SISTEM PAKAR

Sistem Pakar berasal dari dua kata yaitu sistem dan pakar. Sistem adalah beberapa elemen yang ditekankan pada efektifitasnya (untuk mencapai suatu tujuan). Pakar adalah seseorang yang ahli pada suatu bidang.

Sistem pakar (expert system) secara umum adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Atau dengan kata lain sistem pakar adalah sistem yang didesain dan diimplementasikan dengan bantuan bahasa pemrograman tertentu untuk dapat menyelesaikan masalah seperti yang dilakukan oleh para ahli.

      Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut :

1.      Memiliki informasi yang handal.

2.      Mudah dimodifikasi.

3.      Dapat digunakan dalam berbagai jenis komputer.

4.      Memiliki kemampuan untuk belajar beradaptasi.

Tujuan Sistem Pakar

Tujuan Sistem Pakar adalah untuk mentransfer kepakaran dari seorang pakar ke komputer, kemudian ke orang lain (yang bukan pakar). Proses ini membutuhkan 4 aktivitas yaitu tambahan pengetahuan (dari para ahli atau sumber lainnya), representasi pengetahuan (ke computer), inferensi pengetahuan dan pengalihan pengetahuan pengguna.

Komponen Sistem Pakar

1. Basis Pengetahuan (Knowledge Base)

Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui.

2. Mesin Inferensi (Inference Engine)

Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi penalaran dan strategi pengendalian. Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada keadaan sebaliknya.Strategi pengendalian berfungsi sebagai panduan arah dalam melakukan prose penalaran. Terdapat tiga tehnik pengendalian yang sering digunakan, yaitu forward chaining, backward chaining, dan gabungan dari kedua teknik pengendalian tersebut.

3. Basis Data (Data Base)

Basis data terdiri atas semua fakta yang diperlukan, dimana fakta fakta tersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam sistem. Basis data menyimpan semua fakta, baik fakta awal pada saat sistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saat proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan untuk menyimpan data hasil observasi dan data lain yang dibutuhkan selama pemrosesan.

4. Antarmuka Pemakai (User Interface)
            Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai dengan komputer.
 Teknik Representasi Pengetahuan

Representasi pengetahuan adalah suatu teknik untuk merepresentasikan basis pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi/keterhubungan antara suatu data dengan data yang lain. Teknik ini membantu knowledge engineer dalam memahami struktur pengetahuan yang akan dibuat sistem pakarnya. Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan dalam pengembangan suatu sistem pakar, yaitu

a. Rule-Based Knowledge

Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules). Bentuk representasi ini terdiri atas premise dan kesimpulan.

b. Frame-Based Knowledge

Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame.

c. Object-Based Knowledge

Pengetahuan direpresentasikan sebagai jaringan dari obyek-obyek. Obyek adalah elemen data yang terdiri dari data dan metoda (proses).

d. Case-Base Reasoning

Pengetahuan direpresentasikan dalam bentuk kesimpulan kasus (cases).

Inferencing dengan Rule : Forward dan Backward Chaining.
Inferensi dengan rules merupakan implementasi dari modus ponen, yang direfleksikan dalam mekanisme search (pencarian). Dapat pula mengecek semua rule pada knowledge base dalam arah forward maupun backward. Proses pencarian berlanjut sampai tidak ada rule yang dapat digunakan atau sampai sebuah tujuan (goal) tercapai. Ada dua metode inferencing dengan rules, yaitu forward chaining atau data-driven dan backward chaining atau goal-driven.

a. Backward chaining

    Menggunakan pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut. Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining.

b. Forward chaining

    Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert konklusi. Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh. Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.

Bentuk Sistem Pakar

1. Mandiri. Sistem pakar yang murni berdiri sendiri, tidak digabung dengan software lain, bisa dijalankan pada komputer pribadi, mainframe.
2. Terkait / Tergabung. Dalam bentuk ini sistem pakar hanya merupakan bagian dari program yang lebih besar. Program tersebut biasanya menggunakan teknik algoritma konvensional tapi bisa mengakses sistem pakar yang ditempatkan sebagai subrutin, yang bisa dimanfaatkan setiap kali dibutuhkan.
3. Terhubung. Merupakan sistem pakar yang berhubungan dengan software lain, misalnya : spreadsheet, DBMS, program grafik. Pada saat proses inferensi, sistem pakar bisa mengakses  data dalam spreadsheet atau DBMS atau program grafik bisa dipanggil untuk menayangkan output visual.
4. Sistem Mengabdi. Merupakan bagian dari komputer khusus yang diabdikan kepada fungsi tunggal. Sistem tersebut bisa membantu analisa data radar dalam pesawat tempur atau membuat keputusan intelejen tentang bagaimana memodifikasi pembangunan kimiawi, dan lain-lain.

PENERAPAN SISTEM PAKAR

Sistem pakar dalam Industri / Manufaktur

            Manufaktur di definisikan sebagai urutan-urutan kegiatan yang saling berhubungan meliputi perancangan, perencanaan, pemilihan material, produksi, pengontrolan kualitas, menajemen serta pemasaran produk. Proses manufaktur yang penyelesaiannya dapat dibantu oleh system pakar antara lain :

1. Sistem Pakar Dalam Perancangan

PRIDE(Pinch Roll Interactive Design Expert / Environment). Sistem pakar ini digunakan untuk merancang system pengaturan kertas untuk mesin fotocopy. Sistem ini membuat rancangan dengan representasi pengetahuan tentang rancangan berdasarkan kumpulan goal, metoda perancangan, generator dan aturan-aturan yang terstruktur.

2. System Pakar Dalam Perencanaan

Wood Trus fabrication Application merupakan contoh system pakar dalam proses perencanaan. System ini dibuat dengan menggunakan shell sitem pakar SPS (Semi Intelligent Process Selector).

3. Sistem Pakar Dalam Penjadwalan

Sistem pakar juga digunakan dalam penjadwalan, dibawah ini adalah beberapan contoh kegunaan system pakar dalam penjadwalan :

•  Contionuous Caster Steel Mill Scheduling Application

System pakar ini berbasis fuzzy logic yang dibuat untuk monitoring on line dan penjadwalan continuous caster steel mill.

Continuous caster stell mill mengolah material seperti scrap, pig iron dan refined ore melalui proses tertentu untuk menghasilkan lempeng baja yang memiliki kulitas dan komposisi sesuai kebutuhan.

•   Master Production Scheduling Aplication (MPS)

Sistem pakar ini dikembangkan untuk melakukan penjadwalan produksi master untuk manufaktur Integrated Circuit (IC). Master Production Scheduling (MPS) merupakan aktivitas perencanaan yang sangat luas, yang mengatur dan mengkoordinasi fase-fase berurutan proses penjadwalan manufaktur tertentu.

4. Sistem Pakar Dalam Proses Kontrol

Beberapa contoh penggunaan system pakar dalam proses control adalah sebagai berikut :

• Aluminium Foil Rolling Flatness control Appilcation

System pakar ini merupakan system pakar yang dibuat mengontrol kekaratan aluminium foil secara otomatis. System ini menyesuaikan bentuk pola target menurut karakteristik material dan kondisi pengoperasiannya.

•  Blast Furnace Heat Control Application

System pakar ini dibuat untuk mengontrol tingkat panas blast furnace (tanur).

5. Sistem Pakar Dalam Production Planning Dan Production Control

Perencanaan produksi dilakukan dalam hal kuantitas, waktu, kapasitas dan biaya pengendalian produksi meliputi penyelesaian pesanan, pengawasan pesanan dan pengamanan kualitas.

       Manfaat system pakar dalam proses manufaktur / industry adalaah sebagai berikut :

• Meningkatkan produktivitas
• Mengambil alih keahlian yang langka
• Memudahkan pengoperasian peralatan
• Kemampuan bekerja dengan informasi yang tidak pasti dan tidak lengkap

Sistem Pakar Dalam Bidang Pendidikan / Ilmu Pengetahuan

1. Penelitian tentang penggunaan system pakar dalam bidang pendidikan dilakukan oleh prof. Gordon S. Novack Jr. pada Universitas of Texas, Austin, tahun 1990. Aplikasi system pakar ini diberi nama ISAAC yang memiliki parser yang mampu membaca kalimat (dalam bahasa Inggris) dalam kecepatan 5000 kata/menit dan mampu menyelesaikan soal-soal Fisika Mekanik (Statika) dalam waktu kurang dari 5 menit. Aplikasi ini  dikerjakan oleh 1 tim terdiri dari 60 0rang dan membutuhkan waktu 1 tahun. (E.S. Handbook, 1992).
2. Aplikasi lain yang terkait dengan hal diatas adalah system pakar mengenai penjelasan soal-soal fisika serta pemhaman teori lebih mendalam dengan menggunakan metoda pendekatan komputasi.(Ohlsson, 1992).
3. Aplikasi system pakar dalam bidang matematika yang dilakukan oleh Yibin dan Jian Xiang tahun 1992. System pakar ini menyelesaikan soal-soal diferensial dan Integral yang diberi nama DITS.(Forcheri, 1995).
4. Studi system pakar untuk proses belajar Fisika dilakukan oleh seorang dosen Fisika yang menempuh pendidikan S2 pada salah satu perguruan tinggi di Jakarta.

Latar belakang dari dilakukannya studi ini adalah karena Fisika merupakan disiplin ilmu yang sangat fundamental yang menjadi dasar dari sains dan teknilogi.

Melihat kepentingan tersebut, makan para siswa/mahasiswa perlu menguasai ilmu ini, tapi kenyataannya sering dianggap momok oleh sebagian besa siswa/mahasiswa selain itu juga kurangnya tenaga guru / dosen Fisika serta kurangnya sarana prasarana yang diperlukan dalam proses belajar mengajar Fisika, seperti alat banto audio maupun visual.

    Dalam studi ini dibuat aplikasi sitem pakar yang mampu menyelesaikan persoalan rangkaian arus bolak-balik yang terdiri dari komponen resistor dan inductor baik seri maupun paralel.

Sistem Pakar Dalam Bisnis

• Sistem Pakar dalam Pembelian

System ini berfungsi untuk menilai dan memilih pemasok (supplier) dengan pertolongan dan pengiriman barang secara optimal, dimana dalam hal ini menunjang pemasok yang potensial. Dalam hal operasi, maka system ini mempunyai fungsi penasihat kepada pembeli.

• Sistem Pakar mengenai suku cadang mesin percetakan

Sistem ini menunjang pengujian secara teknis dari pesanan langganan dalam mesin cetak dan suku cadang yang diinginkan.

• Sistem pakar mengenai konsultasi program bantuan kredit bank

System ini membantu pada konsultasi tentang program kredit bantuan pada institusi public,

• Sistem pakar mengenai strategi perencanaan

System ini berbasis system penunjang keputusan ( Dicision Support system) untuk strategi perencanaan produk yang dikembangkan dari integrasi system konvensional dan prototip system pakar. 

Sistem Pakar pada bidang Kecerdasan Buatan

Artificial Intelligence atau Kecerdasan Buatan adalah suatu sistem informasi yang berhubungan dengan penangkapan, pemodelan dan penyimpanan kecerdasan manusia dalam sebuah sistem teknologi informasi sehingga sistem tersebut memiliki kecerdasan seperti yang dimiliki manusia. Sistem ini dikembangkan untuk mengembangkan metode dan sistem untuk menyelesaikan masalah, biasanya diselesaikan melalui aktifivitas intelektual manusia, misal pengolahan citra, perencanaan, peramalan dan lain-lain, meningkatkan kinerja sistem informasi yang berbasis komputer.

Kecerdasan buatan didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan. Kecerdasan buatan (Artificial Intelligence) adalah bagian dari ilmu komputer  yang mempelajari bagaimana  membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik daripada yang dilakukan manusia.

Menurut John McCarthy, 1956, AI: untuk mengetahui dan memodelkan proses-proses berpikir manusia dan mendesain mesin agar dapat menirukan perilaku manusia.

Cerdas =  memiliki pengetahuan + pengalaman, penalaran (bagaimana membuat keputusan dan mengambil tindakan), moral yang baik.

Manusia cerdas (pandai) dalam menyelesaikan permasalahan karena manusia mempunyai pengetahuan & pengalaman. Pengetahuan diperoleh dari belajar. Semakin banyak bekal pengetahuan yang dimiliki tentu akan lebih  mampu menyelesaikan  permasalahan.  Tapi  bekal  pengetahuan  saja  tidak  cukup, manusia juga diberi akal untuk melakukan penalaran,mengambil kesimpulan berdasarkan pengetahuan & pengalaman yang dimiliki. Tanpa memiliki kemampuan untuk menalar dengan baik, manusia dengan segudang pengalaman dan  pengetahuan  tidak  akan   dapat menyelesaikan  masalah  dengan  baik.

Demikian juga dengan kemampuan menalar yang  sangat baik,namun tanpa bekal pengetahuan dan pengalaman yang memadai,manusia juga tidak akan bisa menyelesaikan masalah dengan baik. Agar mesin  bisa cerdas (bertindak seperti & sebaik manusia) maka harus diberi bekal pengetahuan & mempunyai kemampuan untuk menalar.

Interface kecerdasan buatan dan system pakar

Mengatur komunikasi antara pengguna dan komputer. Komunikasi ini paling baik berupa bahasa alami, biasanya disajikan dalam bentuk tanya-jawab dan kadang ditampilkan dalam bentuk gambar/grafik. Antarmuka yang lebih canggih dilengkapi dengan percakapan (voice communication).

Persamaan dan Perbedaan antar Sistem Pakar dengan Kecerdasan Buatan.

Sistem Pakar juga merupakan bagian dari Artificial Intelligence(AI) atau kecerdasan buatan, dimana letak persamaannya adalah sama-sama untuk mencapai hasil yang maksimal dalam memecahkan masalah, dan perbedaannya adalah sistem pakar mengacu pada si pembuatnya atau seseorang yang ahli dalam suatu bidangnya atau mengacu pada si perancang itu sendiri sebagai objek dalam menyiapkan suatu sistem guna mendapatkan hasil yang maksimal, sedangkan AI mengacu pada jalur atau langkah yang berorientasi pada hardware guna mencapai yang maksimal.

Dapat disimpulkan Sistem Pakar merupakan bagian dari AI, dimana selain sistem pakar yang menggunakan AI, ada beberapa yang lain diantarnya games, logika Fuzzy, jaringan saraf tiruan, dan robotika.

Kecerdasan buatan merupakan salah satu topik yang disukai penggemar science-ction, pada lm Terminator digambarkan perang manusia melawan mesin, bahkan dalam novel berjudul With Folded Hands karangan Jack Williamson, digambarkan bangsa Humanoids (robot mesin ciptaan manusia) menjajah bangsa manusia dan menggantikan semua peranan manusia.

Sistem Pakar dalam bidang pertanian

Dalam dunia pertanian banyak sekali hal yang harus dipelajari agar dapat menghasilkan sesuatu yang bermanfaat. Begitu banyaknya hal yang harus diingat seperti media tanam yang berbeda bagi tiap jenis tanaman, takaran pupuk, hama dan penyakit tanaman, dan banyak sekali cara agar tanaman yang ditanam dapat menghasilkan hasil yang lebih baik. Tetapi, manusia pasti mempunyai sifat pelupa yang memungkinkan hal-hal tersebut di atas dan berakibat pada hasil pertanian yang kurang memuaskan dan tidak stabil. Untuk mengatasi hal di atas, salah satunya dibutuhkan suatu teknologi yang dapat membantu kita.

Oleh karena itu, sistem pakar (expert system) mempunyai kemampuan untuk memudahkan masalah-masalah praktis pada saat sang pakar berhalangan. Dan salah satu implementasi sistem pakar pada bidang pertanian yaitu untuk mengidentifikasi penyakit tanaman.

Banyak sekali ragam hama dan penyakit tanaman dan beragam pula nama dan akibat yang dihasilkannya. Ciri-ciri antara tanaman yang terkena penyakit satu dengan penyakit yang lainnya sangat mirip sehingga membingungkan orang awam atau pemula yang baru kenal untuk dapat mengidentifikasinya. Sebaliknya ada juga tanaman yang terkena penyakit dengan ciri-ciri yang berbeda namun tetap saja membingungkan dalam mengingat nama dan penanggulangan penyakit tersebut.

Sistem pakar ini sangat berguna untuk membantu petani dalam mengingat jenis-jenis penyakit dan hama tanaman juga untuk mengenali ciri-cirinya yang berguna untuk menanggulangi masalah penyakit tanaman sehingga dapat meminimalkan kesalahan petani dalam mengatasi masalah ini.

Sistem pakar ini dapat memberikan tambahan pengetahuan kepada petani mengenai macam-macam penyakit yang berhasil di identifikasi oleh sistem dan dapat mengetahui tanaman apa saja yang biasa diserang oleh penyakit tersebut, dengan adanya pengetahuan ini maka ketika para petani sadar tanamannya terkena hama atau penyakit, maka petani dapat dengan mudah untuk mengatasi hama dan penyakit tersebut.

Namun, banyak juga kendala yang menghambat dalam proses penerapan sistem pakar di bidang pertanian. Salah satunya SDM dan latar belakang para petani konvensional yang kurang berpendidikan yang sangat berpengaruh dalam pengembangan teknologi di bidang pertanian. Karena itulah, pemerintah harus banyak memberikan penyuluhan di bidang teknologi bagi para petani. Kalau pemerintah sulit untuk merealisasikan hal ini, kenapa tidak dimulai dari kita?

Sistem Pakar dalam Bidang Psikologi

Implementasi sistem pakar banyak digunakan dalam bidang psikologi karena sistem pakar dipandang sebagai cara penyimpanan pengetahuan pakar pada bidang tertentu dalam program komputer sehingga keputusan dapat diberikan dalam melakukan penalaran secara cerdas. Irisan antara psikologi dan sistem pakar melahirkan sebuah area yang dikenal dengan nama cognition & psycolinguistics. Umumnya pengetahuannya diambil dari seorang manusia yang pakar dalam domain tersebut dan sistem pakar itu berusaha meniru metodelogi dan kinerjanya (performance) (Kusumadewi, 2003).

Salah satu implementasi yang diterapkan sistem pakar dalam bidang psikologi, yaitu untuk sistem pakar menentukan jenis gangguan perkembangan pada anak. Anak-anak merupakan fase yang paling rentan dan sangat perlu diperhatikan satu demi satu tahapan perkembangannya. Contoh satu bentuk gangguan perkembangan adalah conduct disorder. Conduct disorder adalah satu kelainan perilaku dimana anak sulit membedakan benar salah atau baik dan buruk, sehingga anak merasa tidak bersalah walaupun sudah berbuat kesalahan.

Dampaknya akan sangat buruk bagi perkembangan sosial anak tersebut. Oleh karena itu dibangun suatu sistem pakar yang dapat membantu para pakar/psikolog anak untuk menentukan jenis gangguan perkembangan pada anak dengan menggunakan metode Certainty Factor (CF).

Contoh implementasi lainnya adalah aplikasi tes kepribadian berbasiskan sistem pakar ini, lebih mudah dan lebih cepat dalam proses pengukuran kepribadian dibandingkan metode terdahulu, sehingga memberikan banyak keuntungan dari segi penghematan waktu, tenaga, dan memudahkan kinerja user (pemakai) dalam mengukur kepribadiannya masing-masing. Selain itu aplikasi tes kepribadian ini dikemas dengan tampilan yang cukup menarik.

Bagi masyarakat yang ingin mengetahui ukuran kepribadiannya, mereka dapat menggunakan aplikasi ini sebagai referensi, dan bagi para mahasiswa khususnya mahasiswa psikologi, aplikasi ini dapat dijadikan tambahan untuk mendukung studi mereka terutama untuk sub bidang pengukuran kepribadian.

Namun demikian, aplikasi tes kepribadian berbasiskan sistem pakar ini tidak bisa menggantikan seorang ahli karena dia pakar di bidangnya. Aplikasi sistem pakar ini hanyalah alat bantu yang sangat bergantung pada data-data yang di-input oleh seorang programmer sehingga aplikasi sistem pakar ini haruslah selalu dikembangkan.

Sistem Pakar di Bidang Eksplorasi Alam

Dalam bidang ini sistem pakar sangat penting manfaatnya. Keputusan yang dihasilkan akan sangat bermanfaat. Contoh penerapannya yaitu sistem pakar yang diterapkan pada alat pendeteksi kandungan minyak bumi. Alat ini menghasilkan keputusan dari data-data yang ada, dan mengambil keputusan ada atau tidaknya hingga berapa jumlah kandungan yang terkandung. Rule base yang deprogram dibuat oleh para ahli dibidangnya.

Aplikasi pengmabilan keputusan berupa resiko-resiko yang dapat terjadi bila melakukan penambangan. Sistem pakar memperhitungkan berapa peluang keberhasilan yang dapat dicapai. Keputusan ini harus sangat akurat dan meliputi seluruh aspek hingga keselamatan warga sekitar. Jangan sampai timbul kesalahan yang disebabkan oleh salah dalam pengambilan keputusan.

Manfaat yang dihasilkan sangat menguntungkan, tetapi bukan berarti tidak terlepas dari beberapa kerugian penerapan sistem pakar di bidang ini.

Keuntungan yang dapat diambil antara lan:

• Akurasi perhitungan menjadikan kegiatan di bidang ini mendapat keuntungan.
• Perhitungan yang rumit dapat terselesaikan dengan cepat.
• Keakuratan perhitungan meminimalisir kesalahan factor manusia.
• Menghasilkan informasi yang mendukung, sehingga tugas para ahli lebih mudah untuk mengkaji ulang.

Kerugian yang dapat terjadi anatara lain:

• Kesalahan perhitungan yang menyebabkan kegagalan.
• Pengaturan rule base yang berganti-ganti pada setiap eksplorasi yang berbeda.

 Sistem Pakar Di Bidang Kedokteran

Contoh alat kedokteran yang menerapkan sistem pakar di dalamnya antara lain USG (ultrasonografi). Alat ini bekerja berdasarkan pantulan gelombang suara ultrasonik. Banyak digunakan untuk mendeteksi janin dalam kandungan. Alat ini bekerja dengan menerima input berupa suara yang lalu diolah menjadi sebuah informasi berupa visual. Alat ini cukup aman karena tidak menimbulkan radiasi seperti sinar-x yang biasanya digunakan untuk rontgen.

Alat lain yang menerapkannya adalah pengukur kadar lemak dalam darah. Alat ini berfungsi untuk mengetahui kadar lemak dalam darah seseorang. Terlebih dahulu diberi input yang mendukung perhitungan. Perhitungan alat ini telah dirumuskan dengan rule base yang telah terprogram. Setelah input dimasukkan maka alat ini secara otomatis mengolah datanya dan hasilnya berupa keputusan.

Keuntungan yang dapat diambil antara lain:

•  Membantu dalam menghasilkan keputusan berupa analisa suatu penyakit.
•  Membantu tugas yang tidak dapat dilakukan secara manual oleh manusia.
•  Memudahkan untuk penyembuhan.

Kerugian yang dapat terjadi antara lain:

• Error yang terjadi saat pengambilan keputusan.
•  Rule base yang harus sesuai dengan kondisi setiap pasien.
•  Efek samping dari tindakan yang dilakukan oleh alat. 

Contoh Sistem Pakar

PROSPECTOR

• Di desain oleh Sheffield Research Institute, akhir 70-an.
• Sistem pakar yang membantu ahli geologi dalam mencari dan menemukan deposit.
• Basis pengetahuan berisi bermacam-macam mineral dan batu-batuan. Banyak pakar geologi diwawancarai dan pengetahuan mereka tentang berbagai bentuk biji deposit dimasukkan ke dalam sistem pakar.
• Ahli geologi melacak biji deposit dengan pergi ke lapangan untuk meninjau medan dan mengumpulkan bukti yang ada seperti ciri-ciri geologi dicatat, sampel tanah dan batu-batuan. Sistem pakar mengevaluasi areal dalam bentuk pertanyaan dan data-data tersebut dimasukkan, kemudian Prospector memberikan rekomendasi yang menunjukkan jumlah deposit yang ada dan apakah menguntungkan atau tidak bila dieksplorasi atau di bor lebih lanjut.

Keuntungan Sistem Pakar 
Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain :

• Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.
• Bisa 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 (terutama yang termasuk keahlian langka).
• Mampu beroperasi dalam lingkungan yang berbahaya.
• Memiliki kemampuan untuk mengakses pengetahuan.
• Memiliki reabilitas.
• Meningkatkan kapabilitas sistem komputer.
• Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian.
• Sebagai media pelengkap dalam pelatihan.
• Meningkatkan kapabilitas dalam penyelesaian masalah.
• Menghemat waktu dalam pengambilan keputusan.

Referensi : http://yusufedi.blogspot.co.id/2012/10/penerapan-sistem-pakar-dalam-berbagai.html , http://sistem-pakar-universitas.blogspot.co.id/2011/10/ciri-ciri-sistem-pakar.html, http://veronicagultom03.blogspot.co.id/2014/10/05-sistem-pakar-sp.html , https://nurulaisyah2.wordpress.com/2012/10/13/sistem-pakar/, https://nurulaisyah2.wordpress.com/2012/10/13/sistem-pakar/

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/

Kurang Komunikasi, Banyak Karyawan Tak Hargai Benefit dari Perusahaan

Metrotvnews.com, Jakarta: Berdasarkan survei yang dilakukan oleh perusahaan konsultan Towers Watson mengenai manfaat karyawan (benefit) se-Asia-Pasifik menggambarkan adanya kesenjangan yang cukup besar antara biaya yang dikeluarkan perusahaan untuk manfaat benefit terhadap penghargaan yang diberikan untuk hal tersebut.

Survei yang melibatkan 1.145 perusahaan di 20 negara di kawasan Asia-Pasifik termasuk 62 perusahaan di Indonesia tersebut digelar untuk mendapatkan gambaran persoalan yang dihadapi oleh perusahaan terkait pemberian benefit. Survei tersebut dilaksanakan pada bulan Desember 2014 hingga bulan Januari 2015.

Director Benefits Towers Watson South East Asia Mark Whatley dalam keterangan persnya, beberapa waktu lalu mengungkapkan bahwa perusahaan yang ada di Indonesia merupakan pembelanja kedua terbesar setelah Filipina di wilayah Asia untuk pengeluaran benefit. Selain itu sebesar 84 persen perusahaan di Indonesia merasa terbebani dengan kemungkinan membesarnya biaya benefit akibat perubahan regulasi dari pemerintah.

Saat ini lebih dari 65 persen perusahaan di Indonesia mengeluarkan lebih dari seperempat payroll untuk membiayai benefit. Namun hal tersebut tidak berarti langsung diapresiasi oleh para karyawan mereka.

"Namun peningkatan pengeluaran benefit karyawan tidak lantas berhubungan dengan peningkatan penghargaan atas benefit tersebut oleh karyawan. Penghargaan dari karyawan atas benefit tersebut akan meningkat bila opini dari karyawan dilibatkan dalam pembentukan fasilitas benefit," tukas Mark.

Hal tersebut terlihat dengan 81 persen para pengusaha merasa bahwabenefit yang mereka tawarkan tidak begitu dihargai oleh para karyawan dan hanya 19 persen yang sangat menghargai benefit yang diberikan oleh perusahaan. Hal ini kemungkinan disebabkan karena 29 persen perusahaan di Indonesia tidak mengkomunikasikan benefit yang ada kepada para karyawan mereka.

Berdasarkan Survei tersebut juga terungkap bahwa para karyawan di Indonesia lebih menghargai benefit untuk kesehatan berobat jalan (85 persen) dibandingkan dengan benefit rawat inap (77 persen) dan dana pensiun (35 persen).

Mark menambahkan, bila para karyawan dilibatkan dan dikomunikasikan akan apa saja manfaat yang dapat mereka peroleh maka hal tersebut akan secara signifikan meningkatkan value dari benefit yang diberikan. Dengan begitu para karyawan dapat menyesuaikan fasilitas benefit dengan kebutuhan mereka.

"Dengan fleksibilitas tersebut karyawan dapat menyesuaikan kebutuhannya dan bila mereka ingin meningkatkan benefit yang mereka peroleh maka tentunya perusahaan akan mengenakan biaya tambahan kepada karyawan. Namun hal tersebut justru lebih menguntungkan bagi karyawan tersebut bila dibandingkan nantinya karyawan tersebut mengurus asuransi kedua secara pribadi diluar yang diberikan perusahaan," ujar Mark.

Dengan memiliki dua asuransi tersebut maka akan meningkatkan risikodouble benefit dengan benefit yang diberikan oleh perusahaan. Tentunya hal ini akan membebani karyawan dengan biaya lain yang lebih mahal dibandingkan yang dikelola oleh perusahaan secara kolektif, di point inilah fleksibilitas dapat terlihat manfaatnya.

Ironisnya, sekitar 45 persen dari perusahaan yang ada mempertimbangkan untuk menambahkan alokasi biaya untuk benefit bagi karyawan disamping yang sudah ada sekarang ini. Mark memandang hal ini tidak diperlukan selama perusahaan dapan meningkatkan komunikasi dengan karyawan mereka agar benefit yang diberikan dapat dipahami oleh para karyawan.

Dari berita diatas, dapat ditarik 4 jawaban dari pertanyaan dibawah ini :

1.       Pokok Masalah

·         Kurangnya, bahkan tidak ada pengkomunikasian benefit yang didapat para karyawan sehingga hanya beberapa karyawan yang menghargai benefit yang diberikan perusahaan.

2.       Pihak Yang Terlibat

·         Perusahaan

·         Karyawan

3.       Solusi

·         Perusahaan harus meningkatkan komunikasi dengan karyawan mereka agar bnefit yang diberikan dapat dipahami dan dimanfaatkan oleh para karyawan.

4.       Mitigasi Masa Depan

·         Karena kurangnya komunikasi mengenai pemberian benefit yang ada kepada para karyawan, karyawan menjadi kurang menghargai benefit yang telah disediakan perusahaan, intinya harus meningkatkan komunikasi antara perusahaan dan karyawan.

·         Karyawan harus dilibatkan / turut andil pada saat perundingan penetapan benefit yang akan diberikan perusahaan, dengan begitu para karyawan dapat menyesuaikan fasilitas benefit dengan kebutuhan mereka.

·         Pada saat perundingan penetapan benefit untuk karyawan, perusahaan harus selektif dalam penentuan penetapan benefit agar kedua pihak saling diuntungkan.