Namun setelah beberapa tahun, saya mula mendapati bahawa pendekatan ini mempunyai kelemahan apabila berhadapan dengan data yang tidak stesenari atau situasi yang berubah secara dinamik. Model tradisional memerlukan andaian tertentu seperti lineariti dan kestabilan varians, yang sering tidak wujud dalam realiti. Maka saya mula mencari pendekatan alternatif yang lebih fleksibel dan adaptif.
Minat saya terhadap kecerdasan buatan (AI) dan heuristik bermula dari sini. Saya percaya bahawa dunia sebenar memerlukan model yang mampu 'belajar' dan menyesuaikan diri, bukan sekadar membuat pengiraan tetap berdasarkan formula tertentu. Oleh itu, saya memperkenalkan pelbagai pendekatan yang lebih canggih.
Dalam perjalanan saya meneroka bidang ramalan, saya menyedari satu cabaran besar — dunia sebenar tidak pernah bersifat linear, statik, atau mudah. Masalah-masalah seperti penjadualan kuliah, perancangan tenaga, atau pengagihan sumber bukan sahaja melibatkan banyak pemboleh ubah, bahkan turut dipengaruhi oleh kekangan masa, kos, dan sumber manusia. Di sinilah saya bertemu dengan satu kaedah metaheuristik yang amat menarik: Tabu Search. Tabu Search diperkenalkan oleh Fred Glover sekitar awal 1980-an. Ia merupakan algoritma pencarian yang direka khas untuk menangani masalah pengoptimuman kombinatorik — masalah yang terlalu kompleks untuk diselesaikan secara ekshaustif. Keistimewaannya terletak pada penggunaan memori — sesuatu yang jarang dimanfaatkan dalam pendekatan algoritma konvensional.
Dalam bahasa mudah, Tabu Search "mengingati" jalan atau penyelesaian yang telah dicuba sebelum ini dan tidak akan mengulanginya. Dengan itu, ia dapat mengelak daripada tersekat dalam local optimum — keadaan di mana penyelesaian kelihatan terbaik secara tempatan, tetapi bukan yang terbaik secara keseluruhan.
Saya tertarik dengan ciri ini kerana banyak masalah yang saya teliti pada ketika itu – seperti penjadualan dan ramalan bekalan – memerlukan penyelesaian optimum di bawah pelbagai kekangan. Tabu Search membenarkan pencarian lebih kreatif dan luas, sambil mengelakkan kesilapan berulang.
Penjadualan Kuliah Universiti
Salah satu projek pertama saya menggunakan Tabu Search ialah dalam pembangunan sistem penjadualan kuliah untuk sebuah universiti awam. Pada ketika itu, dilakukan secara manual oleh pentadbir akademik yang terpaksa menyusun lebih 300 kursus, 100 pensyarah, dan lebih 80 bilik kuliah — semuanya dengan kekangan masa, keperluan bilik khas, serta keutamaan pensyarah. Tugas membangun jadualwaktu tanpa ada pertindihan bilik kuliah, masa dan pensyarah menjadi matlamat utama. Projek PhD saya adalah menyelesaikan masalah pengoptimuman jadual waktu. Saya membina model penjadualan automatik berdasarkan Tabu Search, dengan beberapa objektif utama:
Mengurangkan pertindihan jadual bagi pensyarah dan pelajar.
Memaksimumkan penggunaan bilik dan masa.
Mengambil kira keutamaan (soft constraints) seperti waktu pilihan pensyarah dan keperluan bilik khas.
Melalui Tabu Search, saya dapat menghasilkan jadual lengkap dalam masa kurang 10 minit — sesuatu yang sebelum ini memakan masa hampir dua minggu. Selain daripada mempercepatkan proses, model ini juga mengurangkan ralat manual dan konflik jadual secara signifikan.
Perluasan kepada Ramalan Permintaan Bekalan Elektrik
Setelah berjaya dalam sektor pendidikan, saya mula tertarik untuk mengaplikasikan pendekatan ini dalam sektor tenaga — khususnya dalam membuat ramalan permintaan bekalan elektrik di Semenanjung Malaysia.
Bersama pelajar PhD saya, kami meneroka bidang ini. Beliau yang bertugas sebagai jurutera letrik di TNB, kami kaji masalah permintaan. Masalahnya kelihatan mudah pada permukaan: "Berapa jumlah tenaga elektrik yang diperlukan oleh negara pada masa akan datang?" Namun realitinya ia jauh lebih kompleks. Permintaan tenaga dipengaruhi oleh faktor ekonomi, cuaca, musim perayaan, pertumbuhan industri, dan pelbagai lagi. Perubahan dimensi yang dinamik menjadikan aktiviti meramal permintaan sukar dilakukan dengan ralat yang kecil.
Model yang saya bangunkan menggunakan gabungan:
Tabu Search untuk mencari kombinasi parameter terbaik,
Model ARIMA dan regresi untuk unjuran asas, dan
Fuzzy logic untuk menangani ketidakpastian dan faktor kualitatif.
Dengan pendekatan hibrid ini, kami berjaya menurunkan ralat ramalan (forecast error) ke tahap yang jauh lebih rendah berbanding model-model sedia ada yang digunakan oleh agensi tenaga pada waktu itu. Malah, hasil kajian ini telah dijadikan rujukan oleh beberapa syarikat tenaga dan turut dibentangkan di peringkat antarabangsa. Beberapa kertaskerja yang diterbitkan di journal antarabangsa menjadi bahan rujukan penyelidik dunia.
Refleksi dan Implikasi
Menggunakan Tabu Search mengajar saya dua perkara penting dalam dunia penyelidikan aplikasi:
Kreativiti dalam Matematik. Matematik bukan sekadar pengiraan tepat — ia memerlukan imaginasi dalam mereka bentuk penyelesaian kepada masalah dunia sebenar. Tabu Search memberikan ruang untuk eksperimen dan eksplorasi yang lebih luas, tanpa terikat kepada andaian rigid model klasik.
Pengaruh terhadap Pembuat Keputusan. Model yang baik hanyalah sebaik tahap penerimaannya dalam kalangan pengguna sebenar. Dalam semua aplikasi saya, saya pastikan model yang dibina mudah digunakan dan difahami oleh pengamal — bukan sekadar cantik di atas kertas akademik. Di sinilah komunikasi menjadi penting, dan saya belajar untuk menterjemah istilah teknikal kepada bahasa yang relevan kepada pihak berkepentingan.
Penutup Bahagian Ini
Tabu Search bukan sekadar satu algoritma; ia satu pendekatan pemikiran — satu falsafah pencarian solusi yang menghormati sejarah langkah lalu dan memilih untuk terus mara ke hadapan. Ia telah membuka jalan kepada pelbagai penerokaan lain dalam penyelidikan saya, dan menjadi asas kepada beberapa gabungan teknik lanjutan seperti hybrid fuzzy-taboo model dan forecasting optimization using soft computing yang akan saya huraikan dalam bahagian seterusnya.
Sistem Pakar dan Kecerdasan Buatan: Meramal Berdasarkan Kebijaksanaan
Selepas saya mendalami Tabu Search dan memahami potensinya dalam menangani masalah pengoptimuman, saya mula beralih kepada satu lagi cabang penting dalam bidang peramalan: Sistem Pakar (Expert Systems). Jika Tabu Search menawarkan pendekatan pencarian penyelesaian berdasarkan algoritma dan memori, maka sistem pakar pula mencerminkan satu usaha untuk meniru kebijaksanaan manusia dalam membuat keputusan, khususnya apabila maklumat tidak lengkap atau tidak pasti.
Sistem Pakar merupakan antara aplikasi awal kecerdasan buatan (AI) yang sangat saya minati, kerana ia membolehkan komputer membuat inferens — iaitu ‘berfikir’ berdasarkan aturan logik seperti yang dilakukan oleh pakar manusia. Dalam konteks ramalan, sistem ini boleh digunakan untuk membuat keputusan secara berperingkat dan berdasarkan himpunan pengetahuan yang dikodkan.
Permulaan: Menstrukturkan Pengetahuan
Cabaran pertama dalam membangunkan Sistem Pakar adalah mengumpul dan menstrukturkan pengetahuan. Saya mengambil pendekatan yang bersifat kolaboratif. Dalam beberapa projek awal saya — khususnya berkaitan dengan sektor logistik dan perancangan bekalan makanan — saya duduk berbincang dengan pakar lapangan: pentadbir gudang, pakar pemasaran, jurutera logistik, dan pegawai kerajaan.
Saya bertanya kepada mereka:
Bagaimana anda membuat keputusan apabila data tidak lengkap?
Apakah ‘naluri’ yang anda guna apabila angka tidak menentu?
Dalam kes kecemasan, apa keutamaan anda?
Daripada perbualan ini, saya membina satu sistem berbentuk ‘if-then rules’ yang mencerminkan logik pakar. Contohnya:
If permintaan dijangka meningkat > 20% and inventori semasa < 50% kapasiti optimum,
then aktifkan pesanan kecemasan tambahan.
Melalui kombinasi ratusan aturan seperti ini, sistem pakar boleh ‘menasihati’ pengguna untuk membuat keputusan hampir seolah-olah mereka berbicara dengan seorang pakar sebenar.
Aplikasi: Ramalan Bekalan Makanan Asas Negara
Salah satu aplikasi penting sistem pakar yang saya bangunkan ialah dalam meramalkan keperluan bekalan makanan asas negara seperti beras, minyak masak, dan gula. Ini bukan sekadar isu ekonomi, tetapi juga isu keselamatan negara. Ketika berlaku krisis makanan atau gangguan bekalan global, keputusan perlu dibuat dengan pantas dan berdasarkan maklumat tidak lengkap.
Dengan sistem pakar, saya membina satu rangka kerja yang menggabungkan:
Pengetahuan pakar ekonomi dan pertanian,
Data sejarah permintaan dan pengeluaran,
Faktor risiko seperti cuaca, politik, dan perdagangan global.
Model ini kemudiannya diintegrasikan dengan modul peramalan statistik yang menyediakan unjuran asas, dan sistem pakar bertindak sebagai ‘penilai’ serta ‘penasihat’ terhadap unjuran tersebut.
Hasilnya, sistem ini bukan sahaja dapat menjangkakan pola permintaan, malah dapat mencadangkan tindakan proaktif seperti peningkatan import sementara atau pengeluaran dari stok simpanan negara.
Menggabungkan dengan Logik Kabur (Fuzzy Logic)
Saya mendapati bahawa sistem pakar menjadi lebih berkesan apabila digabungkan dengan Fuzzy Logic, kerana dalam banyak kes, maklumat yang digunakan adalah bersifat kualitatif dan samar. Sebagai contoh, jika seorang pegawai memberi maklum balas bahawa “permintaan dijangka meningkat sedikit dalam musim cuti sekolah”, apakah nilai kuantitatif untuk “sedikit”?
Dengan Fuzzy Logic, saya boleh menukar kenyataan samar itu kepada skala kebarangkalian berdasarkan fungsi keahlian (membership function). Contohnya:
"Sedikit" = 0.2
"Sederhana" = 0.5
"Tinggi" = 0.8
Dengan cara ini, Sistem Pakar bukan sahaja menjadi lebih fleksibel, tetapi juga lebih hampir kepada cara manusia sebenar membuat keputusan — iaitu berdasarkan pengalaman, persepsi dan jangkaan.
Refleksi Peribadi: Ilmu dan Empati
Apa yang saya pelajari melalui pembangunan sistem pakar ialah bahawa ilmu tidak hanya wujud dalam bentuk data atau angka, tetapi juga dalam pengalaman tersirat (tacit knowledge). Banyak keputusan besar dalam dunia sebenar dibuat berdasarkan intuisi dan pemahaman konteks — bukan semata-mata kiraan.
Sebagai ahli akademik, saya sedar bahawa peranan saya bukan hanya mengembangkan model, tetapi juga mendengar, bertanya, dan memahami manusia di sebalik data. Inilah kekuatan sebenar Sistem Pakar — ia mengiktiraf kebijaksanaan manusia, dan cuba menzahirkan kebijaksanaan itu dalam bentuk yang boleh digunakan berulang kali.
Penutup Bahagian Ini
Sistem Pakar telah mengajar saya bahawa peramalan bukan semata-mata isu angka, tetapi juga soal nilai, konteks dan kepercayaan. Ia menjadikan peramalan lebih inklusif — bukan hanya untuk ahli statistik atau pengatur cara, tetapi juga untuk para pembuat dasar, pentadbir dan pengguna sistem itu sendiri.
Gabungan antara logik matematik dan kebijaksanaan manusia inilah yang saya percaya menjadi kunci kepada model-model peramalan masa depan yang lebih holistik dan berkesan.
Bahagian seterusnya akan menyentuh:
🧠“Neural Network: Meniru Otak Manusia dalam Ramalan”
Adakah mahu saya teruskan sekarang atau ada perkara yang ingin ditambah terlebih dahulu oleh Profesor?
, walaupun berpengalaman, sering kali menghadapi kesukaran untuk memproses sejumlah besar maklumat yang bersifat tidak pasti dan kabur. Di sinilah saya melihat peranan besar model matematik untuk masuk campur dan menawarkan penyelesaian.
Dengan dorongan itu, saya menelusuri pelbagai pendekatan dalam dunia ramalan — dari model statistik tradisional kepada pendekatan berasaskan kecerdasan buatan. Antara pendekatan yang saya tekuni secara mendalam termasuklah Tabu Search, Sistem Pakar, Neural Network, dan Fuzzy Logic. Masing-masing hadir dengan kekuatan tersendiri dan apabila digabungkan secara strategik, ia mampu menghasilkan model yang amat ampuh dan praktikal.
Permulaan: Dari Model Statik ke Model Dinamik
Pada awal 1990-an, kebanyakan kajian ramalan masih tertumpu kepada model statistik konvensional seperti Moving Average, Exponential Smoothing, dan ARIMA. Saya turut memulakan penyelidikan saya melalui model-model ini kerana ia membina asas yang kukuh dalam memahami trend, musiman dan hubungan masa lalu.
Namun setelah beberapa tahun, saya mula mendapati bahawa pendekatan ini mempunyai kelemahan apabila berhadapan dengan data yang tidak stesenari atau situasi yang berubah secara dinamik. Model tradisional memerlukan andaian tertentu seperti lineariti dan kestabilan varians, yang sering tidak wujud dalam realiti. Maka saya mula mencari pendekatan alternatif yang lebih fleksibel dan adaptif.
Minat saya terhadap kecerdasan buatan (AI) dan heuristik bermula dari sini. Saya percaya bahawa dunia sebenar memerlukan model yang mampu 'belajar' dan menyesuaikan diri, bukan sekadar membuat pengiraan tetap berdasarkan formula tertentu. Oleh itu, saya memperkenalkan pelbagai pendekatan yang lebih canggih ke dalam kajian saya.
(Bahagian seterusnya akan merangkumi pengembangan terperinci bagi setiap teknik: Tabu Search, Sistem Pakar, Neural Network dan Fuzzy Logic)
Jika Profesor bersetuju, saya akan teruskan dengan Bahagian Kedua: Tabu Search – Melangkaui Sekatan Tradisional, dan seterusnya sehingga lengkap kepada 3000 patah perkataan. Adakah mahu saya teruskan di sini secara bersiri atau dalam fail Word apabila siap sepenuhnya?
You said:
ChatGPT said:
Baik, saya akan kembangkan topik "Tabu Search: Mengatasi Had Tradisional" kepada satu bahagian lengkap dalam memoir ini, dengan gaya penulisan naratif-reflektif, disasarkan kepada khalayak akademik dan umum yang berminat dalam aplikasi model matematik.
Tabu Search: Mengatasi Had Tradisional
Dalam perjalanan saya meneroka bidang ramalan, saya menyedari satu cabaran besar — dunia sebenar tidak pernah bersifat linear, statik, atau mudah. Masalah-masalah seperti penjadualan kuliah, perancangan tenaga, atau pengagihan sumber bukan sahaja melibatkan banyak pemboleh ubah, bahkan turut dipengaruhi oleh kekangan masa, kos, dan sumber manusia. Di sinilah saya bertemu dengan satu kaedah metaheuristik yang amat menarik: Tabu Search.alam bahasa mudah, Tabu Search "mengingati" jalan atau penyelesaian yang telah dicuba sebelum ini dan tidak akan mengulanginya. Dengan itu, ia dapat mengelak daripada tersekat dalam local optimum — keadaan di mana penyelesaian kelihatan terbaik secara tempatan, tetapi bukan yang terbaik secara keseluruhan.
Saya tertarik dengan ciri ini kerana banyak masalah yang saya teliti pada ketika itu – seperti penjadualan dan ramalan bekalan – memerlukan penyelesaian optimum di bawah pelbagai kekangan. Tabu Search membenarkan pencarian lebih kreatif dan luas, sambil mengelakkan kesilapan berulang.
Aplikasi Pertama: Penjadualan Kuliah Universiti
Salah satu projek pertama saya menggunakan Tabu Search ialah dalam pembangunan sistem penjadualan kuliah untuk sebuah universiti awam. Pada ketika itu, penjadualan dilakukan secara manual oleh pentadbir akademik yang terpaksa menyusun lebih 300 kursus, 100 pensyarah, dan lebih 80 bilik kuliah — semuanya dengan kekangan masa, keperluan bilik khas, serta keutamaan pensyarah.
Saya membina model penjadualan automatik berdasarkan Tabu Search, dengan beberapa objektif utama:
Mengurangkan pertindihan jadual bagi pensyarah dan pelajar.
Memaksimumkan penggunaan bilik dan masa.
Mengambil kira keutamaan (soft constraints) seperti waktu pilihan pensyarah dan keperluan bilik khas.
Melalui Tabu Search, saya dapat menghasilkan jadual lengkap dalam masa kurang 10 minit — sesuatu yang sebelum ini memakan masa hampir dua minggu. Selain daripada mempercepatkan proses, model ini juga mengurangkan ralat manual dan konflik jadual secara signifikan.
Perluasan kepada Ramalan Permintaan Bekalan Elektrik
Setelah berjaya dalam sektor pendidikan, saya mula tertarik untuk mengaplikasikan pendekatan ini dalam sektor tenaga — khususnya dalam membuat ramalan permintaan bekalan elektrik di Semenanjung Malaysia.
Masalahnya kelihatan mudah pada permukaan: "Berapa jumlah tenaga elektrik yang diperlukan oleh negara pada masa akan datang?" Namun realitinya ia jauh lebih kompleks. Permintaan tenaga dipengaruhi oleh faktor ekonomi, cuaca, musim perayaan, pertumbuhan industri, dan pelbagai lagi.
Model yang saya bangunkan menggunakan gabungan:
Tabu Search untuk mencari kombinasi parameter terbaik,
Model ARIMA dan regresi untuk unjuran asas, dan
Fuzzy logic untuk menangani ketidakpastian dan faktor kualitatif.
Dengan pendekatan hibrid ini, kami berjaya menurunkan ralat ramalan (forecast error) ke tahap yang jauh lebih rendah berbanding model-model sedia ada yang digunakan oleh agensi tenaga pada waktu itu. Malah, hasil kajian ini telah dijadikan rujukan oleh beberapa syarikat tenaga dan turut dibentangkan di peringkat antarabangsa.
Refleksi dan Implikasi
Menggunakan Tabu Search mengajar saya dua perkara penting dalam dunia penyelidikan aplikasi:
Kreativiti dalam Matematik. Matematik bukan sekadar pengiraan tepat — ia memerlukan imaginasi dalam mereka bentuk penyelesaian kepada masalah dunia sebenar. Tabu Search memberikan ruang untuk eksperimen dan eksplorasi yang lebih luas, tanpa terikat kepada andaian rigid model klasik.
Pengaruh terhadap Pembuat Keputusan. Model yang baik hanyalah sebaik tahap penerimaannya dalam kalangan pengguna sebenar. Dalam semua aplikasi saya, saya pastikan model yang dibina mudah digunakan dan difahami oleh pengamal — bukan sekadar cantik di atas kertas akademik. Di sinilah komunikasi menjadi penting, dan saya belajar untuk menterjemah istilah teknikal kepada bahasa yang relevan kepada pihak berkepentingan.
Penutup Bahagian Ini
Tabu Search bukan sekadar satu algoritma; ia satu pendekatan pemikiran — satu falsafah pencarian solusi yang menghormati sejarah langkah lalu dan memilih untuk terus mara ke hadapan. Ia telah membuka jalan kepada pelbagai penerokaan lain dalam penyelidikan saya, dan menjadi asas kepada beberapa gabungan teknik lanjutan seperti hybrid fuzzy-taboo model dan forecasting optimization using soft computing yang akan saya huraikan dalam bahagian seterusnya.
Sistem Pakar dan Kecerdasan Buatan: Meramal Berdasarkan Kebijaksanaan
Selepas saya mendalami Tabu Search dan memahami potensinya dalam menangani masalah pengoptimuman, saya mula beralih kepada satu lagi cabang penting dalam bidang peramalan: Sistem Pakar (Expert Systems). Jika Tabu Search menawarkan pendekatan pencarian penyelesaian berdasarkan algoritma dan memori, maka sistem pakar pula mencerminkan satu usaha untuk meniru kebijaksanaan manusia dalam membuat keputusan, khususnya apabila maklumat tidak lengkap atau tidak pasti.
Sistem Pakar merupakan antara aplikasi awal kecerdasan buatan (AI) yang sangat saya minati, kerana ia membolehkan komputer membuat inferens — iaitu ‘berfikir’ berdasarkan aturan logik seperti yang dilakukan oleh pakar manusia. Dalam konteks ramalan, sistem ini boleh digunakan untuk membuat keputusan secara berperingkat dan berdasarkan himpunan pengetahuan yang dikodkan.
Permulaan: Menstrukturkan Pengetahuan
Cabaran pertama dalam membangunkan Sistem Pakar adalah mengumpul dan menstrukturkan pengetahuan. Saya mengambil pendekatan yang bersifat kolaboratif. Dalam beberapa projek awal saya — khususnya berkaitan dengan sektor logistik dan perancangan bekalan makanan — saya duduk berbincang dengan pakar lapangan: pentadbir gudang, pakar pemasaran, jurutera logistik, dan pegawai kerajaan.
Saya bertanya kepada mereka:
Bagaimana anda membuat keputusan apabila data tidak lengkap?
Apakah ‘naluri’ yang anda guna apabila angka tidak menentu?
Dalam kes kecemasan, apa keutamaan anda?
Daripada perbualan ini, saya membina satu sistem berbentuk ‘if-then rules’ yang mencerminkan logik pakar. Contohnya:
If permintaan dijangka meningkat > 20% and inventori semasa < 50% kapasiti optimum,
then aktifkan pesanan kecemasan tambahan.
Melalui kombinasi ratusan aturan seperti ini, sistem pakar boleh ‘menasihati’ pengguna untuk membuat keputusan hampir seolah-olah mereka berbicara dengan seorang pakar sebenar.
Aplikasi: Ramalan Bekalan Makanan Asas Negara
Salah satu aplikasi penting sistem pakar yang saya bangunkan ialah dalam meramalkan keperluan bekalan makanan asas negara seperti beras, minyak masak, dan gula. Ini bukan sekadar isu ekonomi, tetapi juga isu keselamatan negara. Ketika berlaku krisis makanan atau gangguan bekalan global, keputusan perlu dibuat dengan pantas dan berdasarkan maklumat tidak lengkap.
Dengan sistem pakar, saya membina satu rangka kerja yang menggabungkan:
Pengetahuan pakar ekonomi dan pertanian,
Data sejarah permintaan dan pengeluaran,
Faktor risiko seperti cuaca, politik, dan perdagangan global.
Model ini kemudiannya diintegrasikan dengan modul peramalan statistik yang menyediakan unjuran asas, dan sistem pakar bertindak sebagai ‘penilai’ serta ‘penasihat’ terhadap unjuran tersebut.
Hasilnya, sistem ini bukan sahaja dapat menjangkakan pola permintaan, malah dapat mencadangkan tindakan proaktif seperti peningkatan import sementara atau pengeluaran dari stok simpanan negara.
Menggabungkan dengan Logik Kabur (Fuzzy Logic)
Saya mendapati bahawa sistem pakar menjadi lebih berkesan apabila digabungkan dengan Fuzzy Logic, kerana dalam banyak kes, maklumat yang digunakan adalah bersifat kualitatif dan samar. Sebagai contoh, jika seorang pegawai memberi maklum balas bahawa “permintaan dijangka meningkat sedikit dalam musim cuti sekolah”, apakah nilai kuantitatif untuk “sedikit”?
Dengan Fuzzy Logic, saya boleh menukar kenyataan samar itu kepada skala kebarangkalian berdasarkan fungsi keahlian (membership function). Contohnya:
"Sedikit" = 0.2
"Sederhana" = 0.5
"Tinggi" = 0.8
Dengan cara ini, Sistem Pakar bukan sahaja menjadi lebih fleksibel, tetapi juga lebih hampir kepada cara manusia sebenar membuat keputusan — iaitu berdasarkan pengalaman, persepsi dan jangkaan.
Refleksi Peribadi: Ilmu dan Empati
Apa yang saya pelajari melalui pembangunan sistem pakar ialah bahawa ilmu tidak hanya wujud dalam bentuk data atau angka, tetapi juga dalam pengalaman tersirat (tacit knowledge). Banyak keputusan besar dalam dunia sebenar dibuat berdasarkan intuisi dan pemahaman konteks — bukan semata-mata kiraan.
Sebagai ahli akademik, saya sedar bahawa peranan saya bukan hanya mengembangkan model, tetapi juga mendengar, bertanya, dan memahami manusia di sebalik data. Inilah kekuatan sebenar Sistem Pakar — ia mengiktiraf kebijaksanaan manusia, dan cuba menzahirkan kebijaksanaan itu dalam bentuk yang boleh digunakan berulang kali.
Penutup Bahagian Ini
Sistem Pakar telah mengajar saya bahawa peramalan bukan semata-mata isu angka, tetapi juga soal nilai, konteks dan kepercayaan. Ia menjadikan peramalan lebih inklusif — bukan hanya untuk ahli statistik atau pengatur cara, tetapi juga untuk para pembuat dasar, pentadbir dan pengguna sistem itu sendiri.
Gabungan antara logik matematik dan kebijaksanaan manusia inilah yang saya percaya menjadi kunci kepada model-model peramalan masa depan yang lebih holistik dan berkesan.
No comments:
Post a Comment