Review Jurnal (SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KARYAWAN UNTUK SUATU JABATAN PADA PT. JAMSOSTEK)

PENDAHULUAN

Indifikasi masalah tugas akhir ini adalah “Bagaimana membangun sebuah sistem pendukung keputusan Pemilihan Karyawan untuk suatu Jabatan pada PT. Jamsostek”. Sedangkan maksudnya adalah untuk Membangun Sistem Pendukung Keputusan Pemilihan Karyawan untuk suatu Jabatan pada PT. Jamsostek.

Tujuan umum dari penulisan tugas akhir ini adalah :

1. Agar dapat mempermudah pekerjaan karyawan pada bagian SDM untuk proses promosi jabatan.

2. Mengurangi kejenuhan dan human error, sehingga akan meningkatkan etos kerja dalam menganalisis 

    beberapa karyawan yang menurut perhitungan cocok untuk menempati suatu jabatan tertentu.

3. Dapat memberikan kemudahan dalam mengambil keputusan karyawan yang sesuai dengan jabatan yang 

    kosong.

Metode Gap Analysis

Gap analysis merupakan salah satu alat yang dapat digunakan untuk mengevaluasi kinerja perusahaan, khususnya dalam upaya penyediaan pelayanan publik. Hasil analisis tersebut dapat menjadi input yang berguna bagi perencanaan dan penentuan prioritasanggaran di masa yang akan datang. Selain itu, gap analysis atau analisis kesenjanganjuga merupakan salah satu langkah yangsangat penting dalam tahapan perencanaan maupun tahapan evaluasi kinerja. Metode inimerupakan salah satu metode yang umum digunakan dalam pengelolaan manajemen internal suatu lembaga. Secara harafiah kata “gap” mengindikasikan adanya suatu perbedaan (disparity) antara satu hal dengan hal lainnya.

Gap akan bernilai (+) positif bila nilai aktual lebih besar dari nilai target, sebaliknya bernilai (-) negative apabila nilai target lebih besar dari nilai aktual. Apabila nilai target semakin besar dan nilai aktual semakin kecil maka akan diperoleh gap yang semakin melebar.

Untuk Lebih Jelas Bisa Download Jurnal Berikut :

Hasil Review :

Read More

Sistem Pakar

Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di bidangnya. Sistem pakar ini juga akan dapat membantu aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai asisten yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian masalah tertentu.

Ciri-Ciri Sistem Pakar

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

• Memiliki informasi yang handal.

• Mudah dimodifikasi.

• Dapat digunakan dalam berbagai jenis komputer.

• Memiliki kemampuan untuk belajar beradaptasi.

Keuntungan Sistem Pakar

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

1. Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.

2. Bisa melakukan proses secara berulang secara otomatis.

3. Menyimpan pengetahuan dan keahlian para pakar.

4. Meningkatkan output dan produktivitas.

5. Meningkatkan kualitas.

6. Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka).

7. Mampu beroperasi dalam lingkungan yang berbahaya.

8. Memiliki kemampuan untuk mengakses pengetahuan.

9. Memiliki reabilitas.

10. Meningkatkan kapabilitas sistem komputer.

11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian.

12. Sebagai media pelengkap dalam pelatihan.

13. Meningkatkan kapabilitas dalam penyelesaian masalah.

14. Menghemat waktu dalam pengambilan keputusan

Kelemahan Sistem Pakar

Di samping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa kelemahan, antara lain :

1. Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal.

2. Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan pakar di bidangnya.

3. Sistem Pakar tidak 100% bernilai benar.

Alasan Pengembangan Sistem Pakar, sistem pakar sendiri dikembangkan lebih lanjut dengan alasan :

• Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi.

• Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar.

• Seorang pakar akan pensiun atau pergi.

• Seorang pakar adalah mahal.

• Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat.

Modul Penyusun Sistem Pakar

Menurut Staugaard (1987) suatu sistem pakar disusun oleh tiga modul utama yaitu :

1. Modul Penerimaan Pengetahuan (Knowledge Acquisition Mode) Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu sistem pakar dengan pakarnya.

2. Modul Konsultasi (Consultation Mode)

Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaan-pertanyaan yang diajukan oleh sistem.

3. Modul Penjelasan (Explanation Mode)

Modul ini menjelaskan proses pengambilan keputusan oleh system (bagaimana suatu keputusan dapat diperoleh).

Struktur Sistem Pakar, komponen utama pada struktur sistem pakar menurut Hu et al (1987) meliputi:

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. w:st=”on”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.

Selain materi diatas,ada sedikit soal & jawabannya, yang mungkin dapat membantu para downloader yang sedang membutuhkan materi ini :

1. Apa alasan mendasar dikembangkannya sistem pakar?

2. Apa perbedaan sistem konvensional dan sistem pakar?

3. Dalam kondisi apakah perlu dilakukan migrasi dari sistem konvensional ke sistem pakar?

4. Apa tujuan dari sistem pakar dan pemindahan kepakaran?

5. Dilihat dari struktur, apa perbedaan dari Human Expert dan Expert System?

6. Apa itu knowledge base dan peranannya dalam sistem pakar?

7. Apa yang sekiranya terjadi bila sistem pakar tidak memiliki knowledge base?

8. Apa itu working memory dan peranannya dalam sistem pakar?

Jawaban!

1. Alasan mendasar dikembangkannya sistem pakar adalah untuk     menggantikan tugas-tugas dari para ahli digantikan hanya dengan sebuah sistem, tanpa harus seorang ahli atau pakar bekerja di tempat tersebut.

2. Sistem konvensional merupakan sebuah sistem yang didapat secara manual dari hasil pemikiran seseorang yang dituangkan melalui sebuah metode atau cara-cara tertentu, sedangkan sistem pakar merupakan sebuah sistem yang didapat dari hasil pemikiran seseorang, kemudian dituangkan kedalam sistem komputerisasi dan digunakan secara langsung untuk mendapatkan penyelesaian dari suatu masalah.

3. Pada saat suatu kondisi Perusahaan yang menginginkan untuk maju, karena dengan masih adanya sistem konvensional maka perusahaan tidak akan berkembang. Karena sistem pakar ini mengikuti perkembangan dari suatu teknologi.

4. Tujuan nya adalah pengalihan keahlian dari para ahli ke media elektronik seperti komputer yang kemudian dialihkan lagi pada orang yang bukan ahli atau user.

5. Dilihat dari segi strukturnya antara Human Expert dan Expert Sistem sama-sama memiliki kedudukan yang sejajar, namun human expert lebih kepada skill dari individu tersebut, sedangkan expert sistem merupakan bagaimana sistem tersebut berjalan secara otomatis dari skill individu yang membuatnya.

6. Knowledge base adalah hasil representasi pengetahuan dari seorang atau beberapa pakar yang diperlukan untuk memahami, memformulasikan dan memecahkan masalah. Dalam hal ini digunakan untuk memecahkan masalah-masalah yang terjadi pada komputer.

7. Knowledge Based System digunakan untuk dapat membantu manusia dalam menyelesaikan masalah yang dihadapi dengan berdasarkan atas pengetahuan yang telah diprogramkan ke sistem tersebut. Untuk hal inilah maka  digunakan maka knowledge based system dalam memecahkan masalah yang berhubungan  dengan AI (Artificial Intelligent). Jika tidak terdapat knowledge base tersebut maka system pakar sulit untuk memecahkan masalah.

8. Working memori memiliki tugas untuk mengorganisasikan informasi, memberi makna informasi dan membentuk pengetahuan untuk disimpan di memori jangka panjang, sehingga disebut memori pekerja. Jadi working memory berisi informasi yang didapat  dari user dan kesimpulan yang didapat dari sistem (memori sementara).

Read More

Jaringan Syaraf Tiruan

Jaringan syaraf tiruan (artifical neural network) adalah sistem komputasi yang arsitektur dan operasinya diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak. Jaringan syaraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut.

Adapun cara belajar jaringan saraf tiruan sebagai berikut:
Ke dalam jaringan saraf tiruan diinputkan informasi yang sebelumnya telah diketahui hasil keluarannya. Penginputan informasi ini dilakukan lewat node-node atau unit-unit input. Bobot-bobot antar koneksi dalam
suatu arsitektur diberi nilai awal dan kemudian jaringan saraf tiruan dijalankan. Bobot-bobot ini bagi jaringan digunakan untuk belajar dan mengingat suatu informasi. Pengaturan bobot dilakukan secara terus-menerus dan dengan menggunakan criteria tertentu sampai diperoleh keluaran yang diharapkan.

Ada banyak alas an mengapa jaringan saraf tiruan perlu dipelajari, antara lain:

1. Ada banyaknya teknik (algoritma) jaringan saraf tiruan yang tersedia. Teknik-teknik yang ada saat ini memilki arsitektur yang sangat beragam dan canggih. Ini berbeda jauh dengan arsitektur jaringan saraf tiruan pada masa-masa awal perkembangan jaringan saraf tiruan> Pada waktu itu model yang ada sangat sederhana sehingga aplikasinya pun terbatas.

2. Adanya computer digital berkecepatan tinggi. Hal semakin mempermudah proses simulasi jaringan saraf tiruan.

3. Aplikasi yang sangat luas.Bidang-bidang penelitian yang memanfaatkan jaringan saraf tiruan diantaranya:

• Aeorospace Autopilot pesawat terbang, simulasi jalur penerbangan, system kendali pesawat, perbaikan autopilot dan simulasi komponen pesawat.

• Otomoti Sistem kendali otomatis mobil.

• Keuangan dan Perbankan

Pendeteksian uang palsu, evaluator aplikasi kredit, pengidentifikasian pola-pola data pasar saham.

• Pertahanan (Militer)

Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek, pengendali
sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data, ektrasksi
bagian istimewa dan penghilangan derau, pengenalan sinyal atau citra.

• Elektronik

Pembuatan perangkat keras yang bias mengimplementasikan jaringan saraf tiruan
secara efisien (pendesainan VLSI), machine vision, pengontrol gerakan dan penglihatan
robot, sintesis suara.

• Broadcast

Pencarian klip berita melalui pengenalan wajah.

Lapisan – lapisan penyusun jaringan saraf tiruan dapat dibagi menjadi tiga, yaitu:
1. Lapisan input
Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input menerima
input dari dunia luar. Input yang dimasukkan merupakan penggambaran dari suatu
masalah.

2. Lapisan tersembunyi
Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Output dari
lapisan ini tidak secara langsung dapat diamati.

3. Lapisan output
Node-node pada lapisan output disebut unit-unit output. Keluaran atau output dari
lapisan ini merupakan output jaringan saraf tiruan terhadap suatu permasalahan.

Jaringan saraf tiruan dibagi ke dalam 3 macam arsitektur, yaitu:
1. Jaringan lapisan tunggal
Jaringan yang memiliki arsitektur jenis ini hanya memiliki satu buah lapisan bobot
koneksi. Jaringan lapisan-tunggal terdiri dari unit-unit input yang menerima sinyal dari
dunia luar, dan unit-unit output dimana kita bias membaca respons dari jaringan saraf
tiruan tersebut.

2. Jaringan multilapis
Merupakan jaringan dengan satu atau lebih lapisan tersembunyi. Multilayer net ini
memiliki kemampuan lebih dalam memcahkan masalah bila dibandingkan dengan
single-layer net, namun pela-tihannya mungkin lebih rumit.
3. Jaringan kompetitif
Jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.

Istilah-istilah Jaringan Saraf Tiruan 

Berikut ini beberapa istilah jaringan saraf tiruan yang sering ditemui:

• Neuron atau Node atau Unit: Sel saraf tiruan yang merupakan elemen pengolahan jaringan saraf tiruan. Setiap neuron menerima data input, memroses input tersebut (melakukan sejumlah perkalian dengan melibatkan summation function dan fungsi aktivasi), dan mengirim-kan hasilnya berupa sebuah output.

• Jaringan: Kumpulan neuron yang saling terhubung dan membentuk lapisan.

• Input atau Masukan: Berkorespon dengan sebuah atribut tunggal dari sebuah pola atau data lain dari dunia luar. Sinyal-sinyal input ini kemudian diteruskan ke lapisan selanjutnya.

• Output atau Keluaran: Solusi atau hasil pemahaman jaringan terhadap data input.Tujuan pembangunan jaringan saraf tiruan sendiri adalah untuk mengetahui nilai output.

• Lapisan Tersembunyi (hidden layer): Lapisan yang tidak secara langsung berinteraksidengan dunia luar. Lapisan inimrmemperluas kemampuan jaringan saraf tiruan dalam menghadapi masalah-masalh yang kompleks.

• Bobot: Bobot dalam jaringan saraf tiruan merupakan nilai matematis dari koneksi, yangmentransfer data dari satu lapisan ke lapisan lainnya. Bobot ini digunakan untuk mengatur jaringan sehingga jaringan saraf tiruan bias menghasilkan output yang diinginkan sekaligus bertujuan membuat jaringan tersebut belajar.

• Summation Function: Fungsi yang digunakan untuk mencari rata-rata bobot dari semuaelemen input. Yang sederhana adalah dengan mengalikan setiap nilai input (Xj) denganbobotnya (Wij) dan menjumlahkannya (disebut penjumlahan berbobot, atau Si).

• Fungsi Aktivasi atau Fungsi Tranfer: Fungsi yang menggambarkan hubungan antara tingkat aktivasi internal (summation function) yang mungkin berbentuk linier atau nonlinier. Beberapa fungsi aktivasi jaringan saraf tiruan diantaranya: hard limit, purelin,dan sigmoid. Yang popular digunakan adalah fungsi sigmoid yang memiliki beberapa varian: sigmoid logaritma, sigmoid biner, sigmoid bipolar, dan sigmoid tangent.

• Paradigma Pembelajaran: Cara berlangsungnya pembelajaran atau pelatihan jaringan saraf tiruan, apakah terawasi (supervisod learning), tidak terawasi (unsupervised learning), atau merupakan gabungan keduanya (hybrid).

1. Pada pembelajaran terawasi, kumpulan input yang digunakan, output-outputnya telah diketahui.Perbedaan antara output-output actual dengan output-output yang diinginkan digunakan untuk mengoreksi bobot jaringan saraf tiruan agar jaringan saraf tiruan dapat menghasilkan jawaban sedekat (semirip) mungkin dengan jawaban yang benar yang telah diketahui oleh jaringan saraf tiruan.
2. Pada pembelajaran tak terawasi, atau pembelajaran tanpa guru, jaringan saraf tiruan mengorganisasi dirinya sendiri untuk membentuk vector-vektor input yang serupa, tanpa menggunakan data atau contoh-contoh pelatihan. Struktur menggunakana dasar data atau korelasi antara pola-pola data yang diekplorasi. Paradigma pembelajaran ini mengorganisasipola-pola ke dalam kategori-kategori berdasarkan korelasi yang ada.  

Aturan Pembelajaran: Aturan kerja secara umum dari teknik/ algoritma jaringan saraf tiruan. Ada 4 tipe dasar aturan pembelajaran, yaitu aturan pengoreksian kesalahan (error correcting), aturan Boltzmann, aturan Hebbian, dan aturan pembelajarankompetitif (competitive learning).

1. Aturan Pengoreksian Error
Prinsip dasar dari aturan pembelajaran pengoreksian error adalah memodifikasi bobot-bobot koneksi dengan menggunakan sinyal kesalahan (output target – output actual)untuk mengurangi besarnya kesalahan secara bertahap.

2. Aturan Pembelajaran Boltzmann
Mesin Bolztmann merupakan jaringan saraf tiruan balik yang simetris, terdiri dari nit-unit biner (+1 dan -1, masing – masing untuk on dan off). Dengan kesimetrisannya, bobot pada koneksi dari unit I ke unit j sama dengan bobot koneksi dari unit j ke unit I (Wij = Wji). Setiap neuron pada

3. Aturan Hebbian
Kekuatan koneksi antara 2 buah neuron akan meningkat jika kedua neuron memiliki tingkah laku yang sama (keduanya memiliki aktivasi positif atau keduanya memiliki aktivasi negative).

4. Aturan Pembelajaran Kompetitif
Unit –unit output pada aturan pembelajaran kompetititf ini hanya harus saling bersaing untuk beraktivasi. Jadi hanya satu unit output yang aktif pada satu waktu. Fenomena ini dikenal sebagai winner-take-all. Bobot-bobotnya diatur setelah satu node pemenang terpilih.

Read More

Pengertian Artificial Intelligence

Kecerdasan buatan, bagi orang-orang yang tidak berkecimpung di dunia komputer tentu mengartikan “Kecerdasan buatan”  yaitu kecerdasan yang dibuat oleh manusia. Memang betul, yaitu kecerdasan yang di muat oleh manusia, Tapi kecerdasan yang dibuat manusia yang seperti apa?

          Seperti halnya saya, mungkin bagi temen-temen yang baru masuk kuliah jurusan ilmu komputer (Teknik Informatika atau Sistem Informasi) masih belum begitu tahu, apa sih kecerdasaan buatan itu?

            Kecerdasan Buatan atau yang lebih di kenal dengan AI (Artificial Intelligence) menurut  H. A. Simon [1987] merupakan kawasan penelitian, aplikasi dan instruksi yang terkait dengan pemrograman komputer untuk melakukan sesuatu hal dalam pandangan manusia yang cerdas. Lalu, menurut Rich and Knight [1991] AI merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia.

Setelah membaca dan menelaah tentang pengertian AI menurut H. A. Simon [1987] serta Rich and Kinight [1991] di atas, kira-kira temen-temen sudah bisa menyimpulkan apa siee inti dari kecerdasan buatan itu?  Atau malah tambah bingung? hehehehe

Tapi inti dari AI sendiri, yaitu suatu program yang dibuat oleh manusia, sehingga program itu bisa menjalankan suatu aktifitas layaknya manusia. Kita bisa ambil contoh Robot, ada robot yang bisa berjalan sendiri, menyapu, mengangkat barang , menulis, dansa dll. Temen-temen tentu berfikir, kok robot bisa seperti itu? bagaimana caranya? Nah cara-cara yang digunakan untuk membuat robot itu bisa berjalan, menyapu ataupun mengangkat barang yaitu menggunakan sistem kecerdasan Buatan (Artificial Intelligence). Contoh lagi yang menggunakan sistem AI yaitu game, mobil yang bisa berjalan sendiri dll

Read More

Sony Patenkan Robot yg Bisa Mandi

Selain dikenal sebagai produsen elektronik kenamaan dunia, Sony juga kerap merancang robot pintar. Setelah mengajukan aplikasi paten lensa kamera yang dapat digunakan di tangan robot, perusahaan asal Jepang itu dilaporkan telah mengajukan paten robot terbaru.

Paten tersebut adalah robot yang dapat membersihkan dirinya sendiri (mandi) setiap kali tubuhnya terlihat kotor. Di sisi lain robot yang belum disebutkan namanya itu juga bisa membantu manusia dalam melakukan aktivitas sehari-hari.

Jika dilihat dari gambar paten di atas, robot besutan Sony tersebut tampak mirip dengan robot buatan produsen perangkat komputer NEC yang dijuluki Papero Robot. Robot ini dapat melakukan 200 macam kegiatan berbeda, seperti melakukan dialog yang sederhana dengan manusia.

Sementara itu salah satu robot populer ciptaan Sony adalah Aibo (Artificial Intelligence Robot). Aibo sendiri merupakan robot anjing pintar yang dapat melakukan gerakan yang diperintahkan pemiliknya, seperti menari, mengonggong, dan gerakan lain layaknya anjing sungguhan.

Berkat wireless technology yang dimilikinya, Aibo dapat berkomunikasi dengan alat-alat elektronik yang terhubung secara remote dengan komputer melalui internet atau perangkat mobile. Aibo bahkan dapat menerima perintah dari jarak jauh untuk mengambil foto bila di rumah Anda kedatangan tamu yang tak diundang.

Sony diketahui sudah mengeluarkan beberapa versi dari robot anjing yang berbasiskan AI (Artificial Intelligence) tersebut. Aibo juga sempat datang ke Indonesia dan dipamerkan di sebuah pusat perbelanjaan di Jakarta beberapa waktu yang lalu. 

sumber : http://tekno.liputan6.com/read/2039772/sony-patenkan-robot-yang-bisa-mandi

Read More

Menguap Pertanda Otak Lagi Kepanasan

Setiap orang pasti pernah menguap, tetapi penyebab seseorang menguap masih menjadi misteri hingga kini. Sebuah penelitian terbaru mengungkapkan bahwa menguap mungkin bisa membantu mendinginkan otak yang terlalu panas.

Para peneliti dari Austria, seperti dikutip situs Health Day edisi 8 Mei 2014, menemukan bahwa jumlah kuapan setiap orang berbeda-beda, tergantung pada temperatur udara. Karena itu, orang jarang menguap di luar ruangan karena temperatur di luar biasanya sangat panas atau sangat dingin.

Dalam penelitian terbaru, tim yang dipimpin oleh Jorg Massen dari University of Vienna mendata kebiasaan menguap orang-orang yang beraktivitas di udara terbuka di Vienna, Austria, selama musim panas dan musim dingin. Para ilmuwan kemudian membandingkan hasil tersebut dengan eksperimen sejenis yang dilakukan di Arizona. Partisipan dalam semua studi itu diminta melihat gambar orang yang menguap untuk mencari tahu ihwal “kuap yang menular”, dan kemudian melaporkan perilaku menguap mereka sendiri.

Orang-orang di Vienna ternyata menguap lebih banyak pada musim panas ketimbang musim dingin, sementara hal yang sebaliknya terjadi di Arizona. Para ilmuwan juga menemukan bahwa kuap yang menular lebih kerap terjadi saat suhu udara sekitar 68 derajat Fahrenheit. Kuap jarang muncul saat suhu udara lebih tinggi dari itu, atau sekitar 98,6 derajat Fahrenheit selama musim panas di Arizona atau sekitar titik beku selama musim dingin di Vienna. Hasil riset ini dipublikasikan secara online di jurnal Physiology & Behaviour.

Seperti yang diijelaskan oleh para peneliti, kuap untuk mendinginkan otak tidak terjadi ketika suhu di udara terbuka sepanas suhu tubuh seseorang atau malah lebih panas. Bahkan, kata Massen, pendinginan otak ada kemungkinan tidak terjadi pada musim dingin. Pendinginan otak bisa meningkatkan kemampuan otak sehingga kuap yang menular bisa menjadi kebiasaan evolusioner yang berarti meningkatkan kesiagaan secara menyeluruh sekelompok orang.

Read More

SISTEM PENGAMBILAN KEPUTUSAN, PEMODELAN & DUKUNGAN

·         Menurut Herbert A. Simon, ada 2 tipe keputusan:

1. Keputusan terprogram adalah keputusan yang sifatnya rutin dan berulang-ulang, dan organisasi biasanya mengembangkan cara-cara tertentu untuk mengendalikannya. Contoh : menata barang dagangan di toko.

2. Keputusan tidak terprogram adalah keputusan yang dikeluarkan hanya sekali dan biasanya tidak terstruktur dianding keputusan yang terprogram. Contoh : barang dagangan apa yang akan dijual.

·   Mengacu pada pemahaman diatas, maka Herbert A. Simon mengklasifikasikan masalah dalam tiga kategori yaitu:

1. Structured Problem (Terstruktur), merupakan masalah yang rutin dan berulang, sehingga dalam pemecahannya dilakukan secara standar berdasarkan analisa kuantitatif. Disamping itu, masalah tersebutdapat dibuatkan alagoritma atau aturan yang memungkinkan masalah tersebutdapatdiidentifikasi dan dimengerti. Berdasarkan hasil identifikasi, maka dapat dibuatkan solusi alternatif dalam memecahkan masalah tersebut. Masalah ini dikenal sebagai masalah yang memiliki struktur tiga tahapan Simon.
2. Unstructured problem (Tidak Terstruktur), Problem yang masih kabur dan cukup kompleks yang tidak ada solusi langsung bisa dipakai
3. Semi structured problem (Semi Terstruktur), pada masalah ini merupakan penggabungan antara structured dan unstructured problem.  Unstuctured & Semi Structured perlu SPK untuk meningkatkan kualitas informasi, memberi beberapa alternatif solusi.

·    Menurut Simon ada 4  fase dalam pengambilan keputusan, dimana fase 1-3 merupakan dasar pengambilan keputusan, sedangkan pemecahan masalah adalah fase 1-4:

Download Materi Lengkap 

Read More