PERANCANGAN CERDAS

JEMBATAN SAINS & TEKNOLOGI DENGAN KEIMANAN

PEMBANDING TEORI EVOLUSI

Ajar Permonoapermono_id@hotmail.com

08157913863

Agustus 2009

ARTIKELILMIAH

POPULER

DAFTAR ISI

halamanSekapur Sirih ………………………………………………………….… 2Tentang Perancangan Cerdas …………………………………….. 4Deteksi Perancangan .................................................... 11Mencari Model matematis ………………………………………….. 13Pola Flagela E.coli …………………………………………………….. 36Akhirul Kalam …………………………………………………………… 41Nara Sumber ……………………………………………………………. 42Tentang Penulis ……………………………………………………….. 43

1

TIDAK UNTUK DIPERJUALBELIKAN

SEKAPUR SISRIH

Pembaca yang budiman, dunia ilmu alam (natural science) khususnya paham Perancangan Cerdas (intelligent design) tengah mengalami perkembangan cukup pesat dalam beberapa tahun terakhir ini. Perancangan Cerdas adalah ilmu yang mempelajari informasi tanda-tanda perancangan (signs of design) pada fenomena atau obyek alam. Dengan demikian obyek alam termasuk makhluk hidup pada dasarnya mengandung unsur atau tanda-tanda perancangan atau jejak kreasi kecerdasan alih-alih buah dari proses seleksi alam yang tak terbimibing (merujuk Teori Evolusi). Teori Perancangan Cerdas (intelligent design) secara filsafati merupakan faham yang beroposisi dengan Daewinisme / Teori Evolusi (khususnya Evolusi Makro yang diantaranya menyatakan bahwa ”nenek moyang” manusia adalah kera). Bahwasanya telah banyak analisis kualitatif deskriptif yang menentang Darwinisme (antara lain ilmuwan

2

dari Turki Harun Yahya). Dalam hal ini Teori Perancangan Cerrdas memberi penguatan dari aspek analisis kuantitatif.

Teori Perancangan Cerdas lebih bernuansa Ilahiah dibanding Teori Evolusi yang cenderung sekuler. Namun demikian perlu diketahui bahwa Teori Perancangan Cerdas berada dalam koridor ilmu alam bukan ilmu agama. Namun begitu rasanya tidak perlu mempersilangkan Teori Perancangan Cerdas dengan faham agama karena sesungguhnya ada keselarasan diantara keduanya. Pengetahuan pendukung Teori Perancangan Cerdas adalah: Biologi (Biokimia dan Biologi Molekuler), Matematika Komputasi, Teori Informasi dan (sedikit) Filasafat. Struktur Teori Perancangan Cerdas cukup kokoh sehingga absah untuk disebut pengetahuan ilmiah (bukan pseudo ilmiah).

Di Amerika dan beberapa negara Eropa seperti Inggris, Perancis Teori Perancangan Cerdas sudah diajarkan di bangku sekolah berdampingan dengan Teori Evolusi. Turki juga sudah memulai. Untuk Indonesia , kiranya perlu dipikirkan untuk memasukkan Teori Perancangan Cerdas dalam kurikulum Biologi di SMA dan Ilmu Alamiah Dasar di Universitas sebagai pembanding Teori Evolusi yang sudah diajarkan lebih dahulu.

Pembaca yang budiman, meskipun sarat dengan perhitungan teknis, sejatinya artikel ini diperuntukkan bagi khalayak umum. Oleh karenanya bagi pembaca yang tidak begitu menggemari matematika, untuk bab Mencari Model Matematis, dipersilahkan membaca ”sekedarnya”. Sungguhpun begitu, besar harapan penulis akan umpan balik para pembaca guna penyempurnaan, terlebih Teori

3

Perancangan Cerdas masih sangat-sangat terbuka untuk dieksplorasi.

Bagimu Negeri, Agustus 2009

Penulis

TENTANG PERANCANGAN CERDAS

Untuk menganalisis secara ilmiah bahwa suatu obyek alam mengandung tanda-tanda perancangan bukanlah perkara mudah terutama terkait dengan upaya pembuktian secara kuantitatif. Salah satu pendekatan kuantitatif dalam perancangan cerdas adalah melalui Informasi Kerumitan Spesifik (complexity specified information, CSI). Didalam CSI terdapat teorema Kerumitan Spesifik (specified complexity). Kerumitan merujuk pada keadaan obyek yang amat rumit (highly complex) sekaligus amat jarang terjadi (highly improbable), sedangkan spesifik menandakan adanya pola (pattern) tertentu yang berdiri sendiri pada obyek tersebut. Salah satu piranti (sistem) penyeleksi Perancangan Cerdas adalah Explanatory Filter

4

termodifikasi. Obyek alam yang lolos sistem tersebut terindikasi mengandung tanda-tanda perancangan (sign of design) sekaligus menyanggah kemunculan obyek tersebut buah dari seleksi alam dan mutasi acak secara tak terbimbing (merujuk Teori Evolusi).

Selama ini pengetahuan deteksi tanda-tanda perancangan secara umum telah diterapkan pada bidang arkeologi dalam kategorisasi artefak apakah sebagi hasil karya (perancangan) manusia atau ”produk alam”. Kemudian pada bidang transmisi sinyal kode untuk mendeteksi kecerdasan luar angkasa (search for extra terestrial intelligent, SETI). Selain itu juga dibidang forensik yakni untuk mengenali apakah luka/cacat sebagai hasil perbuatan manusia atau kejadian alami. Oleh karenanya menarik dan menantang untuk dilakukan penelitian terhadap obyek lain di alam - seperti makhluk hidup – yang masuk dalam kategori kerumitan spesifik sedimikian sehingga dapat dinotasikan sebagai informasi kerumitan spesifik atau CSI.

Salah satu obyek biologi yang sarat dengan informasi kerumitan spesifik atau CSI adalah bakteri Esherichia coli (E.coli berukuran beberapa mikron, 1 mikron adalah seperseribu milimeter). Bakteri tersebut mempunyai flagela (semacam ”ekor”) yang dapat berputar dengan kecepatan hingga puluhan ribu rpm dan dapat berganti arah putaran dalam sekejap. Flagela berfungsi sebagai mesin penggerak laju bakteri dalam mendekati makanan. Bila diamati dengan mikrograf elektron terlihat bahwa flagela mempunyai komponen yang sangat mekanis layaknya mesin penggerak buatan manusia yakni terdapat stator, ring, sambungan dan

5

sebagainya sehingga disebut sebagai Mesin Molekuler (mesin berukuran molekul).

Pendapat beberapa pakar dan catatan pustaka tentang Perancangan Cerdas antara lain adalah sebagai berikut: perancangan cerdas (intelligent design, ID) adalah suatu faham pemikiran yang menyatakan bahwa beberapa sifat alam semesta dan makhluk hidup menampilkan ciri-ciri hasil produk "sebuah sebab yang intelijen (dalam artian sifat), alih-alih sebuah proses yang tidak terbimbing seperti seleksi alam." (Discovery Institute. 2001). Para pendukung perancangan cerdas mengklaim bahwa teori perancangan cerdas sama absahnya atau bahkan lebih bila dibandingkan dengan teori-teori ilmiah saat ini yang terkait dengan asal mula kehidupan (Stephen C. Meyer, 2005).

Menurut William Dembski – yang dianggap sebagai Michael Jacksonnya Teori Perancangan Cerdas - bahwa perancangan cerdas bukanlah kelanjutan dari faham kreasinisme (creationism) yang pernah muncul lebih dahulu tapi tidak berkembang lantaran cenderung bersifat dogmatis. Dinyatakan bahwa Perancangan Cerdas mengkhususkan pada deteksi dan perumusan tanda-tanda perancangan (sign of design) atas obyek alam tanpa mempermasalahkan maksud tujuan dibalik perancangan obyek tersebut sebagaimana domain faham kreasinisme. Namun demikian diakui bahwa perancangan cerdas dapat ditempatkan juga sebagai penyanggahan atas teori evolusi.

Salah satu upaya agar faham perancangan cerdas dapat lebih diukur, perlu dikembangkan teorema informasi kompleksitas spesifik (complexity specified information, CSI).

6

Analisis kompleksitas itu sendiri dapat menjadi lebih terukur manakala dituangkan dalam suatu model matematis. Pemilihan atas pendekatan statistik Fisherian dan Bayesian menjadi krusial, tetapi sejauh ini pendekatan Fisherian dipandang lebih sesuai. Teori probabilitas (stokastik) model Fesherian digunakan untuk melakukan analisis matematika terhadap terminologi kerumitan spesifik. Diketahui bahwa spesifikasi merupakan unsur penting dalam pengujian signifikasi statistik. Pendekatan Fisherian tentang hipostesa statistik signifikasi, diantaranya adalah tentang eliminasi suatu hipotesis peluang dimana sampel jatuh dalam pra-spesifikasi daerah penolakan (Dembski, 1998).

Dalam bidang biologi molekuler salah satu penelitian fenomenal yang dilakukan oleh Michael Behe adalah eksplorasi flagela bakteri Escherichia coli . Dalam penelitian tersebut tergambar bahwa flagela bakteri E. coli berbentuk sangat mekanis sebagaimana layaknya kelengkapan mesin penggerak buatan manusia. Pengamatan atas struktur flagela bakteri E. coli mengungkap adanya keadaan kerumitan tak-tersederhanakan (irreducible complexcity). Diartikan bahwa kemunculan seluruh komponen flagela adalah secara bersamaan dalam kesatuan yang tak terpisahkan alih-alih terbentuk melalui proses evolusi. Dengan demikian manakala salah satu komponen dihilangkan maka hilanglah seluruh fungsi flagela.

Bakteri E. coli merupakan bakteri jenis prokariot penyebab sakit perut atau diare. Bakteri ini mempunyai flagela. Flagela adalah semacam ”ekor” yang berfungsi sebagai lokomotif pergerakan bakteri. Dikatakan semacam ekor oleh karena letaknya bisa diujung atau disamping sel

7

bakteri dengan jumlah bervariasi mulai dari satu, dua, tiga, empat hingga delapan flagela per sel seperti terlihat pada gambar 1.

Gambar 1. Bakteri E.coli dengan flagelaSumber: Journal PNAS

8

Gambar 2. Komponen flegela bakteri E. Coli Sumber: Journal PNAS

Fenomena perputaran flagela begitu mekanis mirip dengan perputaran mesin atau alat hasil rekayasa oleh manusia. Flagela dapat berputar belasan ribu hingga puluhan ribu rpm dalam pergerakannya untuk memburu makanan. Seperti pada gambar 2 dan gambar 3, komponen flagela terdiri atas tiga bagian utama yakni bagian filamen, bagian sudut (hook) dan basal body. Bagian filamen terdiri atas filamen dan tip diujungnya. Bagian sudut terdiri atas sudut dan sambungan. Bagian basal body terdiri atas ring-L, rod, ring-P, ring-MS, stator, ring-C dan export apparatus. Masing-masing komponen ini mengandung protein yang berbeda-beda terkait dengan fungsinya masing-masing.

9

Gambar 3. Flagela bakteri E.coliSumber: Jurnal PNAS

Gambar 4. Diagram konsep mekanisme motor E.coliSumber: Darwin Black Box

DETEKSI PERANCANGAN

Metode deteksi perancangan tertuang dalam skema explanatory filter termodifikasi seperti pada gambar 5.

10

MULAI

Metode Fisherian

High Probable Kebiasaan

Intermmediate Probability ‘Kebetulan’

Kerumitan Spesifik

Analisis Explanatory Filter

Perancangan

Biologi Flagela E.coli

Model Matematis CSI Flagela E.coli

tidak

tidak

tidak

Ya

Ya

Ya

‘Kebetulan’

Gambar 5. Explanatory Filter termodifikasi

bahwa suatu obyek manakala probabilitas keberadaanya sangat sering (highly probable) dikategorikan sebagai produk ‘kebiasaan’ atau ‘hukum alam’. Selanjutnya bila suatu obyek probabilitas kehadirannya lumayan sering (intermmediate probability) dapat dikategorikan sebagai ‘kebetulan’. Apabila lolos dari filter kedua ini maka yang terakhir obyek diuji melalui filter ketiga yakni kerumitan spesifik (specified complexity). Obyek yang sukses melewati filter ketiga diartikan sebagai obyek hasil perancangan dengan ciri

11

1 N(X; ,) = e –1/2[(x-)/]2

22

polanya (pattern) sangat rumit dan mempunyai bersifat mutual yakni berdiri sendiri.

Dengan pendekatan statistik Fisherian atas explanatory filter termodifikasi maka dapat diperoleh model matematis kerumitan spesifik yang kemudian pola flagela bakteri E.coli disubstitusikan kedalamnya .

MENCARI MODEL MATEMATISBasis pencarian model matematis adalah turunan

atas analisis yang dilakukan oleh William Dembski melalui pendekatan statistik Fisherian dengan modifikasi dibeberapa bagian.

Pengujian Signifikasi FisherianPendekatan Fisherian melalui distribusi normal begitu banyak dimanfaatkan dalam statistik terapan diberbagai

12

xa P = f(x) dx - xa

bidang. Kurva distribusi normal berbentuk seperti gambar 4 dibawah dengan bentuk yang simetris. Kurva mencapai puncak pada saat X= . Luas daerah di bawah kurva adalah 1; ½ di sisi kanan nilai tengah dan ½ di sisi kiri, dengan persamaan matematis:

Gambar 4. Kurva Distribusi Normal

Dalam hal ini X suatu variabel acak dengan harga -< x <

dan harga = 3,14159, harga e = 2,71828, sedangkan adalah deviasi standar. Luasan antara kedua –xa dan xa

merupakan probabilitas yang dinyatakan dengan:

Sebagaimana perhitungan statistik standar, berikut contoh perhitungan:Diketahui data berdistribusi normal dengan mean = 55 dan deviasi standar =15, berapakah probabilitas daerah penolakan ( x ≤ - x a atau x ≥ x a ) ?

13

Diambil pada sisi positif dan dicari probabilitas daerah antara dengan xa ,P (-xa ≤ x ≥ xa) = P [0 ≤ Z ≤ = (xa – ) /]

= P [0 ≤ Z ≤ = (xa – 55) /15] Misalkan harga xa = 85 maka:P ( ≤ x ≥ xa) = P (0 ≤ Z ≤ 2,0) selanjutnya,P (x ≥ 85) = 0,5 - P (0 ≤ Z ≤ 2,0)

= 0,5 – 0,4772 (dengan tabel distribusi normal)P (x ≥ xa) = 0,0288Daerah penolakan dengan probabilitas 0,0288 untuk beberapa bidang terapan mungkin dianggap cukup kecil. Namun bila dikaitkan dengan terminologi spesifikasi dimana probabilitas kejadian adalah hampir mustahil (highly improbable) maka besaran probabilitas diatas sangat besar. Inilah problema pendekatan Fisher dimana probabilitas daerah penolakan yang disebut dengan taraf nyata

(signifiance level) dengan simbul α bersifat semu. Dalam

praktek statistik sering ditentukan besaran α adalah 5% (0,05) atau 1 % (0,01). Besaran tersebut diduga muncul berdasarkan pengalaman berulang-ulang sehingga bersifat empiris. Meskipun begitu sejatinya penentuan besaran taraf nyata perlu ditopang landasan teori yang memadai, sayangnya seolah-olah hal itu tidak dianggap penting lagi. Untuk daerah penolakan yang menjamin penolakan hipotesis peluang, taraf nyata atau dalam hal ini probabilitas eliminasi peluang haruslah kecil. Persoalannya adalah seberapa kecilkah sedemikian sehingga jika sampel jatuh didalamnya maka hipotesis peluang dapat ditolak secara absah? Taraf nyata α selalu mempunyai angka riil positif kurang dari 1. Manakala suatu kejadian A jatuh didalam daerah penolakan (dinyatakan dengan T), kemudian probailitas daerah

14

penolakan memberi hipotesa peluang (disebut H) diamana

α < (P(T/H) < α , maka hipotesis peluang H menjadi ditolak.

Taraf nyata diumpamakan sebagai batas atas daerah penolakan sehingga daerah penolakan cukup kecil untuk jastifikasi hipotesis peluang (idenya adalah membuat target sedemikian kecil dimana sampel yang jatuh didalamnya difahami bukan karena ’kebetulan’). Daerah penolakan akan mengeliminasi hipotesis peluang manakala even yang terkait dengan hipostesis tersebut jatuh di daerah penolakan. Selanjutnya dalam konteks penentuan spesifikasi melalui pendekatan Fisherian, probabilitas mengacu pada sejumlah peluang suatu even untuk terjadi. Semakin besar peluang even semakin besar probabilitas untuk mendarat di daerah penolakan sehingga semakin besar hipotesis peluang untuk ditolak.

Berikut contoh pengolahan data yang menunjukkan perbandingan atau perbedaan yang besar probabilitas suatu even dengan even lainnya. Seorang pakar statistik diskenariokan melakukan penelitian bekerjasama dengan sebuah lembaga pemasyarakatan. Percobaan yang dilakukan adalah pelemparan koin bagi tahanan kelas berat sebagai pengganti aktivitas lazimnya di tahanan seperti pendidikan ketrampilan dan sebagainya. Salah seorang tahanan yang divonis kurungan 15 tahun ditugaskan melempar koin setiap 7 detik dan seorang tahanan lainnya mencatat hasil lemparan. Dengan durasi efektif selama 8 jam per hari, maka dalam satu hari tahanan tersebut telah melempar koin sebanyak 3.360 kali. Bila selama satu minggu tugas pelemparan koin tersebut libur saat hari sabtu dan minggu,

15

maka hasil lemparan perminggu adalah 16.800 kali, atau dalam sebulan dihasilkan lemparan sekitar 67.200 kali. Selanjutnya dalam satu tahun akan diperoleh sekitar 806.400 lemparan dan selama 10 tahun dilakukan lemparan koin sebanyak kurang lebih 8 juta kali. Dari lemparan 8 juta kali tersebut ternyata secara probabilitas hanya dapat menghasilkan suatu lemparan pada sisi muka atau belakang sebanyak 22 kali secara berurutan (catatan: 222 adalah sekitar 4 juta yakni setengah dari jumlah total koin yang dilempar). Jadi secara umum akan memerlukan waktu 10 tahun untuk menghasilkan lemparan pada salah satu sisi secara berurutan. Sekarang coba bandingkan probabilitas mendapatkan untuk 30 sisi muka atau belakang secara berurutan membutuhkan 230 atau sekitar 1 milyar lemparan koin. Dengan ketentuan seperti diatas, koin dilempar setiap 7 detik dan seterusnya, maka diperlukan 1.331 tahun. Bagaimana dengan probabilitas munculnya 100 sisi muka atau belakang? Dengan hitungan yang sama akan diperlukan 1030 lemparan koin yang berarti memerlukan waktu 1,5 x 1024 tahun. Perlunya tahanan menghasilkan 100 sisi muka atau belakang secara berurutan memerlukan taraf nyata sekitar 1 dalam 1030. Dalam teori Fisher pengujian taraf nyata merupakan even pra-spesifik dengan probabilitasnya begitu kecil yang cukup untuk mengeliminasi hipotesis peluang.

Kerapatan ProbabilitasDalam logika pendekatan Fisher yang kemudian

dikembangkan oleh William Dembski dikemukakan bahwa pada pengujian taraf nyata, diperlukan identifikasi pada pola suatu obyek T sebelum kejadian A agar peluang even A absah ditolak karena A jatuh di daerah penolakan T. Hal ini

16

menghindari adanya rekayasa dimana suatu pola (dalam hal ini T) dipaksakan pada even (dalam hal ini A) setelah kejadian. Contoh misalnya seorang pemanah membidik dinding yang lebar, begitu anak panah mengenai dinding, titik di dinding yang tertembus anak panah kemudian dilingkari sebagai target. Oleh karenanya perlu dikenalkan ruang sample S dimana pola dan kejadian dapat diidentifikasi sebelumnya. Untuk ruang sampel S adalah terhingga (finite) atau tak terhingga (infinite) , pengukuran ini lazim untuk menghitung jumlah elemen dari S. Dengan mencatat netralitas pengukuran yang terhingga akan menghasilkan probabilitas merata (uniform probability). Jika S adalah tak terhitung dan tak terikat, kemudahan pengukuran ini menjadi probabilitas merata dengan batas yang merupakan bagian dari S. Sekarang mengacu pada kemudahan pengukuran sebagai U. Adanya U untuk mengeliminasi hipotesis peluang adalah memungkinkan probabilitas yang berbentuk P(.|H) direpresentasikan sebagai probabilitas f.dU (produk fungsi non-negatif yang dikenal dengan fungsi kerapatan probabilitas). Huruf ”d” didepan U diperlukan untuk mengevaluasi probabilitas integral f terhadap U. Pendekatan Fisheran tentang pengujian hipotesis kerapatan probabilitas dimaksudkan untuk mengidentifikasi daerah penolakan yang dipakai untuk mengeliminasi peristiwa ’kebetulan’. Dalam hal ini batas maksimum xa diwakili oleh Tγ dan batas minimum dengan Tδ. Daerah penolakan ini menjadi extremal sets (penempatan secara ekstrim) dalam bentuk Tγ = {ωS | f(ω) ≥ γ} dan Tδ = {ω ∈ S | f(ω) ≤ δ} dimana (γ dan δ angka riil). Tγ terdiri atas semua kemungkinan di ruang sampel S dimana fungsi kerapatan f nilai minimumnya γ. Demikian juga untuk Tδ

terdiri atas semua kemungkinan di ruang sampel S dimana

17

1 f(x) = e -1/2x2

2

fungsi kerapatan f nilai maksimumnya adalah δ. Meskipun karakterisasi daerah penolakan sepertinya abstrak, namun pemahamannya sesungguhnya cukup sederhana. Bahwasanya setiap kerapatan probabilitas f berbentuk non-negatif fungsi angka riil didalam S. Bentuk f mungkin dapat disebut sebagai probability landscape (misalkan S sebagi pesawat dan f elevasi landscape yang melewati S). Harga f tidak dapat dibawah nol dan Tδ yang terkait dengan tempat tersebut dalam S dimana probabilitas landscape yang dibawa oleh f tidak boleh melebihi δ . Sementara Tγ yang terkait dengan tempat tersebut dalam S dimana probabilitas landscape yang dibawa oleh f paling tidak sama dengan γ. Untuk distribusi normal Tγ adalah daerah dibawah kurva yang terkait dengan maksimum dan adalah Tδ adalah daerah tepi. Agar jelasnya diumpamakan S adalah garis riil dimana hipotesis H menggambarkan distribusi normal. Dalam hal ini untuk probabilitas terukur f.dU yang terkait dengan P(.|H), fungsi densitas f mempunyai bentuk yang lebih sederhana dari persamaan sebelumnya.

Selanjutnya karena terdapat dua ekor paling tidak ada dua standar deviasi, sehingga P(Tδ |H) < 0,0288 (lihat contoh perhitungan sebelumnya). Dengan demikian untuk taraf

nyata α = 0,0288 dan even A jatuh didalam Tδ yang berati menolak A melalui hipostesis peluang H. Ini hanya sekedar contoh. Yang lebih penting adalah penentuan even A jatuh ke area Tδ . H yang membawa fungsi kerapatan probabilitas f secara otomatis juga membawa Tδ yang memberikan taraf

nyata α = 0,0288 dan cukup untuk mengeliminasi H 18

6.000.000 ! f (x1, x 2, x 3, x 4, x 5, x 6 ) = ( 1/6) 6.000.000 x1!x2!x3!x4!x5!x6!

manakala sampel A jatuh kedalam Tδ. Mengeliminasi peluang ketika sampel jatuh dalam extremal set merupakan tabiat statisik standar. Lain halnya dengan extremal set Tδ dimana kerapatan probabilitas dapat diberlakukan sebagai daerah penolakan meskipun daerah tersebut tidak secara eksplisit teridentifikasi sebelum percobaan. Sebagai contoh dibayangkan sebuah dadu dilempar 6 juta kali. Menurut hipotesis nol untuk dadu dengan probabilitas 1/6 dan bersifat mutual (mata dadu tidak tergantung satu dengan mata dadu lainnya). Mengingat ruang sampel S terdiri atas enam sisi terkait dengan lemparan dadu 6.000.000 kali yang setiap sisi mendarat persis seperti sisi lainnya. Jadi keenam sisi tersebut (1.000.000, 1.000.000, 1.000.000, 1.000.000, 1.000.000, 1.000.000) mewakili hasil pelemparan 6.000.000 kali danberada dalam S. Jelas disini bahwa terdapat ketidakwajaran yang cukup besar untuk mendapatkan satu juta tepat untuk setiap sisi dadu. Analisis yang dilakukan Dembski memungkinakan untuk menangani ketidakwajaran ini. Distribusi probabilitas dimana H mengenalkan S dengan distribusi multinomial dan untuk setiap enam sisi (x 1, x 2, x

3, x 4, x 5, x 6 ), dinyatakan sebagai :

Meskipun kombinasi dengan distribusi multinomial begitu rumit, posibilitas ruang kelas S (a.l. sejumlah elemen dalam S) dinyatakan sebagai |S| telah ditentukan dengan baik. Fungsi f ditentukan tidak hanya untuk probabilitas elemen tunggal (x 1, x 2, x 3, x 4, x 5, x 6 ) pada S tetapi juga densitas probabilitas terkait dengan penghitungan U (a.l P (.|H) = f.dU), dan mendapatkan kondisi maksimum 6 sisi dimana setiap sisi dadu tepat 1.000.000 kali. Selanjutnya dicoba γ

19

untuk menjadi f (x 1, x 2, x 3, x 4, x 5, x 6 ) dimana x 1 = x 2 = x

3, = x 4 = x 5 = x 6 = 1.000.000. Kemudian Tγ menentukan daerah penolakan sehubungan dengan elemen dalam S dimana f mencapai setidaknya harga γ. Karena γ adalah harga maksmimun f dan karena hanya satu 6 sisi dimana harganya diperoleh (a.l pada x 1 = x 2 = x 3, = x 4 = x 5 = x 6

= 1,000,000), hal ini mengikuti Tγ berisi hanya satu anggota dari S dan probabilitas dari Tγ adalah P(Tγ|H) = f (1.000.000, 1.000.000, 1.000.000, 1.000.000, 1.000.000, 1.000.000) yang diperkirakan sekitar 2,475 x 10-17. Daerah penolakan ini boleh dikata hampir mustahil (highly improbable) dan probabilitas menjadi lebih ekstrim dari taraf nyata yang telah ditetapkan. Dengan demikian jika kita mengobservasi tepat 1.000.000 sisi dadu, menurut pendekatan Fisherian dadu dilempar tidak berdasarkan ’kebetulan’ (melainkan ada rekayasa didalamnya). Disini dengan menetapkan ekor pada distribusi normal, deviasi sampel sepertinya menjadi terlalu besar dari perkiraan yang menunjukkan penempatan sampel terlalu kecil. Ini gambaran umum dari pengujian nyata (signifikasi) Fisherian yakni sampel yang jatuh di daerah penolakan Tδ terdeviasi dengan perkiraan yang terlalu besar malah jatuh di daerah penolakan yang diperkirakan terlalu kecil. Masalah kesesuaian perkiraan yang terlalu kecil mudah ditangani dalam pendekatan Fisher sebagaimana deviasi dari perkiraan yang terlalu besar.

Kesesuaian data yang keliru merupakan even yang spesifik dimana probabilitasnya tidak lebih dari 1 dalam 100.000 (probabioitas yanhg terlalu besar dibandingkan dengan 1 dalam 1017 yang terhitung dalam sampel). Fisher menyimpulkan ini sebagai rekayasa. Untuk melihatnya diberikan peluang hipotesis H, penentuan secara ekstrim Tγ

20

dan Tδ ditentukan hubungannya dengan fungsi densitas probabilitas dimana P(.|H) = f.dU. Selanjutnya dengan memberikan taraf nyata α dan sampel A jatuh diantara dua extremal sets. Pendekatan Fisher mengeliminasi H menghasilkan bahwa extremal sets mempunyai probabilitas lebih kecil dari α . Dalam penggunaan keduanya yakni Tγ dan Tδ untuk mengeliminasi hipostesis peluang H menjadikan begitu spesial terkait penetapan fungsi kerapatan probabilitas dengan pengukuran probabilitas P(.|H) = f.dU. Mengapa tidak membiarkan f sebagai fungsi angka riil yang ditentukan begitu saja ? Jelasnya beberapa pembatasan mesti diterapkan untuk f. Jika f dapat ditentukan semaunya maka untuk suatu subset A pada ruang kelas S, kita dapat menentukan f menjadi indikator fungsi 1B (dengan mendefiniskan fungsi sama dengan 1 manakala elemen S adalah B dan 0 begitu pula sebaliknya). Untuk setiap f , jika Tγ = {ωS | f(ω) ≥ γ} = B dan setiap bagian dari S menjadi extremal sets untuk beberapa fungsi f. Hal ini memungkinkan pendekatan Fisher untuk mengeliminasi hipotesis peluang apapun. Untuk setiap sampel A (dengan probabilitas cukup kecil), ditemukan subset B dari S termasuk A dan hal semacam itu P(A|H) lebih kecil dari taraf nyata berapapun nilainya. Maka untuk f = 1B and γ = 1, Tγ = B. Akibatnya jika pendekatan Fisher mengarah pada penentuan f secara bebas, H harus selalu ditolak. Jadi batasan apa pada f yang menjadikannya aman dari diskualifikasi hipotesa peluang ?

Mengulang bahwa pada awalnya bahwa cukup bagi daerah penolakan untuk ditentukan pada awal percobaan. Kemudian daerah penolakan berhubungan dengan fungsi kerapatan probabilitas yang terkait dengan hipotesis peluang

21

juga dipertanyakan efekitifitasnya. Akhirnya sepertinya tidak ada batasan pada fungsi f untuk mengeliminasi ’kebetulan’ sehingga tidak mempunyai legitimasi. Tetapi mengapa tanpa adanya batasan sama sekali tidak cukup untuk mengeliminasi ’kebetulan’? Inilah masalahnya bahwa hipotesa perlu dibuat dengan pasti di awal percobaan. Apa yang perlu untuk dicegah kemudian adalah membuat f tergantung atas A. Sebagai alternatif adalah bahwa f perlu indipenden terhadap sampel A. Kembali ke pertanyaan yang masih menggantung: dalam mengeliminasi H, bagaimana penentuan secara ekstrim Tγ and Tδ dalam fungsi kerapatan probabilitas terkait dengan hipotesis peluang H (dimana H membawa pengukuran probabilitas P(.|H) yang dapat mempresentasikan f.dU) ? Jawabannya: tidak ada yang khusus dengan f untuk menjadi fungsi kerapatan probabilitas terkait dengan H kecuali bila f dapat ditentukan secara indipenden terhadap A, even atau sampel yang diobesrvasi.

PemampatanSekitar setengah abad silam Andrei Kolmogorov,

Chatin dan Solomonof - seperti yang dilansir oleh William Dembski - melakukan penelitian urutan pelemparan koin secara random. Dengan contoh kasus yang nyata, jika kita melempar koin, untuk sisi muka dicatat sebagi ’1’ dan sisi belakang dicatat dengan ’0’. Dengan 100 pelemparan koin urutan hasilnya adalah:

(R) 11000011010110001101111111010001100011011001110111

22

00011001000010111101110110011111010010100101011110

Problem teori algoritma informasi untuk probabilitas adalah bagaimana membedakan urutan ini terkait derajat keacakan. Dengan teori probabilitas saja ternyata tidak mencukupi. Sebagai contoh selain melempar koin (R) hasil pelemparan lain sebagai berikut.

(N) 1111111111111111111111111111111111111111111111111 1111111111111111111111111111111111111111111111111

Urutan (R) di beri label ”acak” dan (N) dengan ”non-acak”. Kolmogorof dkk. ingin mengatakan (R) ”lebih acak” daripada (N). Dengan perhitungan probabilitas sebagaimana biasanya dinyatakan keduanya mempunyai probabilitas yang amat kecil yakni 1 dalam 2100 atau 1 dalam 1030. Menghadapi masalah ini kemudian dicoba menambahkan teori rekursion yang merupakan bagian logika matematika komputansi yakni adanya string 0 dan 1 sifat randomnya meningkat sebagaimana program komputer pendek. Dengan demikian urutan (N) tidak lagi acak karena menjadi pengulangan ’1’ sebanyak 100 kali, sehingga deskripasi (N) menjadi:

kopi ‘11111111111111111111111111111111111111111111111111

23

11111111111111111111111111111111111111111111111111’

Hasilnya terlihat menjadi lebih panjang. Bandingkan dengan urutan (H) dibawah:

(H) 1111111111111111111111111111111111111111111111111 00000000000000000000000000000000000000000000000000

pengulangan ‘1’ kemudian pengulangan ‘0’ sebanyak lima puluh kali. Dengan demikian urutan menjadi:

(K) 10101010101010101010101010101010101010101010101010 10101010101010101010101010101010101010101010101010

Dalam hal ini (K) mempunyai deskripsi yang pendek yaitu pengulangan ‘10’ sebanyak lima puluh kali. Urutan (R) disisi lain tidak pendek dan efisien (setidaknya belum ditemukan). Maka informasi algoritma menyatakan derajat keacakan (R) lebih tinggi dibanding urutan (N), (H), dan (K). Karenanya (R) dapat dideskripsikan urutannya sebagaimana dirinya sehingga menjadi:

24

kopi ‘11000011010110001101111111010001100011011001110111 00011001000010111101110110011111010010100101011110’

Deskripsi diatas merupakan deskripsi terpendek dari (R) . Adalah fakta bahwa kombinasi besar (banyak) atas urutan ’0’ dan ’1’ mempunyai deskripsi terpendek sebagimana urutannya sendiri. Dengan kata lain sebagaian besar urutan adalah acak dalam hal algoritma yang tak termampatkan. Hal tersebut dapat diartikan bahwa kumpulan urutan non-acak mempunyai probabilitas kecil diantara keseluruhan urutan sedemikian sehingga observasi urutan non-acak mempunyai alasan untuk dicari penjelasannya. Oleh karennya perlu dikonsepsi ulang algoritma acak dengan pendekatan Fisherian untuk mengeliminasi ’kebetulan’. Misal terdapat komputer dengan input terpisah dan memori output yang terdiri atas Z bit informasi (katakan jutaan bit). Setiap bit dalam memori output awalnya di set nol. Kemudian setiap urutan awal bit dalam memori input dipecah-pecah dalam banyak bytes seperti karakter ASCII dan diproses dengan program fortran yang mencatat hasilnya pada memori output. Berikutnya ditentukan panjang urutan bit u dalam memori input sebagai Z tanpa nomer yang tidak terinterupsi 0 sebagai akhir u. Maka jika u terdiri atas keseluruhan 0 maka punya panjang 0. Dilain pihak jika u mempunyai 1 dalam lokasi memori terakhir, u mempunyai panjang Z. Dengan perhitungan komputansi, muncul sebuah fungsi ψ (psi) untuk setiap urutan input u. Dengan program fortran jika program berhenti (a.l .karena loop yang tak

25

berakhir), akan keluar output v dalam output memori register. ψ adalah fungsi parsial (a.l. yang tak ditentukan untuk semua urutan Z bit tapi hanya untuk yang dapat diinterpretasi sebagaimana program fortran yang berhenti ketika dieksekusi). Sekarang ψ ditentukan mengikuti fungsi f dalam output memori register f (v) untuk v sebagai urutan pouput yang ditentukan sama dengan program terpendek u (a.l urutan input) seperti ψ (u) = v (diingat bahwa panjang u adalah Z minus jumlah yang tak terinterupsi 0 diakhir u); jika tidak ada u yang eksis (a.l jika tidak ada u dimana ψ dipetakan pada v), maka ditentukan f(v) = Z. Fungsi f adalah nilai integer dengan kisaran antara 0 dan Z. Kemudian diberikan bilangan riil δ yang dimasukkan extremal sets (ruang kelas S disini termasuk semua urutan Z bit yang mungkin dalam output register memori):

Tδ = {v ∈ S | f(v) ≤ δ}.

Sebagai kombinasi yang sederhana maka jika δ merupakan integer antara 0 dan Z, kardinalitas Tδ (a.l. sejumlah elemen dalam Tδ) tidak lebih besar dari 2δ+1. Jika kita mencatat bahwa kardinalitas Tδ dengan | Tδ | ini berarti | Tδ | ≤ 2δ+1. Argumentasi klaim ini jelas: fungsi ψ yang memetakan urutan input ke urutan output. Karena untuk setiap integer δ antara 0 dan Z, ada terutama 1 urutan input dengan panjang 0 , 2 urutan input dengan panjang 1, 4 urutan input dengan panjang 2,..., dan 2δ = 2δ+1 -1 < 2δ+1. Misalkan sekarang H sebagai hipotesis peluang mengkarakterisasi pelemparan koin. Setiap urutan output v dalam ruang kelas S maka probabilitasnya adalah 2-Z. Selanjutnya karena extremal sets Tδ berisi utamanya 2δ+1 elemen dari S dan diikuti probabilitas Tδ dibatasi H yang terikat sehingga menjadi:

P(Tδ |H) ≤ 2δ+1 / 2Z = 2δ+1-Z

26

Untuk Z besar dan δ kecil, probabilitas menjadi sangat kecil, dan tentunya lebih kecil dari setiap taraf nyata yang dapat ditetapkan. Akibatnya untuk urutan dengan program pendek (a.l. program yang panjangnya tidak lebih besar dari δ ), penerapan pendekatan Fisherian pada daerah penolakan akan menjamin penolakan hipotesis peluang H. Dan inilah yang disimpulkan oleh Klomogorof dkk. Mereka bahkan memasukkan bahasa statistik mekanik untuk menggambarkan hasilnya, menyebut urutan acak dengan urutan entropi tinggi dan urutan non-acak dengan urutan entropi rendah. Untuk menyimpulkannya, urutan kumpulan algoritma termampatkan (karenanya non-acak) mempunyai probabilitas diantara keseluruhan urutan, sehingga observasi urutan semacam ini menjadi alasan mencari penjelasan alaih-alih menggunakan terminologi ’kebetulan’.Pra-spesifikasi

Ada perbedaan penting antara pra-spesifikasi dan spesifikasi. Spesifikasi adalah pola gambaran even dengan probabilitas yang kecil sehingga tidak dapat dikenakan dengan atribut ’kebetulan’. Pola yang teridentifikasi setelah kejadian suatu even diterapkan untuk mencegah ’kebetulan’ dalam penjelasan even tersebut (daerah penolakan diketengahkan fungsi densitas probabilitas sebagaimana pengelompokan pemampatan bit string seperti dijelaskan sebelumnya). Dengan demikian setelah pola suatu even, beberapa batasan tambahan diperlukan untuk ditempatkan pada pola untuk membuktikan bahwa hal tersebut benar-benar dapat mengeliminasi ’kebetulan’. Sebaliknya, sebelum pola ditempatkan diawal suatu even yakni pra-spesifikasi, hal ini dapat menghambat identifikasi even dalam pola yang mengacu pada kejadian tersebut. Dengan kata lain, dengan pra-spesifikasi pola even tidak bisa dibaca, oleh karenanya

27

pra-spesifikasi tidak cocok untuk pola yang teridentifikasi didepan. Untuk melihat bahwa tempat pra-spesifikasi tidak dibatasi pada pola yang memungkinkan menghilangkan ’kebetulan’, perhatikan string bit berikut:

(R) 11000011010110001101111111010001100011011001110111 00011001000010111101110110011111010010100101011110

String diatas diperoleh dengan melempar koin yang dimana 1 untuk sisi muka dan 0 untuk belakang (string ini sudah dipaparkan sebelumnya). Sekarang bayangkan sekenario berikut: andaikan koin dilempar 100 kali dan diobesrvasi urutannya hasilnya sebagaimana (R). Kemudian ada orang lain yang melihatnya dan meminta koin tersebut untuk dibawa pulang. Selanjutnya hari berikutnya orang tersebut datang lagi dan berkata ” luar biasa, semalam saya melempar koin yang anda berikan sebanyak 100 kali dan hasilnya persis sama dengan yang anda lempar kemarin” yakni urutan (R). Dia menjamin tidak ada rekayasa. Apakah orang tersebut dapat dipercaya ? Normalnya kita berpikir bahwa orang tersebut mengada-ada sebab pra-spesifikasi even dengan probabilitas yang amat kecil sulit sekali diperoleh melalui peristiwa ’kebetulan’.

Untuk suatu even yang hampir mustahil (highly improbable) terjadi, untuk satu kali kejadian wajar bisa terjadi, namun bila itu sampai dua kali kejadian adalah nyaris mustahil. Sebagai contoh dalam bidang biologi molekuler mengapa para peneliti asal muasal kehidupan cenderung

28

melihat asal-usul kode genetik hanya satu kali terjadi. Meskipun ada banyak variasi, kode genetik sesungguhnya unik. Jadi kode genetik yang hadir dua kali secara tak terbimbing adalah mustahil. Dengan urutan (R) diperlakukan sebagai pra-spesifikasi, peluangnya pada kemungkinan terulangnya kejadian. Akan tetapi pertanyaan yang muncul apakah memungkinkan untuk menghilangkan peluang hipotesa suatu even tanpa kejadian sebelumnya. Pertanyaan ini menjadi penting karena spesifikasi -seperti diindikasikan pada penjelasan sebelumnya- seharusnya menjadi pola yang menyatu dengan perancangan dan karenanya inheren dengan posisi diluar capaian ’kebetulan’. Meskipun demikian urutan (R) tidak berjalan seperti ini. Dapat dijamin, manakala diperlakukan sebagai pra-spesifikasi (R) menolak kejadian ulang sebagai peristiwa ’kebetulan’. Tetapi urutan itu sendiri menunjukkan tidak adanya pola yang menolak kejadian aslinya oleh karena peristiwa ’kebetulan’. Apakah ada pola yang jika menunjukkan adanya even-even akan menolak kejadian aslinya oleh ’kebetulan’ ? Untuk menjawab apakah memang demikian perhatikan urutan berikut (lagi ’1’ sebagai sisi muka koin dan ’0’ sebagi sisi belakang) dengan menempatkan ψR sebagai pseudo-acak:

(τR) 01000110110000010100111001011101110000000100100011 01000101011001111000100110101011110011011110111100

Sebagaimana urutan (R) , dibayangkan anda dan orang diatas ketemu lagi. Tetapi kali ini andaikan anda tidak mempunyai pengetahuan sebelumnya tentang τR dan

29

sejauh ini orang tersebut datang ke anda dan mengklaim dia melempar koin secara acak tanpa rekayasa. Apakah anda percaya? Kali ini anda tidak punya pola sebelumnya sebagai pembanding yang akan meyakinkan anda bahwa even diatas tidak terjadi karena ’kebetulan’? Lalu bagaimana menentukan τR terjadi secara ’kebetulan’ ? Terdapat suatu pendekatan yang dapat dipakai terkait dengan pengujian statistik untuk keacakan semacam ini. Strategi standar yang lazim dipakai guru statistik adalah dengan membagi kelas dalam dua kelompok. Para siswa kelompok pertama masing-masing diminta melempar koin 100 kali kemudian ditulis hasilnya dan ditunjukkan kepada siswa bagian kedua untuk dibayangkan dalam pikiran mereka. Selanjutnya siswa kelompok kedua diminta masing-masing melempar koin juga 100 kali dan ditulis hasilnya. Selanjutnya sang guru mengumpulkan seluruh hasil dan dibagi dalam dua tumpukan. Pada tumpukan yang pertama sang guru menemukan enam atau tujuh sisi muka atau belakang yang sama secara berurutan. Untuk hasil kelompok kedua ditemukan pengulangan sisi muka atau belakang begitu sering. Sehingga untuk kelompok pertama menghasilkan 50 persen peluang satu lemparan yang akan berbeda dengan lemparan berikutnya. ini sesuai dengan psikologi manusia bahwa perkiraan lemparan kedua akan berbeda sekitar 70 persen. Jika hal diatas diulang tiga atau empat kali orang akan mencoba meniru pelemparan koin dengan pikirannya dan cenderung berpikir inilah saatnya untuk berubah dimana koin yang dilempar secara acak berlangsung apa adanya. Lalu bagaimana satistik sang guru diatas bila dikonfrontasikan dengan urutan (R) dan (τR) ? Kita tahu bahwa (R) dihasilkan dari suatu ’kebetulan’ karena merepresentasikan urutan pelemparan koin yang

30

sesungguhnya. Bagaimana dengan (τR)? Apakah akan diatributkan sebagai suatu ’kebetulan’ atau difahami sebagai seseorang yang mencoba meniru suatu ’kebetulan’. Menurut metode sang guru, untuk kedua (R) dan (τR) dapat dijelaskan sebagai tumpukan urutan yang dianggap acak karena keduanya berisi tujuh pasang pengulangan [tujuh muka pada (R) dan tujuh sisi belakang pada (τR)]. Apapun yang pertama ditonjolkan akan menjadi perhatian utama bahwa urutan ini benar-benar acak. Ada sekitar 50 pilihan antara sisi muka dan belakang (sebagai lawan 70 pilihan yang diperkirakan dari orang yang menirukan suatu ’kebetulan’). Apalagi frekuensi realtif dari sisi muka dan belakang adalah 50:50. Selanjutnya meskipun (τR) adalah seluruhnya tetapi acak, untuk melihatnya perlu ditulis ulang urutan dengan membubuhi garis bertikal:

(τR) 0|1|00|01|10|11|000|001|010|011|100|101|110|111|0000|0001|0010|0011| 0100|0101|0110|0111|1000|1001|1010|1011|1100|1101|1110|1111|00

Dengan membagi (τR) maka akan membuktikan bahwa urutan ini tersusun secara sederhana: angka biner terstruktur naik, diawali dengan biner satu digit (a.l 0 dan1) dilanjutkan biner dua digit (a.l. 00,01,10 dan 11) terus hingga 100 digit. Urutan (τR) ketika diteruskan akan mempunyai kelengkapan, bila ada kombinasi bit Z digit akan tampak dalam urutan dengan batasan frekeunsi 2–Z. Kunci penentuan spesifikasi dan membedakannya dengan pra-spesifikasi difahami secara berbeda antara urutan (R) dan (τR). Meskipun (R) bisa muncul karena ’kebetulan’ tetapi (τR) tidak dapat diatributkan hasil peristiwa ’kebetulan’.Spesifitas

31

Perbedaan krusial antara (R) dan (τR) adalah (τR) menghasilkan sesuatu yang sederhana, mudah digambarkan polanya sedangkan (R) tidak. Untuk menggambarkan (τR) cukup dengan mencatat bahwa daftar urutan angka biner ini dalam urutan yang meningkat, sebaliknya (R) tidak. Maka apa yang menjadikan pola muncul dengan (τR) suatu spesifikasi adalah bahwa pola tersebut mudah digambarkan tetapi even tercatat hampir mustahil sehingga sangat sulit dihasilkan oleh peristiwa ’kebetulan’. Ini merupakan kombinasi dari penyederhanaan pola (a.l mudah menggambarkan pola) dan even yang rumit yang memunculkan pola (τR) sebagai spesifikasi bukannya (R). Karakterisasi intuitif spesifikasi seperti ini perlu lebih diformalkan. Dimulai dengan agen Y yang mencoba menentukan apakah even A yang telah terjadi akibat peristiwa ’kebetulan’ menurut hipotesis H (atau yang ekuivalen menurut beberapa distribusi probabilitas P(·|H)). Y mencatat bahwa A memunculkan pola T. Sederhananya kita pikirkan T adalah even itu sendiri yang melibatkan even A. Oleh karenanya even A mungkin hasil lemparan dadu yang hasilnya enam dan T mungkin kombinasi hasil semua lemparan dadu. Ketika T dimaksudkan sebagai even maka dapat direferensikan sebagai target. Sebaliknya T dapat dimaksudkan secara abstrak sebagai pola yang mengidentifikasi even (target) secara tepat. Dalam hal ini T direferensikan sebagi pola. Sebagai pola, T digambarkan dalam beberapa sistem komunikasi sebagai sesuatu yang bersifat deskriptif. Contohnya, frase dadu yang menghasilkan sisi genap digambarkan sebagai pola yang dipetakan dalam (gabungan) even dimana dadu menghasilkan dua, empat atau enam. Ketika menggambarkan pola T kita meletakkan gambaran dalam

32

tanda petik: meskipun demikian ketika berbicara tentang even tempat pola dipetakan, kita mengacunya langsung tanpa tanda petik. Selanjutnya Y mencatat A memunculkan pola T, latar belakang pengetahuan Y sekarang dikenalkan sebagai gambaran kerumitan atas T.

Gambaran kerumitan dinotasikan dengan Ψ′y(T). Perlu diingat pola T terkait dengan even A tidak perlu unik , Y mencoba mencari gambaran pola yang sederhana. Perlu dicatat bahwa penyederhanaan disini sehubungan dengan latar belakang pengetahuan yang dipunyai Y dan oleh karenanya dinotasikan dengan pengukuran kerumitan Ψ′y sehingga membuatnya mandiri atau tidak tergantung pada pengukuran yang akan muncul. Bagaimana kita berpikir tentang Ψ ′y ? Y mengidentifikasi pola T yang muncul dari even A kemudian merumuskan gambaran mengenai pola tersebut. Untuk merumuskan gambaran semacam itu Y menngunakan sistem komunikasi yakni sistem tanda-tanda (system of sign). Dengan demikian Y tidak melulu sebagai agen tetapi sebagai agen semiotik. Dengan demikian Ψ′y(T) mencatat kerumitan atau harga semiotik dimana Y harus merumuskan deskripsi pola T. Pengukuran kerumitan ini dapat ditentukan dengan baik dan tidak menjadikan perhitungan multi even pada subsitem yang digunakan Y. Sebagai contoh kita dapat membayangkan agen semiotik Y yang memiliki fasilitas beragam bahasa (katakan bahasa alamiah dan artifisial seperti program komputansi bahasa) dan dapat mendeskripsikan pola T lebih sederhana dalam satu bahas. Dalam kasus ini kerumitan Ψ′y(T) akan merefleksikan opsi semiotik yang paling sederhana dalam mendeskripsikan T. Karena agen semiotik yang merumuskan pola untuk mengeliminasi peluang adalah dimensi rasional

33

terhingga berbagai ruang dan waktu (a.l.jagad raya kita), sehingga dapat dirumuskan batasan banyaknya pola. Oleh kerenanya keseluruhan pola dimana piranti kognitif Y yang dapat untuk membedakan adalah terhingga; dan untuk seluruh agen melekat dalam dimensi ruang dan waktu yang terhingga yakni jagad raya (yang mungkin terbatas atau tidak terbatas), kita dapat merepresentasikan keseluruhan pola yang ada kepada urutan pola T1, T2, T3, ....atas Y. Urutan ini sebagaimana keseluruhan agen adalah tak terhingga. Selanjutnya dalam kaidah fisika alam semesta yang berdurasi, beresolusi dan ukuran yang terhingga , jumlah agen dan jumlah pola adalah terhingga. Oleh karenanya setiap S kemudian dapat menyusun pemeringkatan pola dalam upaya menghasilkan gambaran kerumitan yang lebih sederhana sebelum menjadi lebih rumit. Dengan pemeringkatan maka penentuan Ψ′y menjadi lebih mudah yakni: Ψ′y(T) = jumlah pola dimana deskriptif semiotik Y adalah paling tidak sama sederhananya dengan deskriptif semiotik Y terhadap T. Dengan kata lain Ψ′y(T) adalah kardinalitas dari [U ∈ pola (S) | Ψ′y (U) ≤ Ψ′y (T)] dimana pola (dalam hal ini S) adalah kumpulan semua pola yang dididentifikasi dalam even S . Jadi jika Ψ′y(T) = n maka paling banyak ada n pola yang menggambarkan kerumitan S dan tidak akan melampaui T. Ψ′y(T) menentukan sumber spesifisitas dimana S terhubungkan dengan pola T. Pikirkan sumber-sumber spesifikasional sebagai penomoran tiket doorprize pada acara sepeda gembira: semakin banyak tiket dipunyai semakin besar peluang sesorang mendapatkan doorprize . Semakin besar Ψ′y (T) semakin mudah pola kerumitan dimunculkan dalam even. Sekarang bayangkan Y adalah agen semiotik dengan string bit sebagai berikut:

34

(R) 11000011010110001101111111010001100011011001110111 00011001000010111101110110011111010010100101011110

(N) 11111111111111111111111111111111111111111111111111 11111111111111111111111111111111111111111111111111

(R) adalah urutan pelemparan koin ’1’ untuk sisi muka dan ’0’ untuk sisi belakang, sedangkan (N) merupakan pengulangan ringkas 1 seratus kali. Sebagaimana tertera dalam ilustrasi sebelumnya bahwa gambaran kerumitan (N) kemudian menjadi sederhana . Jadi dengan agen semiotik memandang hanya ada urutan satu 100 bit yang mempunyai kerumitan pembanding yakni:

(N’) 0000000000000000000000000000000000000000000000000 00000000000000000000000000000000000000000000000000

Menurut teori Kolomogorof dkk., jika S merepresentasikan kerumitan dalam konteks pemamapatan sebagian besar

35

urutan bit adalah maksimal rumit. Berikutnya penentuan p=P(T|H) sebagai probabilitas untuk formasi peluang flegela E.coli. T disini terkait tidak sebagi pola tetapi even celah yang membawa pola (a.l. struktur flagela E.coli). Selanjutnya sumber spesifikasional mengikuti sebanyak N=10x target yang mungkin untuk formasi peluang flagela E.coli, yang mana probabilitas mengenai tiap target tidak lebih p. Pemfaktoran sumber-sumber spesifikasional N ini kemudian untuk mengecek apakah probabilitas mengenai target setiap terget kerena peluang menjadi kecil, yang menunjukkan produk Np adalah kecil. Dengan logaritma 2 menjadi - log Np yang ditentukan sebagai spesifisitas dari pola. Jadi dengan untuk pola T , hipotesa peluang H dan agen semiotik Y dimana Ψy mengukur sumber spesifikasional, maka spesifisitas v menjadi:

ν = –log2[Ψy (T) · P(T|H)]

Perlu dicatat bahwa T dalam Ψy(T) diperlakukan sebagi pola dan T pada P(T|H)] diperlakukan sebagi even (a.l. even yeng teridentifikasi oleh pola). Kemudian apa arti spesifitas ? Untuk melihat ν pertama perlu diperhatikan Ψy(T)·P(T|H) menghasilkan batasan pada probabilitas (sehubungan dengan hipotesis peluang H) untuk peluang kejadian even yang cocok setiap pola yang menggambarkan kerumitan adalah tidak lebih dari T dan probabilitasnya tidak lebih dari P(T|H). Intuisinya disini adalah: pikirkan S mencoba menentukan bahwa pemanah yang baru saja melepas panah pada dinding yang luas telah mengenai target yang kecil. Tetapi masalahnya adalah ada banyak target kecil di dinding. Setiap kali semua target difaktorkan, apakah masih mungkin pemanah mengenai sasaran-sasaran tersebut? Itulah mengapa Ψy(T)·P(T|H) dihitung diberi label meskipun semua terget lain T~ pada P(T~ |H) ≤ P(T|H) dan Ψy(T~ ) ≤

36

Ψ, probabilitas setiap terget dikenai karena peluang menurut H masih kecil. Target-target lainnya T~ , Y mungkin akan mengambilnya dan diobeservasi even dengan pola yang sama atau lebih rendah gambaran kerumitannya daripada T. Persyaratan tambahan dimana target lainnya T~ mempunyai probabilitas tidak lebih dari P(T|H) meyakinkan bahwa S mendepak target besar dalam mengakses apakah A terjadi karena ’kebetulan’. Membidik target vesar tentu bukan masalah laqin halnya bila membidik target kecil. Oleh karenanya perlu dipikirkan Ψy(T)·P(T|H) sebagai pengukur derajat S dalam melihat kesengajaan adapatasi pola T pada even A yang diobeservasi daripada membiarkan pola menjauh dari even. Sebaliknya perlu dipikirkan produk ini menyediakan pengukuran artifisial yang memaksa pola T ke A. Untuk menggambarkan pola yang sederhana yang berhubungan dengan terget dan mempunyai probabilitas yang kecil, artifisialitasnya diminimumkan. Diketahui bahwa meletakkan logaritma basis 2 dimuka produk Ψy(T)·P(T|H) mempunyai dampak merubah skala dan arah, membelokkan probabilitas kedalam jumlah bit dan menjadikan spesifitas sebagai suatu pengukuran informasi. Transformasi logaritma ini karenanya meyakinkan bahwa batasan pola yang semakin sederhana dan semakin kecil probabilitas tatget semakin besar spesifitas.

Kerumitan Spesifik UmumKembali ke pemahaman S yang mencoba

menunjukkan bahwa even A tidak diberi atribut yang tepat pada hipotesis peluang. Andaikan A sejalan dengan pola T dan T mempunyai spesifitas yang tinggi, sehingga –log2[Ψy(T)·P(T|H)] lebih besar dimana Ψy (T)·P(T|H) adalah positif dan mendekati nol. Apakah ini cukup menunjukkan

37

bahwa A tidak terjadi berdasarkan ’kebetulan’ ? Ternyata tidak. Apa yang dikatakan dengan spesifisitas contohnya adalah pemanah tunggal dengan satu panah. Tapi bagaimana bila ada banyak pemanah membidik banyak target? Dalam hal ini meskipun jika probabilitas setiap pemanah yang membidik sebuah target dengan satu panah dibatasi dengan Ψy(T)·P(T|H) sehingga menjadi kecil, probabilitas satu dari mereka mengenai suatu target dengan sejumlah panah setidaknya cukup besar. Itu tergantung dengan berapa banyaknya pemanah dan berapa jumlah panah yang tersedia. Normalnya, jika pola T cenderung cukup untuk mengeliminasi peluang yang terjadi pada A, itu kurang cukup untuk pemfaktoran di probabilitas T dan sumber spesifikasional terkait dengan T. Sebagai tambahan, kita perlu faktor yang disebut sumber replikasi terkait dengan T yakni semua kemungkinan yang dapat dibawa even diskriptif kerumitan milik T dan ketidakmungkinan oleh banyak agen yang menykasikan banyak even. Oleh karenanya spesifitas Ψy(T)·P(T|H) perlu di masukkan faktor N dan K dimana K merupakan jumlah agen semiotik (para pemanah) yang menyaksikan even, sementara K adalah jumlah kesempatan dari even untuk terjadi (sejumlah panah). Hanya karena seorang pemanah menggunakan satu panah mungkin tidak seperti membidik satu dari beberapa target kecil sekali sejumlah pemanah N dan sejumlah panah K difaktorkan, tetapi hal itu mirip dengan beberapa pemanah yang membidikkan sejumlah panah dan mengenai satu dari beberapa target. Hal tersebut menjadikan probabilitas beberapa pemanah yang melepas beberapa panah mengenai target yang diikat dengan N.K.Ψy(T)·P(T|H) yang jumlahnya kecil ( kurang dari ½ dan lebih baik mendekati nol). Selanjutnya ditentukan logaritma basis 2 untuk

38

N.K.Ψy(T)·P(T|H) sebagai kerumitan spesifik konteksdipenden dari T untuk H, sehingga diperoleh:

Φ ~ = –log2[N.K.Ψy(T)·P(T|H)]

Menakar besaran [N.K.Ψy(T)·P(T|H)] adalah senilai ½ sehingga batasan [N.K.Ψy(T)·P(T|H)]< 1/2. Dalam kasus ini probabilitas T menurut H menjadilan pemfaktoran sumber probabilitas relevan menjadi kurang dari ½ yang ekivalen dengan –log2[N.K.Ψy(T)·P(T|H)] lebih dari 1 atau Φ ~ > 1. Seperti diketahui sebelumnya N merupakan jumlah agen semiotik yang menyaksikan even dan K adalah jumlah kesempatan dari even untuk terjadi. Menurut Dembski yang melansir perhitungan komputer Seth Loyd batasan yang menaungi N.K sebesar 10120. Namun penulis menetapkan batasan probabilitas semesta (universal probability bound) sebesar 10143. Dasarnya adalah perkalian kumulatif jumlah partikel elementer di alam semesta sebesar 1080 dengan frekuensi maksimum perubahan fisik meteri sebesar 1045

dengan perkiraan umur alam semesta 1018 detik. Dengan demikian besaran 10n·Ψy(T) = 10143 adalah untuk model matematis umum kerumitan spesifik:

Φ = –log2[10n.Ψy(T)·P(T|H)] > 1.

Besaran Ψy(T) ketika dievaluasi dengan pola (R), menghasilkan kompleksitas tertentu. Dasar penentuan besaran tersebut adalah pola (pattern) protein homolog pada keseluruhan elemen flagela.

POLA FLAGELA BAKTERI E.COLI

39

Menentukan pola (pattern) informasi kerumitan spesifik (CSI) bakteri E.coli memang tidak mudah karena pola yang perlu dikonversikan ke bilangan matematis masih belum banyak diteliti. Terkait dengan persamaan informasi kerumitan spesifik atau CSI diatas, pola yang dipilih adalah bangun protein pada keseluruhan flagela seperti pada gambar 6.

Gambar 6. Flagella dengan protein penyusunSumber: KEGG

Alasan pemilihan adalah bahwa struktur protein terkait langsung dengan fungsi atau sifat yang dibawanya. Jumlah

40

protein yang terkandung dalam flagela bakteri E.coli memang ada beberapa pendapat. Namun menurut penelitian biologi molekuler terkini jumlahnya lebih dari 20 jenis protein. Protein yang terkandung dalam elemen flagela bakteri E.coli niscaya saling terkait satu sama lain dalam suatu yang disebut dengan homolog. Homolog protein diklaim kelompok evolusionis sebagai bukti proses evolusi. Namun klaim tersebut belum pernah dibuktikan di laboratorium. Justru pendapat tersebut terbantahkan dengan penelitian mutakhir yang membuktikan fenomena protein homolog pada bermacam elemen terbentuk melalui proses simultan (mengikuti fenomena kerumitan tak-tersederhanakan atau irreducible complexity).

Perhitungan pola persamaan CSI flagella E.coli diawali dengan melihat sekuen nukleotida penyusun DNA yang merupakan cetak biru pembentukan protein pada tiap-tiap elemen flagela. Macam nukleotida adalah adenine (a), guanine (g), cytosine (c) and thymine (t). Pertama dilihat urutan nukleotida pada ujung filamen yang terdapat semacam ’topi’ (fillament cap) yakni gen fliD atau protein FliD. Urutan pada fliD kemudian dicoba dipasangkan dengan fliC (pairwise allignmnet) yakni urutan nukleotida pada filamen menggunakan program BLAST (Basic Local Alignmnet Tool). Pertautan antara dua sekuen mempunyai nilai dengan perhitungan: (*) yang diberi nilai +1 , tidak cocok ( | ) yang diberi nilai 0 dan gap (_) yang diberi nilai -1. Dengan pemrosesan BLAST akan diperoleh konfigurasi optimum pasangan yang merupakan homolog protein antara keduanya. Demikian juga antara FliD dengan FlgL dan seterusnya hingga protein yang terkandung dalam semua

41

atggcaagtatttcatcgctgggagtcgggtcaggtctggatttaagttccatccttgat agcctcaccgccgcgcaaaaagcgacgctaacccccatttcaaatcagcaatcgtcgttt accgctaaacttagcgcctacggtacgctgaaaagcgcgctgacgactttccagaccgcc aatactgcattgtctaaagccgatcttttttccgccaccagcaccaccagcagcaccacc gcgttcagtgccaccactgcgggtaacgccatcgccgggaaatacaccatcagcgtcacc catctggcgcaggcgcaaaccctgaccacgcgcaccaccagagacgatacgaaaacggcg atcgccaccagcgacagtaaactcaccattcaacaaggcggcgacaaagatccgattacc attgatatcagcgcggctaactcatcgttaagcgggatccgtgatgccatcaacaacgca aaagcaggcgtaagcgcaagcatcattaacgtgggtaacggtgaatatcgtctgtcagtc acatcaaatgacaccggccttgataatgcgatgacactctcggtcagcggtgatgatgcg ctacaaagttttatgggctatgacgccagtgccagcagcaacggtatggaggtctcggtt gccgcccagaatgcgcagctgacagtcaacaacgtcgccatcgagaacagcagcaacacc atcagcgacgcgctggaaaacatcaccctgaacctgaacgatgtcaccacgggcaaccag acgctaaccatcactcaggacacctccaaagcgcaaacggcgattaaagactgggtgaat gcctacaactcgctaatagataccttcagcagcctgaccaaatacaccgccgtagatgcg ggagctgatagccagagttctagcaatggtgcactgctcggcgactccacgctgcggacg attcagacgcagttgaaatcgatgctgagtaataccgtcagttcttccagctataaaacg ttggcgcagattggtatcacgaccgatcccagcgatggcaaactggaactggatgccgac aaactcaccgctgcactgaaaaaagatgccagcggcgtaggtgcattgattgttggcgat ggtaaaaaaaccggcatcacgaccaccatcggcagcaacctgaccagttggctttcgaca acgggcattattaaagccgctaccgatggcgttagtaagaccctgaataaattaactaaa gactacaacgccgccagcgatcgcattgatgcgcaggtcgctcgctacaaagaacaattt acccaactggacgttttaatgacctcgttaaacagcaccagcagctacttaacgcagcag ttcgaaaacaacagtaattccaagtaa

atggcacaagtcattaataccaacagcctctcgctgatcactcaaaataatatcaacaag aaccagtctgcgctgtcgagttctatcgagcgtctgtcttctggcttgcgtattaacagc gcgaaggatgacgcagcgggtcaggcgattgctaaccgtttcacctctaacattaaaggc ctgactcaggcggcccgtaacgccaacgacggtatctccgttgcgcagaccaccgaaggc gcgctgtccgaaatcaacaacaacttacagcgtgtgcgtgaactgacggtacaggccact accggtactaactctgagtctgatctgtcttctatccaggacgaaattaaatcccgtctg gatgaaattgaccgcgtatctggtcagacccagttcaacggcgtgaacgtgctggcaaaa aatggctccatgaaaatccaggttggcgcaaatgataaccagactatcactatcgatctg aagcagattgatgctaaaactcttggccttgatggttttagcgttaaaaataacgataca gttaccactagtgctccagtaactgcttttggtgctaccaccacaaacaatattaaactt actggaattaccctttctacggaagcagccactgatactggcggaactaacccagcttca attgagggtgtttatactgataatggtaatgattactatgcgaaaatcaccggtggtgat aacgatgggaagtattacgcagtaacagttgctaatgatggtacagtgacaatggcgact ggagcaacggcaaatgcaactgtaactgatgcaaatactactaaagctacaactatcact tcaggcggtacacctgttcagattgataatactgcaggttccgcaactgccaaccttggt gctgttagcttagtaaaactgcaggattccaagggtaatgataccgatacatatgcgctt aaagatacaaatggcaatctttacgctgcggatgtgaatgaaactactggtgctgtttct gttaaaactattacctatactgactcttccggtgccgccagttctccaaccgcggtcaaa ctgggcggagatgatggcaaaacagaagtggtcgatattgatggtaaaacatacgattct gccgatttaaatggcggtaatctgcaaacaggtttgactgctggtggtgaggctctgact gctgttgcaaatggtaaaaccacggatccgctgaaagcgctggacgatgctatcgcatct gtagacaaattccgttcttccctcggtgcggtgcaaaaccgtctggattccgcggttacc aacctgaacaacaccactaccaacctgtctgaagcgcagtcccgtattcaggacgccgac tatgcgaccgaagtgtccaatatgtcgaaagcgcagatcatccagcaggccggtaactcc gtgttggcaaaagctaaccaggtaccgcagcaggttctgtctctgctgcagggttaa

elemen terhubung satu sama lain. Berikut gambar 7 dan gambar 8 dibawah sekuen nukleotida fliD dan fliC.

Gambar 7. Urutan nukleotida fliDSumber: KEGG

42

Gambar 8. Urutan nukleotida fliCSumber: KEGG

Hasil perhitungan secara menyeluruh yang dilakukan Renyi Liu dan Ochman adalah seperti pada gambar 9 dibawah.

Gambar 9. Hubungan antar protein pada flagellaSumber: Journal PNAS

Dengan melakukan perkalian atas protein homolog untuk E.coli diperoleh pola Ψy(T) sekitar 1021. Dengan demikian

43

harga n adalah hasil pengurangan 143 dengan 21 yakni 122. Manakala n disubstitusikan ke persamaan kerumitan spesifik hasilnya adalah:

– log2 [10122. Ψy(T).P(T|H)] > 1

Dengan demikian persamaan diatas merupaka persamaan umum dimana harga pola Ψy(T) tergantung dari obyek yang ditelaah. Dalam kasus flagela E.coli harga Ψy(T) adalah 1021

sehingga diperoleh probabilitas sebesar:

P(T|H)] < ½ . 10- 143

Aplikasi riil atas persamaan diatas dapat dilakukan melalui apa yang dinamakan dengan probabilistic hurdle . Metode ini cukup unik yakni mengukur kecilnya probabilitas ketidakmungkinan pembentukan flagela melalui pengandaian proses evolusi. Jadi semacam pembuktian terbalik. Akumulasi berbagi probabiltas yang ada manjadi besaran probabilitas yang kemudian dibandingkan dengan bilangan ½ . 10- 143 . Manakala hasilnya lebih kecil atau sama dengan bilangan pembanding diatas maka obyek dipastikan mengadung kerumitan spesifik jadi merupakan CSI dan mengindikasikan obyek tersebut hasil dari perancangan cerdas. Pembahasan secara terperinci mengenai probabilistic hurdle memerlukan penelitian bidang biomatematika lebih lanjut.

44

AKHIRUL KALAM

Persamaan atau model matematis umum kerumitan spesifik Φ = –log2[10n.Ψy(T)·P(T|H)] > 1 dan model matematis khusus CSI bakteri E.coli : –log2 [10122. Ψy(T).P(T|H)] > 1 merupakan piranti untuk mendeteksi tanda-tamda perancangan dibalik obyek hidup melalui pembuktian secara kuantitatif. Teorema ini jelas berlawanan dengan Teori Evolusi yang bebasis pada keberadaan obyek hidup sebagai buah dari seleksi alam dan variasi acak yang tak terbimbing. Meskipun sebagian sajian masih bersifat analitis konseptual namun bangun ilmiah Teori Perancangan Cerdas secara absah sudah cukup untuk diposisikan sebagai pembanding (baca: antitesis) Teori Evolusi.

Penelitian-penelitan tentang Teori Perancangan Cerdas marak dilakukan diberbagai belahan dunia dengan obyek yang semakin variatif (pembaca dapat browsing di internet dengan kata kunci ’intelligent design’). Hal ini membuktikan bahwa ilmu ini tengah berkembang dan semakin menempatkan Teori Evolusi dalam posisi yang sulit.

Di beberapa negara Teori Perancangan Cerdas sudah masuk dalam kurikulum resmi sekolah. Oleh karenanya sudah selayaknya Teori perancangan Cerdas perlu diperkenalkan di Indonesia, diajarkan melalui kurikulum Biologi di SMA serta Ilmu Alamiah Dasar di Perguruan Tinggi. Selama ini hanya Teori Evolusi saja yang diajarkan, oleh karenanya perlu pembanding yakni Teori Perancangan Cerdas yang sesungguhnya lebih sesuai dengan falsafah hidup bangsa Indonesia yakni Pancasila.

45

NARA SUMBER

[1] Arief Wicaksono, “Aplikasi Pemrograman Dinamis Dalam Bioinformatika”, Ilmu Komputer, 2006.

[2] Douglas Theobald, “Evidences for Macroevolution The Scientific Case for Common Descent “, The Talk Origin Archieve, 2004.

[3] Michael Behe, ”Darwin Black Box”, The Biochemical challenge to Evolution, Fee Press, 1996.

[4] Renyi Liu and Howard Ochman, ” Stepwise formation of the bacterial flagellar system”, Journal PNAS, 2007.

[5] Stephen meyer, Intelligent Design is not Creationism, The Discovery Institute. Diakses 06 Januari 2009 http://www.discovery.org.

[6] Teddy Seidenfeld, “R.A.Fisher on the Design of Experiments and Statistical Estimation” , Center for History and Philosophy of Science, 1990.

[7] Wikipedia, Intelligent Desin, Diakses 7 April 2008, www.en.wikipedia.org/wiki/Intelligent design. [8] William Dembski, “Mathematical Foundations of Intelligent Design”, Conseptual Foundation of Science,

46

2005. [9] William Dembski, “The Design Inference”, Eliminating Chance through Small Probabilities, google book. Diakses 27 Oktober 2008, htpp://www. books.google.co.id.

[10] William Dembski, “The No Free Lunch: Why Specified Cannot be Purchased by natural Selection Chance through Small Probabilities”, google book. Diakses 11 November 2008, htpp://www. books.google.co.id. books? ?isbn=074255810X.

TENTANG PENULIS

Ir.H.Ajar Permono MM berlatar belakang pendidikan teknik dan manajemen. Telah menulis belasan buku ilmiah populer dan dua text book dalam bentuk e-book (”Polimer dan Polimerisasi” serta ”Manajemen Manufaktur”). Sejak lama menyukai natural science dan belakangan semakin tergila-gila olehnya. Rasa penasaran akan Teori Evolusi (khususnya Evolusi Makro yang antara lain menyatakan bahwa kera adalah ”nenek moyang’ manusia). Ini yang dianggap kurang pas dengan naluri spiritualitas dan menjadikannya terbimbing mempelajari teori

47

pembanding (counterbalance). Seperti lazimnya cara belajar yang efektif adalah dengan menulis dan membagi pengetahuan yang dimilikinya. Penulis berpandangan bahwa Teori Perancangan Cerdas layak diajarkan melalui kurikulum resmi IPA / Biologi di SMA dan Ilmu Alamiah Dasar di Perguruan Tinggi berdampingan dengan Teori Evolusi. Penulis juga berharap kedepan Teori Perancangan Cerdas menjadi lebih memasyarakat dan dapat menjembatani dunia sains & teknologi dengan keimanan.

Email: apermono_id@hotmail.com HP: 08157913863

48