Aplikasi Sistem Pakar di Bidang Eksplorasi Alam

MODEL IDENTIFIKASI PETA SECARA OTOMATIS

MENGGUNAKAN KONSEP JARINGAN SARAF TIRUAN

BACKPROPAGATION

Era teknologi informasi semakin berkembang dengan cepat dan kompleks, kehandalan sistem yang mengolah data dengan baik akan menghasilkan informasi yang baik, begitu pula dengan pemakai sistem yang merupakan faktor utama suatu aplikasi sistem yang sedang dijalankan selain perangkat keras dan perangkat lunak. Brainware adalah konsep pemikiran yang dimiliki oleh manusia dalam kaitannya dengan sistem komputer secara luas. Konsep pemikiran manusia yang dapat melakukan pembelajaran terhadap segala sesuatu yang ditemui nya merupakan hal menarik yang menjadi landasan dibentuknya model Jaringan saraf tiruan (JST) dalam domain yang cukup bervariasi dalam sistem cerdas. Sistem cerdas yang diaplikasikan untuk identifikasi objek dua dimensi pada pemetaan wilayah geografis merupakan sistem yang dapat memberikan pengetahuan dan informasi mengenai keadaan wilayah pada suatu tempat atau daerah yang diinginkan pemakai. Sistem yang dibangun dapat menentukan lokasi wilayah, objek wisata, dan hal-hal yang terkait di dalamnya. Pemakai hanya menunjuk bagian tertentu yang diinginkan dalam peta, kemudian sistem akan memberikan informasi tentang wilayah yang diinginkan pemakai tersebut. Penerapan sistem cerdas ini dapat diaplikasikan pada pola pembelajaran siswa dan mahasiswa pada pelajaran geografi dan hal yang menyangkut pemetaan wilayah, maupun tempat-tempat yang strategis, terutama di jantung kota budaya ini.

JARINGAN SARAF TIRUAN UMPAN BALIK

Banyak model jaringan saraf tiruan dalam dunia riset JST, salah satu modelnya adalah Jaringan saraf tiruan Backpropagation. Jaringan saraf tiruan Backpropagation (BP) pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 1986, kemudian Rumelhart dan Mc Cleland mengembangkannya pada tahun 1988. Jaringan ini merupakan model jaringan multilayer. Backpropagation paling banyak digunakan oleh pemakai jaringan saraf tiruan, bahkan diperkirakan lebih dari 80 % proyek jaringan saraf tiruan yang tengah dikembangkan menggunakan Backpropagation. Dalam metode Backpropagation, biasanya, digunakan jaringan multilayer. Sebagai contoh, pada Gambar 1 dilustrasikan jaringan dengan sebuah hidden layer. Dalam jaringan, selain terdapat unit input, unit tersembunyi (hidden units) dan output juga terdapat bias yang diberikan pada unit-unit tersembunyi dan output.

Pada intinya, pelatihan dengan metode Backpropagation terdiri atas tiga langkah, yaitu sebagai berikut.

a. Data dimasukkan ke input jaringan (feedforward)

b. Perhitungan dan propagasi balik dari error yang bersangkutan

c. Pembaharuan (adjustment) bobot dan bias.

Saat umpan maju (feedforward), setiap unit input (Xi) akan menerima sinyal input dan akan menyebarkan sinyal tersebut pada tiap hidden unit (Zj). Setiap hidden unit kemudian akan menghitung aktivasinya dan mengirim sinyal (zj) ke tiap unit output. Kemudian, setiap unit output (Yk) juga akan menghitung aktivasinya (yk) untuk menghasilkan respon terhadap input yang diberikan jaringan.

Saat proses pelatihan (training) setiap unit output membandingkan aktivasinya (yk) dengan nilai target (desired output) untuk menentukan besarnya error. Berdasarkan error tersebut, dihitung faktor δk. Faktor δk digunakan untuk mendistribusikan error dari output kembali ke layer sebelumnya. Dengan cara yang sama, faktor δi juga dihitung pada hidden unit Zj. Faktor δk digunakan untuk memperbaharui bobot antara hidden layer dan input layer.

Setelah semua faktor δ ditentukan, bobot untuk semua layer di sesuaikan secara bersamaan. Pembaharuan bobot Wjk (dari hidden unit Zj ke unit output Yk) dilakukan berdasarkan faktor δk dan aktivasi zj dari hidden unit Zj. Sedangkan, pembaharuan bobot vij (dari input unit Xi ke hidden unit Zj) dilakukan berdasarkanfaktor δj dan aktivasi xi dari input.

Langkah 1.Inisialisasi bobot dan bias. Baik bobot maupun bias dapat diset dengan sembarang angka (acak) dan    biasanya, angka di sekitar 0 dan 1 atau -1 (bias positif atau negatif).

Langkah 2.Jika stop condition masih belum terpenuhi, jalankan langkah 3-10

Langkah 3.Untuk setiap data training, lakukan langkah 4-9

Umpan maju (feedforward)

Langkah 4.Setiap unit input (Xi, i= 1,…n) menerima sinyal input xi dan menyebarkan sinyal tersebut pada seluruh unit pada hidden unit. Perlu diketahui bahwa input xi yang dipakai di sini adalah input training data yang sudah diskalakan.

Langkah 5.Setiap hidden unit (Zj, j=1,…,p) akan menjumlahkan sinyal-sinyal input yang sudah berbobot, termasuk biasnya.

dan memakai fungsi aktivasi yang telah ditentukan untuk menghitung sinyal output dari hidden unit yang bersangkutan. zj = f ( z _ inj ),(2) lalu mengirim sinyal output tersebut ke seluruh unit pada unit output.

Langkah 6. Setiap unit output (Yk, k=1,..,m) akan menjumlahkan sinyal-sinyal input yang sudah berbobot, termasuk biasnya,

dan memakai fungsi aktivasi yang telah ditentukan untuk menghitung sinyal output dari unit output yang bersangkutan yj = f ( y _ ink ),(4) lalu mengirim sinyal output ini ke seluruh unit pada unit output.

Propagasi error (backpropagation of error

Langkah 7.Setiap unit output (Yk, k = 1,…,m) menerima suatu target patter (desired output) yang sesuai dengan input training pattern untuk menghitung kesalahan (error) antara target dengan output yang dihasilkan jaringan. δk = (tk − yk ) f ‘( y _ ink )(5) Sebagaimana input training data, output training data tk juga telah diskalakan menurut fungsi aktivasi yang dipakai Faktor δk digunakan untuk menghitung koreksi error (∆Wjk) yang nantinya akan dipakai untuk memperbaharui Wjk, di mana (6)∆Wjk = αδkzj selain itu, juga dihitung koreksi bias ∆W0k yang nantinya akan dipakai untuk memperbaharui ∆W0k, di mana:  ∆W 0 k = αδk(7) Faktor δk kemudian dikirimkan ke layer yang berada pada langkah 8.

Langkah 8.Setiap hidden unit (Zj, j = 1,…,p) menjumlahkan input delta (yang

dikirim dari layer pada langkah 7) yang sudah berbobot.

Kemudian, hasilnya dikalikan dengan turunan dari fungsi aktivasi yang digunakan jaringan untuk menghasilkan faktor koreksi error j.

di mana δj = δ _ inj f ‘( z _ inj ) (9)

Faktor δj digunakan untuk menghitung koreksi error (∆vij) yang nantinya akan dipakai untuk memperbaharui vij, di mana: (10) ∆vij = αδj xi

Selain itu, juga dihitung koreksi bias ∆v0j yang nantinya akan dipakai untuk memperbaharui v0j, di mana: ∆v0 j = αδj(11)

Pembaharuan bobot (adjustment) dan bias

Langkah 9.Setiap unit output (Yk, k = 1,…,m) akan memperbaharui bias dan bobotnya dari setiap hidden unit (j = 0,…,p), (12)wjk(baru) = wjk(lama) + ∆wjk demikian pula, setiap hidden unit (Zj, j= 1,…, p) akan memperbaharui bias dan bobotnya dari setiap unit input (i = 0,…,n) wij(baru) = wij(lama) + ∆vij(13)

Langkah 10.Memeriksa stop condition.

ANALISIS DAN PERANCANGAN SISTEM

Perancangan piranti lunak jaringan saraf tiruan didasari oleh model multilayer perceptron dengan propagasi balik dan fungsi aktifasi sigmoid biner untuk setiap neuronnya. Ide dasar yang dapat dilakukan pada penelitian ini adalah menentukan masukan yang akan dilakukan proses pembelajaran, selain itu karena model yang dikembangkan ini adalah model pembelajaran terawasi (supervised learning), maka normalisasi output juga harus diberikan pada saat awal pengembangan sistem.

3.1  Analisis Masukan dan Keluaran

Masukan utama adalah citra peta wilayah. Citra peta berwarna kemudian dirubah menjadi gambar dengan skala keabuan, metode yang dipakai untuk menjadikan peta tersebut berwarna grayscale adalah konversi yang dikeluarkan oleh CCIR Recommendation 601-1 yaitu pada persamaan 14 di bawah ini.

Dengan Y adalah nilai piksel yang baru pada mode grayscale, R adalah nilai piksel merah, G adalah nilai piksel hijau, dan B adalah nilai piksel biru

Masukan sistem adalah normalisasi dari segmentasi piksel terhadap wilayah per kecamatan se kotamadya Yogyakarta yang telah dibuat nilai histogram terhadap nilai grayscale. Gambar dibatasi dengan format BMP dengan jumlah piksel image 776 * 521 piksel. Segmentasi dilakukan dengan tiga tahap, yaitu

a. Segmentasi bujur sangkar, yaitu dengan melakukan pengelompokan piksel dengan jumlah 20 piksel horisontal dan 20 piksel vertikal, sehingga didapat jumlah piksel 400 buah untuk satu segmentasinya.

b. Segmentasi horisontal, yaitu dengan melakukan pengelompokan piksel dengan jumlah piksel 20 secara horisontal.

c. Segmentasi vertikal, yaitu dengan malakukan pengelompokan piksel dengan jumlah piksel 20 secara vertikal.

Dari pengelompokan tersebut, kemudian di buat frekuensi nilai penyebaran nilai terang dan nilai gelap suatu warna piksel. Sehingga, bila frekuensi warna terang lebih besar dari frekuensi warna gelap akan dinormalisasi menjadi nilai terang atau 1. Begitu juga sebaliknya. Dari hasil normalisasi tersebut diatas, maka didapat jumlah masukan yang sama untuk seluruh pola wilayah kecamatan yang diberikan (tabel 1) dan jumlah masukan yang akan masuk pada jaringan adalah 257 (jumlah bit biner hasil normalisasi). Karena model Backpropagation yang dikembangkan menggunakan model supervised, maka nilai keluaran juga harus diberikan dan diidentifikasi dahulu. Output adalah nama wilayah kecamatan yang ada di kotamadya Yogyakarta, sehingga jumlah yang didapat adalah 14. Nilai 14 dalam domain biner yang dapat terlingkupi menjadi 4 buah digit, sehingga dapat ditentukan nilai biner untuk tiap-tiap kecamatan tersebut. Sehingga (tabel 1).

Tabel 1. Contoh nilai biner input dan nilai biner output pelatihan

Rancangan Arsitektur Sistem yang akan dibangun

Dari hasil perancangan masukan dan keluaran yang telah di analisa, kemudian ditentukan jumlah hidden, baik jumlah layernya ataupun jumlah unit pada tiap layer yang ada. Jumlah hidden ditentukan dengan cara trial and error, dalam arti hasil pembelajaran yang tercepat dan terbaik itulah yang akan menentukan jumlah hidden layer tersebut. Adapun perancangan jaringan saraf tiruan backpropagation adalah seperti Gambar 2.

HASIL PERCOBAAN

Dari hasil perancangan yang telah dibuat dihasilkan percobaan yang terbaik. Terbaik disini diartikan mempunyai hasil ketepatan atau kebenaran yang cukup baik (lebih dari 82 %) dan pembelajaran (waktu maupun kestabilan) yang cukup baik. Dari percobaan yang dilakukan didapat jumlah iterasi maksimal yang dicapai mencapai 25000 iterasi, dan diperlukan pembelajaran 14 jam terhadap seluruh pola yang diberikan. Selain hal tersebut juga ditetapkan konstanta pembelajaran terbaik adalah 0.02 dengan toleransi kesalahan 0.01 dan lapisan tersembunyi 1 layer dengan jumlah unit 10 (lihat Tabel 1 dan 2)s.

Tabel 2. Hasil pengujian dengan konstanta belajar 0.7

Tabel 3. Hasil pengujian dengan konstanta belajar 0.02

KESIMPULAN

JST backpropagation dapat melakukan pembelajaran dan pengenalan terhadap suatu pola dengan tingkat generalisasi yang cukup tinggi. Sistemidentifikasi menghasilkan tingkat generalisasi sebesar 82,330%. Tingkat kegagalan (failure) terhadap data percobaan sebesar 17 % dari total 100 percobaan.

SUMBER: http://journal.uii.ac.id/index.php/media-informatika/article/viewFile/4/4

KONSEP TEKNOLOGI SISTEM CERDAS

PENGERTIAN SISTEM CERDAS

Artificial Intelligence atau AI adalah kemampuan dari sebuah komputer untuk berfikir seperti manusia bahkan lebih baik dibandingkan manusia . Dalam bahasa Indonesia Artificial Inteligence atau AI artinya Kecerdasan Buatan , biasanya sebuah sistem AI memiliki kemampuan untuk memperoleh informasi baru yang akan dikumpulkan agar sistem AI menjadi lebih cerdas lagi . Artificial Intelligence biasanya berbentuk mesin atau software , tujuan dari AI ini adalah untuk menggantikan peran manusia agar sebuah pekerjaan atau pemecahan suatu masalah dapat lebih mudah dan efisien.

Kecerdasan buatan (AI) merupakan cabang dari ilmu komputer yang dalam mempresentasi pengetahuan lebih banyak menggunakan bentuk symbol-simbol daripada bilangan, dan memproses informasi berdasarkan metode heuristic (Metode Heuristik adalah teknik yang dirancang untuk memecahkan masalah yang mengabaikan apakah solusi dapat dibuktikan benar, tapi yang biasanya menghasilkan solusi yang baik atau memecahkan masalah yang lebih sederhana yang mengandung atau memotong dengan pemecahan masalah yang lebih kompleks.) atau dengan berdasarkan sejumlah aturan.( Encyclopedia Britannica).

DEFINISI SISTEM CERDAS

Kecerdasan Buatan adalah ilmu rekayasa yang membuat suatu mesin mempunyai intelegensi tertentu khususnya program komputer yang “cerdas” (John Mc Cathy, 1956) Kecerdasan buatan merupakan

Kecerdasan buatan merupakan kawasan penelitian, aplikasi dan intruksi yang terkait dengan pemrograman computer untuk melakukan sesuatu hal – yang dalam pandangan manusia adalah – cerdas. (H.A Simon, 1987)

Kecerdasan buatan merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia. ( Rich and Knight, 1991).

4 Dasar Kategori di Konsep dasar AI (Kecerdasan Buatan) :

1. Acting Humanly

Acting humanly ialah system yang melakukan pendekatan dengan menirukan tingkah laku seperti manusia yang dikenalkan pada tahun 1950 degan cara kerja pengujian melalui teletype yaitu jika penguji (integrator) tidak dapat membedakan yang mengintrogasai antara manusia dan computer maka computer tersebut dikatakan lolos(menjadi kecerdasan buatan).

2. Thinking Humanly

Yaitu system yang dilakukan dengan cara intropeksi yaitu penangkapan pemikiran psikologis

Manusia pada computer,hal ini sering diujikan dengan neuron ke neuron lainnya atau sel otak dengan sel otak lainnya cara pembelajarannya yaitu melalui experiment-experimen.

3. Thinking Rationaly

Ini merupakn system yang sangat sulit ,karena sering terjadi kesalah dala, prinsip dan prakteknya,system ini dikenal dengan penalaran komputasi.

4. Acting Rationaly

Yaitu system yang melakukan aksi dengan cara menciptakan suatu robotika cerdas yang menggantikan tugas manusia.

Kelebihan Artificial Intelligence:

• Artificial Intelligence bersifat konsisten dan teliti. Hal ini disebabkan karena kecerdasan busatan adalah bagian dari teknologi komputer. Sedangkan kecerdasan alami senantiasa berubah-ubah.
• Artificial Intelligence lebih bersifat permanent. Kecerdasan alami akan cepat mengalami perubahan. Hal ini dimungkinkan karena sifat manusia yang pelupa. Kecerdasan buatan tidak akan berubah sepanjang sistem komputer dan program tidak mengubahnya.
• Artificial Intelligence dapat lebih murah daripada kecerdasan alami. Menyediakan layanan komputer akan lebih mudah dan lebih murah dibanding dengan harus mendatangkan seseorang untuk mengerjakan sejumlah pekerjaan dalam jangka waktu yang sangat lama.

Kekurangan Artificial Intelligence :

•  Rawan rusak.
•  Mahal dalam proses pembuatannya.
•  Memerlukan daya listrik.
•  Struktur kontrolnya terpisah dari pengetahuan.

EXPERT SYSTEM ( SISTEM PAKAR )

Sistem Pakar adalah program kecerdasan buatan yang memiliki pengetahuan tingkat ahli tentang domain tertentu dan tahu bagaimana menggunakan pengetahuan untuk merespon dengan baik. Domain mengacu pada wilayah di mana tugas yang sedang dilakukan. Idealnya sistem pakar harus menggantikan manusia ahli.

Keuntungan Sistem Pakar :

• Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli
• Dapat melakukan proses secara berulang secara otomatis
• Menyimpan pengetahuan dan keahlian para pakar
• Meningkatkan output dan produktivitas
• Meningkatkan kualitas
• Mampu mengambil dan melestarikan keahlian para pakar
• Mampu beroperasi dalam lingkungan berbahaya
• Memiliki kemampuan untuk mengakses pengetahuan
• Memiliki realibilitas
• Meningkatkan kapabilitas system computer

Kelemahan Sistem Pakar :

• Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal
• Sulit dikembangkan. Hal ini erat kaitannya dengan ketersediaan pakar dalam bidangnya
• Sistem pakar tidak 100% bernilai benar

DECISION SUPPORT SYSTEM ( SISTEM PENDUKUNG KEPUTUSAN )

 

Decision Support Systems (DSS) atau system pendukung keputusan adalah serangkaian kelas tertentu dari system informasi terkomputerisasi yang mendukung kegiatan pengambilan keputusan bisnis dan organisasi. Suatu DSS yang dirancang dengan benar adalah suatu system berbasis perangkat lunak interaktif yang dimaksudkan untuk membantu para pengambil keputusan mengkompilasi informasi yang berguna dari data mentah, dokumen, pengetahuan pribadi, dan/atau model bisnis untuk mengidentifikasikan dan memecahkan berbagai masalah dan mengambil keputusan

System pendukung keputusan atau DSS digunakan untuk mengumpulkan data, menganalisa dan membentuk data yang dikoleksi, dan mengambil keputusan yang benar atau membangun strategi dari analisis, tidak pengaruh terhadap computer, basis data atau manusia penggunanya.

Informasi yang biasanya dikumpulkan dengan menggunakan aplikasi pendukung keputusan akan melakukan:

•  Mengakses semua asset informasi terkini, termasuk data legasi dan relasional, kompulan data, gudang data, dan kumpulan jumlah besar data.
•  Angka-angka penjualan antara satu periode dengan periode lainnya.
•  Angka-angka pendapatan yang diperkirakan, berdasarkan pada asumsi penjualan produk baru.
•  Konsekuensi pilihan-pilihan pengambilan keputusan yang berbeda, dengan pengalaman dalam suatu konteks yang dirinci ulang.

Berbagai Tipe Sistem Pendukung Keputusan (DSS) :

• DSS model pasif adalah model DSS yang hanya mengumpulkan data dan mengorganisirnya dengan efektif, biasanya tidak memberikan suatu keputusan yang khusus, dan hanya menampilkan datanya. Suatu DSS aktif pada kenyataannya benar-benar memproses data dan secara eksplisit menunjukkan beragam solusi berdasarkan pada data tersebut.
•  DSS model aktif sebaliknya memproses data dan secara eksplisit menunjukkan solusi berdasarkan pada data yang diperoleh, walau harus diingat bahwa intervensi manusia terhadap data tidak dapat dipungkiri lagi. Misalnya, data yang kotor atau data sampah, pasti akan menghasilkan keluaran yang kotor juga (garbage in garbage out).
• Suatu DSS bersifat kooperatif jika data dikumpulkan, dianalisa dan lalu diberikan kepada manusia yang menolong system untuk merevisi atau memperbaikinya.
•  Model Driven DSS adalah tipe DSS dimana para pengambil keputusan menggunakan simulasi statistik atau model-model keuangan untuk menghasilkan suatu solusi atau strategi tanpa harus intensif mengumpulkan data.
• Communication Driven DSS adalah suatu tipe DSS yang banyak digabungkan dengan metode atua aplikasi lain, untuk menghasilkan serangkaian keputusan, solusi atau strategi.

Manfaat Penggunaan Aplikasi Terapan DSS/Decision Support System dalam Bentuk Business Intelligence Dashboard :

• Mempermudah dilakukannya analisa terhadap data master dan juga data transaksi perusahaan untuk kemudian menghasilkan berbagai laporan yang akan mendukung proses pengambilan keputusan oleh pihak manajemen perusahaan.
• Memberikan tampilan yang lebih enak dilihat dan lebih professional yang disesuaikan dengan kultur serta bidang bisnis perusahaan yang menggunakan aplikasi ini.
• Memberikan informasi terkini terhadap pergerakan angka-angka dalam perusahaan, atau bahkan bersifat real-time. Contohnya dalam hal ini; adalah pergerakan angka penjualan tiket pesawat setiap harinya, atau pergerakan angka kedatangan dan keberangkatan pesawat dari seluruh bandara di Indonesia (hasil kegiatan operasional perusahaan).

Source      : https://serverrendi.blogspot.co.id/2015/11/sistem-informasi-kelebihan-dan-kekurangan-artificial-intelligence.html , http://intelligence.worldofcomputing.net/ai-branches/expert-systems.html#.WBAaOzWVTfY , http://trisnahyt.blogspot.co.id/2016/09/teknologi-sistem-cerdas_30.html , http://tscsisteminformasi.blogspot.co.id/ , http://ayudiaarahmadanii.blogspot.co.id/2016/10/teknologi-sistem-cerdas.html , https://kidodi.wordpress.com/2012/02/19/pengertian-sistem-cerdas/ , https://ag92110007.wordpress.com/decision-support-system-sistem-pendukung-keputusan/

Sistem Informasi Pada Hotel

Tujuan Sistem Informasi dari sebuah Hotel itu sendiri yaitu:

1.      Lebih meningkatkan pelayanan Hotel

2.      Agar data-data yang ada di Hotel tersebut bisa tersusun rapihY

3.      Kemudahan dalam pencarian kamar yang kosong, kelas kamar dan lain-lain yang berhubungan dengan Hotel.

4.      Meningkatkan citra pelayanan Hotel tersebut.

Berdasarkan definisi di atas, maka kita dapat membagi Sistem Informasi Manajemen menjadi 5 komponen utama guna menunjang terlaksanana penerapan sistem informasi yang benar dan sesuai kebutuhan:

- Software (Sistem Informasi Manajeman Hotel)

- Hardware (Perangkat Kerasa berupa Komputer, printer dan lainnya)

- Networking (Jaringan LAN, Wireless dan lainnya)

- SOP (Standar Operasional Prosedur)

- Komitmen (Komitmen semua unit/instalasi yang terkait untuk sama-sama mejalankan sistem karena sistem tidak akan berjalan tanpa di Input)

- SDM (sumberdaya manusia adalah factor utama suksesnya sebuah sistem dimana data diinput dan di proses melalui tenaga-tenaga SMD tersebut)

Sistem Informasi Manajemen saat ini merupakan sumber daya utama yang mempunyai nilai strategis dan mempunyai peranan yang sangat penting sebagai daya saing serta kompetensi utama sebuah organisasi dalam menyongsong era Informasi ini sebuah system informasi juga harus disertai datanya, prosesnya dan informasinya pada sebuah hotel berikut penjelasannya :

Data

Pengumpulan data digunakan untuk memperoleh data-data yang dibutuhkan dalam sebuah system informasi, contoh pengumpulan data disebuah hotel ketika tamu menuju receptionist dan menyanyakan kamar yang kosong kemudian tamu memesan kamar yang dipilihnya dan kasir pun memasukan data ke komputer tersebut bahwa kamar nomer sekian telah dipesan oleh tamu, isi data tersebut yaitu nama tamu, nomor kamar, tanggal kedatangan tamu ke hotel, untuk berapa hari, kelas hotel yang akan di inapkan dan berapa kamar yang akan ditempati untuk menginap. Semua itu akan dimasukan kedalam sebuah program yang telah dibuat oleh pihak hotel. Contoh gambar.

Proses/Pengolahan Data

Pengertian pengolahan data adalah suatu proses merubah informasi tanpa nilai apapun kemudian dilakukan suatu kegiatan sehingga informasi tersebut dapat memberikan suatu yang berharga bagi suatu organisasi sehingga organisasi tersebut dapat mengambil suatu keputusan.

Langkah utama pengolahan data adalah :

- Input 

Merupakan suatu proses memasukan data kedalam alat input

- Proses atau pengolahan

Merupakan proses pengolahan dari data yang sudah dimasukkan oleh alat pemroses, seperti perhitungan, perbandingan, klasifikasi, pengurutan, pengendalian atau melakukan penyimpanan

- Output Merupakan proses menghasilkan dari hasil pengolahan data yaitu berupa informasi

Contoh Gambar.

 1.      Penjelasan proses 1 :

1. Pengecekan  pesanan dilakukan pada saat tamu memesan kamar

2.      Penjelasan proses 2 :

1. Pemberitahuan konfirmasi pesanan dilakukan setelah tamu memesan kamar dan setelah dilakukan pengecekan kamar.

3.      Penjelasan proses 3 :

1.      Pendataan tamu dilakukan pada saat tamu sudah mendapatkan pesanan kamar yang diinginkan.

2.      Pendataan pembayaran dilakukan pada saat tamu selesai melakukan penyewaan kamar

4.      Penjelasan proses 4 :

1.      Pencetaan kwitansi dilakukan setelah tamu melakukan transaksi pembayaran

5.      Penjelasan proses 5 :

1.      Pembuatan laporan akan diberikan kepada Generl Manajer sebagai bahan untuk pengambilan keputusan

2.      Laporan-laporan tersebut merupakan informasi yang di hasilkan oleh sistem.

Informasi

Informasi adalah data yang di olah menjadi bentuk yang lebih berguna dan lebih berarti bagi yang menerimanya. Kualitas Informasi adalah kualitas dari sistem informasi tergantung dari beberapa hal, yaitu

a. Akurat

     Akurat berarti informasi harus bebas dari kesalahan-kesalahan dan tidak bias atau menyesatkan.

b. Tepat pada waktunya

     Tepat pada waktunya berarti informasi yang datang pada penerima tidak boleh terlambat, informasi yang sudah lama tidak akan memiliki nilai lagi.

c. Dapat dipercaya

     Informasi tersebut berasal dari sumber yang dapat dipercaya, sumber tersebut juga telah teruji tingkat kejujurannya.

     Laporan  yang dihasilkan oleh bagian  pengolahan data pada Hotel  adalah laporan pembayaran dan  pendataan tamu, ini dikerjakan masih manual sekalipun dalam penggunaannya menggunakan computer. Kemudian hasilnya akan diserahkan kepada pihak manajer dalam bentuk sebuah informasi yang berkualitas.

Referensi : http://bagusdarmawan23.blogspot.co.id/2014/02/contoh-sistem-informasi-di-sebuah-hotel.html

Klasifikasi Sistem Informasi

Klasifikasi sistem informasi adalah suatu bentuk kesatuan antara satu komponen dengan satu komponen lainnya, karena tujuan dari sistem tersebut memiliki akhir tujuan yang berbeda untuk setiap perkara atau kasus yang terjadi dalam setiap sistem tersebut. Sehingga sistem tersebut dapat diklasifikasikan menjadi beberapa sistem, diantaranya yaitu:

1. Sistem Abstrak dan Sistem Fisik

- Sistem Abstrak (Abstract System) merupakan sistem yang berupa suatu konsep atau gagasan, atau sistem yang berupa suatu ide-ide atau suatu pemikiran yang bersifat non fisik yaitu tidak terlihat secara fisik. Contohnya seperti Teologi yaitu suatu ilmu tentang ketuhanan atau suatu gagasan maupun suatu pemikiran tentang hubungan antara manusia dengan Tuhannya.

Sistem Fisik (Physical System) merupakan sistem yang terlihat secara fisik contohnya seperti sistem akuntansi, sistem transportasi, sistem komputer, sistem produksi, dan lain-.lainnya

Contoh Sistem Abstrak - Hubungan Manusia dengan Tuhan

Contoh Sistem Fisik - Sistem Perbankan

2. Sistem Deterministik dan Sistem Probabilistik

- Sistem Deterministik (Deterministic System) merupakan suatu sistem yang bergerak atau beroperasi dengan cara yang dapat diperkirakan secara tepat, dan dapat mengetahui interaksi yang terjadi pada setiap bagian-bagiannya. Contohnya yaitu sistem komputer.

Contoh Sistem Deterministik - Sosial Media

- Sistem Probabilistik (Probabilistic System) merupakan suatu sistem yang tidak dapat memperkirakan hasil akhirnya atau kondisi masa depannya secara tepat karena memiliki unsur probabilitas (kemungkinan atau tidak tentu). Contohnya seperti sistem persediaan barang, sistem pemilihan presiden, dan lain sebagainya.

Contoh Probabilistik - Ramalan Cuaca

3. Sistem Terbuka dan Sistem Tertutup

- Sistem terbuka (Open System) merupakan sistem yang berhubungan dan mendapatkan pengaruh dari lingkungan luar untuk mendapatkan inputan dan melakukan proses sehingga menghasilkan keluaran. Karena sistem ini merupakan sistem yang mendapatkan pengaruh dari lingkungan luar atau merupakan sistem yang terbuka, maka sistem ini harus memiliki pengendalian yang baik, sehingga secara relatif tertutup, karena sistem yang tertutup akan secara otomatis akan terbuka untuk pengaruh yang positif saja. Contohnya sistem keorganisasian.

Contoh Sistem Terbuka - Kegiatan Mengajar

– Sistem tertutup (Close System) kebalikan dari sistem terbuka, yaitu sistem yang tidak behubungan dan tidak mendapatkan pengaruh dari lingkungan luar, sehingga sistem ini tidak melakukan pertukaran materi, energi, ataupun informasi, dan secara otomatis akan bekerja tanpa adanya campur tangan dari lingkungan luar. Contohnya reaksi kimia dalam sebuah tabung. Secara teoritis sistem tersebut ada, akan tetapi pada kenyataanya sistem tersebut tidak sepenuhnya tertutup, yang ada hanyalah relatively close system (sistem yang relatif tertutup atau tidak sepenuhnya tertutup).

Contoh Sistem Tertutup - Rapat yang bersifat tertutup

4. Sistem Alamiah dan Sistem Buatan

- Sistem Buatan (Human Made System) merupakan sistem yang dirancang oleh manusia atau merupakan sistem yang proses terjadinya melibatkan campur tangan manusia. Sistem ini juga melibatkan mesin, sehingga sering kali disebut Human Machine System. Contohnya Sistem komputer.

Contoh Sistem Buatan Manusia - Sistem ATM

- Sistem Alamiah (Natural System) merupakan sistem yang terjadi karena proses-proses alam tanpa adanya campur tangan manusia, karena memang tidak ada campur tangan manusia dan merupakan proses yang alamiah. Contohnya seperti rotasi perputaran bumi, sistem tatasurya, dan lain
sebagainya.

Contoh Sistem Alamiah - Sistem Tata Surya

5. Sistem Sederhana dan Sistem Kompleks

Dilihat dari tingkat kerumitannya sistem juga dapat dibagi menjadi sistem sederhana dan sistem kompleks. Contoh dari sistem sederhana yaitu sistem yang ada pada sepeda, sedangkan contoh dari sistem kompleks yaitu terjadi pada otak manusia.





Referensi : https://cheet0z.wordpress.com/2010/12/22/klasifikasi-sistem-informasi/ , https://belajarsisteminformasianalisis.wordpress.com/2014/12/11/klasifikasi-sistem/