TUGAS MATA KULIAH

E-Bisnis

REVIEW BUKU

Decision Support and Business Intelligence Systems (9th

Edition) (Efraim Turban, Ramesh Sharda , Dursun Delen)

dan

Management Information Systems by James O'Brien

and George Marakas

Oleh:

Rizal Bahara (P056120232.41E)

Dosen:

Dr. Ir. Arif Imam Suroso

PROGRAM PASCASARJANA MANAJEMEN DAN BISNIS

INSTITUT PERTANIAN BOGOR
2014
Daftar Isi :

O'Brian Chapter 8, Section 1: CRM

Customer Relationship Management: The Business Focus 309
Introduction 309
What is CRM? 309
CRM Goes Mobile 310
The Three Phases of CRM 314
Benefits and Challenges of CRM 315
Trends in CRM 317

O'Brian Chapter 8, Section 2:ERP

Introduction 320
What Is ERP? 320
Benefits and Challenges of ERP 324
Trends in ERP 327

O'Brian Chapter 8, Section 3: Supply Chain Management

Introduction 330
What is SCM? 330
Electronic Data Interchange 334
The Role of SCM 335
Benefits and Challenges of SCM 338
Trends in SCM 340

OBrian Chaper 10. Section II: Artificial Intelligence Technologies in

Business
Business and AI
Overview AI
Expert Systems
Developing Expert Systems.Neural Networks
Fuzzy Logic Systems
Genetic Algorithms
Virtual Reality
Intelligent Agents

Turban Chapter 12, Section 1

Opening Vignette: A Web-based Expert System for Wine Selection
Concepts and Definitions of Artificial Intelligence
The Artificial Intelligence Field
Basic Concepts of Expert System

Turban Chapter 12, Section 2:

Applications of Expert System
Structure of Expert System
Knowledge Engineering

Turban Chapter 12, Section 3:

Problem Areas Suitable for Expert Systems
Development of Expert Systems
Benefits of Expert Systems Limitation of Expert Systems, and
Critical Success Factors of Expert Systems
 O'Brian Chapter 8, Section 1: CRM

Customer Relationship Management: The Business

Focus

Introduction

What is CRM

CRM Goes Mobile

The Three Phases of CRM

Benefits and Challenges of CRM

Trends in CRM
Customer Relationship Management

Hubungan dengan pelanggan menjadi aset paling berharga bagi perusahaan,

Strategi setiap perusahaan adalah menemukan dan mempertahankan setiap
pelanggan yang mengguntungkan. Fokus Bisnis CRM adalah mengelola berbagai
hubungan pelanggan melibatkan 2 tujuan yang saling berkaitan: Pertama ,
memberi organisasi dan semua karyawannya yang berhadapan dengan pelanggan,
satu pandangan lengkap tentang setiap pelanggan di setiap hal dan di lintas semua
saluran; dan kedua, memberi pelanggan satu pandangan lengkap tentang
perusahaan dan saluran-salurannya yang luas , CRM menjadi salah satu proses
bisnis yang menarik untuk diperbincangkan. Customer Relationship Management
meliputi semua aspek yang berkenaan dengan interaksi suatu perusahaan dengan
pelanggannya. Hal ini bisa berupa penjualan jasa ataupun barang. Semuanya
berawal dari kegiatan marketing terhadap pelanggan. Kegiatan marketing
mengelola seluruh aspek dari daur hidup pelanggan, mulai dari sales, acquisition,
fulfillment, hingga retention.

Application Cluster di CRM

CRM memiliki tiga elemen kunci yang dikenal dengan Customer Touch
Points, Applications, dan Data Stores, yaitu :
(a).Customer Touch Points adalah hal yang penting bagi perusahaan yang
berorientasi dan memfokuskan diri pada kebutuhan pasar/pelanggan saat ini dan
di masa yang akan datang. Hal ini merupakan antarmuka antara organisasi dan
pelanggan. Contoh perangkat untuk kontak pelanggan seperti e-mail, termasuk 3G
telephone, video conferencing, Interactive TV, dan telephone.
(b).Applications merupakan perangkat lunak (software) yang mendukung proses-
proses tersebut. Contohnya aplikasi yang melayani pemasaran (data
mining dan permission marketing software), penjualan (monitoring Customer
Touch Points software), dan layanan (customer care software).
(c). Data Stores berisi data dari setiap aspek pelanggan, dan siklus hidup
pelanggan. Contohnya sebuah organisasi menyimpan data produk yang dibeli
pelanggan,kapan dan dimana ataupun data pelanggan yang melihat produk tetapi
tidak membeli. Data tersebut dapat dianalisa dengan menggunakan software.
CRM menggunakan teknologi untuk :
1. Membuat sistem perusahaan lintas fungsional yang mengintegrasikan dan
mengotomatisasi banyak proses dalam penjualan, pemasaran dan layanan
pelanggan yang berinteraksi dengan pelanggan
2. CRM menciptakan IT framework yang menghubungkan semua proses
dengan bisnis oprasional perusahaan

Keuntungan CRM :
1. Mengidentifikasi dan menargetkan pelanggan terbaik.
2. Kostomisasi real-time dan personalisasi produk dan jasa
3. Melacak ketika pelanggan menghubungi perusahaan
4. Memberikan pengalaman pelanggan yang konsisten dan layanan yang
unggul dan dukungan

Penjualan
Sebuah sistem CRM menyediakan tenaga penjualan dengan sumber daya
alat dan data yang mereka butuhkan untuk

Mendukung dan mengelola kegiatan penjualan mereka

Optimalkan lintas dan up-selling

CRM juga menyediakan sarana untuk memeriksa status account pelanggan

dan sejarah sebelum penjadwalan panggilan penjualan

Pemasaran dan Pemenuhan

Sistem CRM membantu pemasaran langsung dengan tugas-tugas seperti
otomatis sebagai

Kualifikasi lead untuk target pemasaran

Penjadwalan dan pelacakan surat
Menangkap dan mengelola respon
Menganalisis nilai bisnis dari kampanye
Memenuhi tanggapan dan permintaan

Layanan dan Dukungan Pelanggan

Sebuah sistem CRM memberikan reps layanan akses real-time ke database
yang sama yang digunakan oleh penjualan dan pemasaran

Permintaan untuk layanan diciptakan, ditugaskan, dan dikelola

Rute software Call center panggilan ke agen
Bantuan perangkat lunak menyediakan layanan data dan saran
untuk memecahkan masalah
 Berbasis web self-service memungkinkan pelanggan untuk mengakses
informasi sendiri dimanapun dan kapanpun

Retensi dan Loyalitas Program

Biayanya 6 kali lebih untuk menjual kepada pelanggan baru
Pelanggan tidak puas akan memberitahu 8-10 orang lain
Meningkatkan retensi pelanggan sebesar 5 persen dapat meningkatkan
keuntungan sebesar 85 persen
Kemungkinan penjualan ke pelanggan yang ada adalah 50 persen, yang
baru 15 persen
Sekitar 70 persen pelanggan akan melakukan bisnis dengan perusahaan
lagi jika masalah cepat diurus
Meningkatkan dan mengoptimalkan purna jual dan loyalitas pelanggan
adalah tujuan utama dari CRM
Mengidentifikasi, memberi reward, dan pasar yang paling setia dan
pelanggan yang menguntungkan
Mengevaluasi program pemasaran dan hubungan yang ditargetkan

Tiga Fase CRM

Tiga fase yang dilakukan dalam CRM adalah mengakuisisi pelanggan baru
(acquire). Pelanggan baru didapatkan dengan memberikan kemudahan
pengaksesan informasi, inovasi baru, dan pelayanan yang menarik. Meningkatkan
keuntungan dari pelanggan yang sudah ada (enhance). Perusahaan berusaha
menjalin hubungan dengan pelanggan melalui pemberian pelayanan yang baik
terhadap pelanggannya. Mempertahankan pelanggan yang menguntungkan
(retain). Dengan menawarkan apa yang dibutuhkan oleh pelanggan spesifik bukan
yang dibutuhkan oleh pelanggan pasar, karena nilai jasa bagi pelanggan adalah
nilai proaktif yang paling sesuai dengan kebutuhannya.
Manfaat CRM
 CRM memungkinkan sebuah perusahaan untuk mengidentifikasi serta
berfokus pada para pelanggan terbaik mereka, yaitu mereka yang paling
menguntungkan bagi perusahaan, agar mereka dapat dipertahankan sebagi
pelanggan seumur hidup untuk layanan yang lebih besar dan menguntungkan.
Manajemen hubungan pelanggan memungkinkan penyesuaian dan personalisasi
real-time atas berbagai produk dan jasa berdasarkan pada keinginan, kebutuhan,
kebiasaan membeli serta siklus hidup para pelanggan. CRM juga dapat menelusuri
saat ketika pelanggan menghubungi perusahaan, darimana pun titik hubungannya.
Sistem CRM juga memungkinkan perusahaan untuk memberi pengalaman yang
konsisten dan layanan serta dukungan superior bagi pelanggan, di semua titik
kontak yang dipilih oleh pelanggan. Semua manfaat ini akan memberi nilai bisnis
strategis bari perusahaan dan nilai pelanggan yang besar bagi para pelanggannya
Kegagalan CRM
1. Kurangnya pemahaman dan persiapan
2. Mengandalkan pada aplikasi untuk memecahkan masalah tanpa terlebih
dahulu mengubah proses bisnis
3. Pemangku kepentingan bisnis tidak berpartisipasi dan tidak siap Tren
CRM

CRM Operasional

Mendukung interaksi pelanggan dengan kenyamanan yang lebih

besar melalui berbagai saluran
Mensinkronisasikan interaksi pelanggan secara konsisten di semua
saluran
Membuat perusahaan lebih mudah untuk melakukan bisnis dengan

CRM Analytical

Ekstrak mendalam sejarah pelanggan, preferensi, dan profitabilitas

dari database
Memungkinkan prediksi nilai pelanggan dan perilaku
Memungkinkan perkiraan permintaan
Membantu informasi penjahit dan menawarkan untuk kebutuhan
pelanggan

CRM Collaborative

Kolaborasi mudah dengan pelanggan, pemasok, dan mitra

Meningkatkan efisiensi dan integrasi seluruh rantai pasokan
Respon yang lebih besar untuk kebutuhan pelanggan melalui luar
sourcing produk
dan layanan

CRM berbasis Portal

 Menyediakan pengguna dengan alat dan informasi yang sesuai
dengan kebutuhan mereka
Memberdayakan karyawan untuk merespon tuntutan pelanggan
lebih cepat
Membantu reps menjadi benar-benar pelanggan berwajah
Menyediakan akses cepat ke semua informasi pelanggan internal
dan eksternal
O'Brian Chapter 8, Section 2:ERP

Introduction

What Is ERP?

Benefits and Challenges of ERP

Trends in ERP
Apa itu ERP.

ERP adalah sistem perusahaan lintas fungsional berdasarkan suite terintegrasi

yang terdiri dari modul perangkat lunak untuk mendukung proses bisnis internal
dasar dari sebuah perusahaan. Sebagai contoh, software ERP untuk perusahaan
manufaktur biasanya akan mengolah data dan melacak status penjualan,
persediaan, pengiriman, dan faktur, serta perkiraan bahan baku dan kebutuhan
sumber daya manusia. Gambar 8.8 menyajikan komponen aplikasi utama dari
sistem ERP. Gambar 8.9 menggambarkan beberapa proses bisnis lintas-fungsional
utama dan pemasok dan pelanggan arus informasi yang didukung oleh sistem
ERP
ERP memberikan perusahaan terpadu pandangan real-time dari proses bisnis inti,
seperti produksi, pemrosesan order, dan manajemen persediaan, diikat oleh ERP
perangkat lunak aplikasi dan database yang umum dipelihara oleh sistem
manajemen database. Sistem ERP melacak sumber daya bisnis (seperti uang tunai,
bahan baku, dan produksi kapasitas), dan status komitmen yang dibuat oleh bisnis
(seperti pesanan pelanggan, pesanan pembelian, dan gaji karyawan), departemen
tidak peduli (manufaktur, pembelian, penjualan, akuntansi, dan sebagainya) telah
memasukkan data ke dalam sistem)
Software ERP suite biasanya terdiri dari modul yang terintegrasi dari manufaktur,
distribusi, penjualan, akuntansi, dan aplikasi sumber daya manusia. Contoh
manufaktur proses yang didukung adalah perencanaan kebutuhan material,
perencanaan produksi, dan perencanaan kapasitas. Beberapa penjualan dan proses
pemasaran yang didukung oleh ERP adalah analisis penjualan, perencanaan
penjualan, dan analisis harga, sementara aplikasi distribusi khas termasuk
manajemen pesanan, pembelian, dan perencanaan logistik. Sistem ERP
mendukung banyak proses sumber daya manusia yang vital, mulai dari
perencanaan kebutuhan personel administrasi gaji dan tunjangan, dan
menyelesaikan paling diperlukan pencatatan keuangan dan aplikasi akuntansi
manajerial. Gambar 8.10 mengilustrasikan proses didukung oleh sistem ERP yang
menginstal Colgate Palmolive-Company.
Benefit dan Peluang dari Penerapan ERP
Kualitas dan efisiensi. ERP menciptakan kerangka kerja untuk mengintegrasikan
dan meningkatkan proses bisnis internal perusahaan yang menghasilkan
peningkatan yang signifikan pada kualitas dan efisiensi layanan pelanggan,
produksi, dan distribusi.
Penurunan biaya. Banyak perusahaan melaporkan penurunan yang signifikan
dalam transaksi biaya pengolahan dan perangkat keras, perangkat lunak, dan staf
dukungan TI dibandingkan dengan sistem warisan yang tidak terintegrasi
digantikan oleh ERP baru mereka sistem.
Pendukung keputusan. ERP menyediakan informasi lintas fungsional penting
pada bisnis kinerja manajer cepat untuk secara signifikan meningkatkan
kemampuan mereka untuk membuat keputusan yang lebih baik pada waktu yang
tepat di seluruh perusahaan bisnis.
Kelincahan perusahaan (Enterprise agility )Menerapkan sistem ERP juga
medobrak sekat antar departemen pada proses bisnis, informasi sumber daya
sistem, dan informasi. Hal ini menyebabkan lebih fleksibelnya struktur organisasi,
tanggung jawab manajerial, dan peran kerja, dan oleh karena itu proses kerja
lebih cepat dan lincah (agile) .organisasi juga lebih adaptif dan tenaga kerja yang
dapat lebih mudah memanfaatkan peluang bisnis baru
Biaya dari Penerapan ERP
Sebuah implementasi ERP seperti transplantasi otak. Kami menarik steker pada
setiap aplikasi perusahaan dan pindah ke software PeopleSoft. Risikonya adalah
bisnis bisa terganggu jika Anda tidak melakukan ERP dengan benar.
Pada penerapakan ERP perlu juga di lihat cost yang ditimbulkan, jika di lihat di
gambar 8.11 dapat di lihat bahwa biaya software dan hardware adalah kecil, yang
besar adalah reengineering dan training untuk karyawan.
Biaya dan resiko gagal pada penerapan ERP sangat penting, banyak perusahaan
yang telah sukses menerapkan ERP tapi mempunyai biaya yang tinggi dan
mengalami kerugian yang besar pada keuntungan. Ini terjadi ketika bisnis intinya
dan sistem informasinya gagal atau tidak bekerja sempurna. Banyak kejadian
terjadi karena kehilangan permintaan dan pengiriman, biaya inventory tidak
tercatat sempurna dan akurasi data Gudang tidak benar selama mingguan atau
bahkan bulanan.
Contoh terbaru dari kegagalan ERP adalah Shane Co, milik keluarga perhiasan
pengecer dan salah satu dari 10 pengecer perhiasan terbesar di dunia. Pada bulan
Januari 2009, Shane Co mencari perlindungan kebangkrutan, menghubungkan
penurunan perusahaan untuk penundaan dan pembengkakan biaya di $ 36.000.000
SAP AG sistem persediaan manajemen mereka. Shane Co mengklaim SAP waktu
hampir tiga tahun untuk menginstal dan menerapkan sistem, bukan dari satu
tahun, sedangkan biaya "menggelembung" menjadi $ 36 juta dari maksimum
diproyeksikan $ 10 juta. Shane, yang berbasis di Centennial, Colorado, menjadi
"substansial overstocked dengan persediaan, dan dengan campuran yang salah
persediaan "ketika Walldorf, Germanybased SAP selesai sistem pada bulan
September 2007, menurut kebangkrutan filing. Perangkat lunak "Adversely
Affected Sales" dalam sembilan bulan pertama tahun 2008, katanya.

Trend di ERP
Hari ini, ERP masih berkembang-beradaptasi dengan perkembangan teknologi
dan tuntutan dari pasar. Empat tren penting yang membentuk melanjutkan evolusi
ERP: perbaikan dalam integrasi dan fleksibilitas, ekstensi untuk aplikasi e-bisnis,
jangkauan yang lebih luas untuk pengguna baru, dan adopsi teknologi Internet.
Gambar 8.12 mengilustrasikan empat perkembangan utama dan tren yang
berkembang dalam aplikasi ERP. Pertama, paket perangkat lunak ERP yang
menjadi andalan implementasi ERP pada 1990-an, dan sering dikritik karena tidak
fleksibel mereka kemudian secara bertahap telah diubah menjadi produk yang
lebih fleksibel. Perusahaan yang diinstal sistem ERP meminta vendor perangkat
lunak untuk mengadopsi lebih terbuka, fleksibel, arsitektur perangkat lunak
berbasis standar, hal ini membuat perangkat lunak lebih mudah untuk
mengintegrasikan dengan program aplikasi lainnya, pengguna bisnis, serta
membuatnya easer untuk melakukan sedikit perubahan sesuai proses bisnis
perusahaan, contohnya adalah SAP R / 3 Enterprise, dirilis pada tahun 2002 oleh
SAP AG sebagai penerus versi sebelumnya SAP R / 3. Lain vendor ERP
terkemuka, termasuk Oracle, PeopleSoft, dan JD Edwards, juga telah
mengembangkan lebih fleksibel.
Web-memungkinkan perangkat lunak ERP adalah pengembangan kedua dalam
evolusi ERP. Pertumbuhan Internet dan intranet perusahaan dan ekstranet
mendorong perusahaan software untuk menggunakan teknologi Internet untuk
membangun antarmuka Web dan kemampuan jaringan ke dalam sistem ERP.
Fitur-fitur ini membuat sistem ERP lebih mudah digunakan dan menghubungkan
untuk aplikasi internal lainnya, serta sistem mitra bisnis perusahaan. Konektivitas
internet ini telah menyebabkan pengembangan-perusahaan ERP sistem yang
menyediakan Web-enabled hubungan antara sistem bisnis utama (seperti
persediaan dan produksi) dari perusahaan dan pelanggan, pemasok, distributor,
dan lain-lain.
Link eksternal ini mengisyaratkan bergerak ke arah integrasi internal yang
menghadap ERP aplikasi dengan aplikasi eksternal yang berfokus pada
manajemen rantai pasokan (SCM) dan mitra supply chain perusahaan
Semua perkembangan ini telah memberikan momentum bisnis dan teknologi
untuk integrasi fungsi ERP ke dalam suite e-bisnis. Perangkat lunak ERP utama
perusahaan telah mengembangkan modular, suite perangkat lunak Web-enabled
yang mengintegrasikan ERP, manajemen hubungan pelanggan, manajemen rantai
pasokan, pengadaan, portal pendukung keputusan, perusahaan, fungsi perawatan
kesehatan, dan usaha lainnya aplikasi dan fungsi. Contohnya termasuk Oracle e-
Business Suite dan SAP mySAP. Beberapa suite e-bisnis membongkar komponen
ERP dan mengintegrasikan mereka ke dalam modul lain, sedangkan produk
lainnya tetap ERP sebagai modul yang berbeda dalam perangkat lunak suite.
Tentu saja, tujuan dari software suite ini adalah untuk memungkinkan perusahaan
untuk menjalankan sebagian dari proses bisnis mereka menggunakan satu sistem
Web-enabled perangkat lunak yang terintegrasi dan database, bukannya berbagai
aplikasi e-bisnis yang terpisah. Lihat Gambar 8.13.
O'Brian Chapter 8, Section 3: Supply Chain
Management

Introduction

What is SCM?

Electronic Data Interchange

The Role of SCM

Benefits and Challenges of SCM

Trends in SCM
Supply Chain Management : The Business Network.
Supply Chain Management(SCM) atau disebut dengan manajemen rantaipasok
adalah sistem antar-perusahaan lintas fungsional yang mengintegrasikan dan
mengotomatisasi proses bisnis jaringan dan hubungan antara perusahaan dan
pemasok, pelanggan, distributor, dan mitra bisnis lainnya. Tujuan dari SCM
adalah untuk membantu perusahaan mencapai kelincahan dan responsif dalam
memenuhi tuntutan pelanggan dan kebutuhan pemasoknya , dengan
memungkinkan untuk merancang, membangun , dan menjual produk-produknya
menggunakan cepat, efisien , dan murah jaringan mitra bisnis, proses, dan
hubungan, atau rantai pasokan. SCM sering dibagi ke dalam aplikasi perencanaan
rantai pasokan, seperti permintaan dan penawaran peramalan, dan aplikasi
eksekusi rantai pasokan, seperti manajemen persediaan, manajemen logistik, dan
manajemen gudang. Mengembangkan sistem rantai pasokan yang efektif dan
mencapai tujuan bisnis dari SCM telah terbukti menjadi tantangan yang kompleks
dan sulit bagi banyak perusahaan. Tapi SCM terus menjadi perhatian utama dan
inisiatif e -business atas sebagai perusahaan meningkatkan penggunaan teknologi
internet untuk meningkatkan integrasi dan kolaborasi dengan mitra bisnis mereka,
dan meningkatkan efisiensi dan efektivitas operasional bisnis rantai pasokan
mereka.
Perangkat lunak SCM dan teknologi internet dapat membantu perusahaan
merekayasa ulang dan mengintegrasikan proses fungsional SCM yang mendukung
siklus hidup rantai pasok.
Electronic Data Interchange (EDI)
Electronic Data Interchange(EDI) atau disebut juga dengan pertukaran data
elektronik adalah salah satu penggunaan awal teknologi informasi untuk
manajemen rantai pasok (SCM). Penggunaan EDI melibatkan pertukaran secara
elektronik semua dokumen transaksi bisnis melalui internet dan jaringan lainnya
antara mitra rantai suplai perdagangan (organisasi dan pelanggan mereka dan
pemasok) . Data yang mewakili berbagai dokumen transaksi bisnis (seperti
pesanan pembelian, faktur, permintaan penawaran, dan pemberitahuan
pengiriman) secara otomatis dipertukarkan antara komputer yang menggunakan
format pesan dokumen standar.
Biasanya, software EDI digunakan untuk mengubah format dokumen perusahaan
itu sendiri ke dalam format EDI standar seperti yang ditentukan oleh berbagai
industri dan protokol internasional. Dengan demikian , EDI adalah contoh dari
otomatisasi hampir lengkap dari proses supply chain e -commerce .
Data transaksi diformat dikirim melalui link jaringan langsung antara komputer
tanpa dokumen kertas atau campur tangan manusia. Selain link jaringan langsung
antara komputer mitra perdagangan, jasa pihak ketiga juga banyak digunakan .
EDI masih merupakan format data transmisi populer di kalangan mitra dagang
utama , terutama untuk mengotomatisasi transaksi berulang , meskipun secara
perlahan digantikan oleh XMLbased layanan Web . EDI secara otomatis melacak
perubahan persediaan , memicu pesanan, faktur , dan dokumen lain yang terkait
dengan transaksi, dan jadwal dan menegaskan pengiriman dan pembayaran .
Dengan digital mengintegrasikan rantai pasokan, EDI arus proses, menghemat
waktu, dan meningkatkan akurasi. Selain itu, dengan menggunakan teknologi
tnternet, biaya lebih rendah layanan EDI berbasis internet sekarang tersedia untuk
usaha kecil.
 Peran SCM

Tujuan SCM Hasil SCM

Tujuan
Apa? KebijakanPersediaan (tingkat
Strategis
Menetapkantujuan, kebijakan, dan jejakoperasi layanan)
Desain jaringan

Berapabanyak? Perkiraan permintaan

Taktis Produksi, pengadaan,
Mengerahkan sumber dayauntuk menyesuaikan
rencanalogistik
penawarandengan permintaan Targetpersediaan
Kapan? Dimana?
Operasional Penjadwalanpusat kerja
Penjadwalan, pemantauan, pengendalian,
PelacakanOrder /persediaan
danmenyesuaikan produksi
Pengerjaan Siklus pesanan
Pelaksanaan
Pembangunan danpendistribusian Pergerakanbarang

Manfaat dan Tantangan SCM

Perusahaan tahu bahwa sistem SCM dapat memberikan manfaat yang sangat
penting dalam bisnis seperti lebih cepat, pemrosesan order lebih akurat,
pengurangan tingkat persediaan; waktu lebih cepat ke pasar, biaya transaksi dan
material yang lebih rendah, dan hubungan strategis dengan pemasok mereka.
Semua manfaat ini dari SCM ditujukan untuk membantu perusahaan mencapai
kelincahan dan respon yang cepat dalam memenuhi tuntutan pelanggan dan
kebutuhan mitra bisnisnya.
Namun, mengembangkan sistem SCM yang efektif telah terbukti menjadi aplikasi
yang kompleksdan sulit bagi teknologi informasi untuk menjalankan operasi
bisnis. Jadi mencapai nilai bisnis dan tujuan dan sasaran dari manajemen rantai
pasokan nilai pelanggan telah menjadi tantangan utama bagi sebagian besar
perusahaan.
Tren SCM
Tren di dalam SCM dibagi ke dalam tiga tahapan, seperti yang diilustrasikan
dalam gambar dan tabel dibawah ini.

SCM Tahap 1 SCM Tahap 2 SCM Tahap 3

Intranet /
Perbaikan rantaipasokan Perencanaan kolaboratifdan
extranetlink kemitra
saat ini pemenuhanpersediaan
dagang
Penambahanrantaipasok,e- Perluasan Extranetdan
commerce yang longgar jaringanpemasok kolaborasiberbasispertukaran
 OBrian Chaper 10. Section II: Artificial

Intelligence Technologies in Business

Business and AI

Overview AI

Expert Systems

Developing Expert Systems.Neural Networks

Fuzzy Logic Systems

Genetic Algorithms

Virtual Reality

Intelligent Agents
Kecerdasan Buatan dan Teknologi dalam Bisnis
Kecerdasan buatan (Artificial Inteligence/AI) dipraktekkan dalam bisnis dengan
berbagai cara. Kecerdasan Buatan /AI sendir merupakan ranah teknologi dan sains
yang berasal dari ilmu komputer, biologu, psikologi, ilmu bahasa, matematika dan
ke-teknikan (enginering).Dengan kehadiran kecerdasan buatan tersebut komputer
diharapkan memiliki kemampuan untuk berfikir sebaik mungkin seperti halnya
manusia. Komputer juga didorong mampu berfungsi layaknya kecerdasan
manusia sebagaimana digambarkan dalam tabel berikut:

Kehadiran teknologi kecerdasan buatan sempat diragukan kemampuannya ketika

pertama kali dicetuskan pada tahun 1950an. Banyak pakar dengan berbagai latar
belakan mempertanyakan kemampuan dari kecerdasan buatan tersebut. Alan
Turing, sebagai pelopor kecerdasan buatan kala itu mengajukan metode untuk
mengetahui sejauhmana kemampuan komputer dalam berfikir layaknya manusia.
Walaupun penelitian serupa terus dikembangkan, hal tersebut belum dapat
meredam berbagai kritik dan keraguan atas teknologi kecerdasan buatan. Salah
satu metode turunan dari Turin adalah CAPTCHA (Completely Automated Public
Turing test to tell Computer and Human Apart). Test CAPTCHA tersebut pada
mulanya berupa serangkaian proses yang diciptakan oleh manusia untuk mengetes
komputer, namun saat ini digunakan sebaliknya yaitu diciptakan (create) oleh
komputer untuk mengetes manusia. Karena komputer pada umumnya tidak dapat
lolos dari tes CAPTCHA, sehingga bisa dipastikan bahwa yang bisa melalui ter
tersebut adalah manusia. Praktek semacam ini banyak diimplementasikan pada
transaksi melalui Web.
Ruang Lingkup Kecerdasan Buatan

Gambar diatas menjelaskan ruang lingkup utama dari kecerdasan buatan

yang terdiri dari tiga aspek utama yaitu kognitif, robotik dan natural
interface, walaupun dimungkinkan adanya aspek lain dan adanya tumpang
tindih antar aspek. Untuk itu diperlukan pembahasan terperinci dari tiga
aspek tersebut sebagai berikut:
1. Kognitif, merupakan area kecerdasan buatan yang bersumber dari ilmu
biologi, neurologi, psikologi matematik dan berbagai disiplin lainnya.
Aspek ini berfokus pada upaya bagaimana otak manusia bekerja untuk
berfikir dan belajar serta berbasis pada penelitian tentang bagaimana
manusia memproses informasi. Penggunaan kecerdasan buatan dalam
aspek ilmu kognitif dapat dicontohkan sebagai berikut:
penggunaan expert system dan knowledge based system
sistem logika fuzzy, untuk memproses data yang tidak lengkap, ambigu
dan permasalahan yang bersifat semi struktural
Jaringan saraf tiruan mampu bekerja dengan mengenali pola dan mencari
solusi dengan pola tersebut
Algoritma genetika bekerja layaknya teori Darwin yang dapat
mensimulasikan proses evolusi
Inteligence Agent, menggunakan expert system dan berbagai teknologi
dalam kecerdasan buatan untuk menggantikan peran manusia dalam
bidang tertentu
2. Robotik, berdasar pada ilmu keteknikan, psikologi dan kecerdasan buatan
sehingga memungkinkan robot memiliki daya melihat, menilai sesuatu,
meraba dan ketangkasan dalam menangani atau memanipulasi. Juga
dimungkinkan dalam aktivitas lokomosi dan pergerakan suatu barang dari
area satu ke area lain atau menentukan tujuan pergerakan.
3. Natural Interface, Pengembangan natural interface dilandasi keinginan
penggunaan komputer secara alami, sebagai contohnya adalah pengenalan
bahasa alami dan pengenalan suara. Kedua hal tersebut menjadi objek
pengembangan pada aspek natural interface. Keinginan untuk menjadikan
komputer dan robot mampu memahami bahasa manusia menjadikan
berbagai riset tentang aspek ini berkembang.

Sistem Pakar (Expert System)

Salah satu penggunaan kecerdasan buatan yang paling populer adalah
sistem pakar. Sistem pakar bermula dari sistem informasi pengetahuan
(knowledge based), dan digunakan secara spesifik dan pada permasalahan
yang kompleks guna berperan layakanya konsultan ahli. Sistem pakar
memungkinkan mendukung keputusan karena mampu memberikan
sejumlah alasan terhadap suatu permasalahan yang membutuhkan
pengetahuan tertentu. Sistem pakar memiliki dua komponen yaitu dasar
pengetahuan dan software. Pengetahuan berisi kejadian atau fakta tentang
subjek dan tatacara penilaian terhadap subjek. Sedangkan sofware
memuat program-program untuk melakukan pendugaan dan media
berkomunikasi dengan pengguna.
Sistem pakar bertindak layaknya konsultan. Menanyakan sejumlah
pertanyaan kepada pengguna, melakukan pencarian terhadap pengetahuan
dan metode yang berkaitan dengan pertanyaan kemudian menyusun
sejumlah argumen dan saran terhadap suatu subjek permasalahan.
Penggunaan sistem pakar kini kian meluas ke berbagai bidang profesi
seperti mendiagnosa penyakit, menganalisa kandungan bahan, memberi
saran rekomendasi atas perbaikan, membimbing konsumen atau
melakukan perencanaan keuangan. Sehingga dari sudut pandang bisnis,
sistem pakar dapat dilibatkan dalam proses atau siklus bisnis.
Sistem pakar mendapatkan pengetahuan dari para ahli, dan bisa
melampaui kinerja seorang pakar. Hal tersebut dimungkinkan karena
sistem pakar tidak mengenal lelah, dapat menampung informasi dari
banyak pakar dengan sekaligus dan bekerja lebih cepat dan konsisten.
Sistem pakar mampu melestarikan kepakaran seseorang dan
menyimpannya. sehingga perusahaan tidak perlu khawatir kehilangan
pakarnya dikarenakan pakar tersebut berhenti dari perusahaan. Terlebih
lagi, sistem pakar memungkinkan pengetahuan yang dimiliki dan terekam
didalamnya untuk dibagi dan digunakan secara bersama.
Kelemahan dari sistem pakar ada pada ketidakmampuan untuk belajar,
tidak fokus, perawatan dan pengembangan. Sistem pakar hanya dapat
menyelesaikan permasalahan yang spesifik karena keterbatasan bahan
pengetahuan yang dimiliki dan tidak dapat menyelesaikan masalah yang
bersifat subjektif. Sistem pakar mampu menghasilkan analisisis tajam
terhadap objek yang dikuasainya, namun lemah terhadap penunjangan
keputusan yang bersifat subjektif. Secara teknis, perawatan dan
pengemabngan dari sistem pakar membutuhkan biaya yang tidak sedikit.
Juga sistem pakar tidak dapat belajar dari pengetahuan yang dimilikinya
secara mandiri melainkan harus diajarkan.
Pengembangan Sistem Pakar
expert system shell (ESS) digunakan sebagai alat bantu pengembangan
sistem pakar. Metode tersebut meruapakan cara termudah untuk
mengembangkan sistem tersebut. ESS merupakan paket software berisis
sistem pakar tanpa fasilitas pemrograman, karena inti dari sistem pakar
adalah pengetahuan. ESS kadang dilengkapi dengan fitur tambahan seperti
editor dan pengolah antar muka. ESS saat ini semakin mudah digunakan,
bahkan pengembang yang tidak memiliki latar belakang teknologi
informasi dapat mengembangkan sistem pakar. Kemudahan juga diperoleh
dari variasi biaya paket software ESS.
Dalam pengembangan sistem pakar dikenal knowledge engineer, yaotu
seseorang yang bertugas memasukkan pengetahuan yang didapat dari para
pakar kedalam sistem. Proses pengambilan pengetahuan tersebut
memerlukan kepakaran tersendiri, oleh karena itu pengetahuan yang telah
dimasukkan kedalam sistem oleh engineer harus dites terlebih dahulu.
Posisi knowledge engineer mirip dengan analis sistem informasi.
Ketika suatu perusahaan memutuskan untuk membuat suatu sistem pakar,
maka diperlukan knowledge engineer dan para ahli. Knowledge engineer
membantu para ahli untuk merancang sistem pakar dengan bantuan ESS.
Para ahli juga menentukan modul dan metode apa yang digunakan oleh
sistem untuk menilai dan menyelesaikan permasalahan berdasarkan
kepakaran. Proses tersebut bisa jadi dilakukan berulang-ulang agar sistem
pakar dapat menyamai output yang dihasilkan oleh para ahli.

Jaringan Saraf Tiruan (Neural Network)

Neural network merupakan model komputasi yang menyerupai kerja
jejaring interkoneksi pada otak manusia yang disebut neuron. Seperti
halnya kerja otak manusia, jejaring sarat tiruan dapat belajar dari data-data
yang dimasukkan untuk menghasilkan pola dan hubungan antar data
tersebut. Semakin banyak data yang bisa dimasukkan, semakin bagus
output yang dihasilkan karena komputer akan terus belajar dari data yang
baru diinputkan. Sebagai contoh, dari sejumlah data karakteristik nasabah
kredit dan data kualitas pinjaman, memungkinkan bagi sistem yang
bekerja dengan jejaring saraf tiruan untuk mengenali karakter peminjam
seperti apa yang akan berpotensi masalah, begitu pula sebaliknya. Untuk
menghasilkan akurasi yang tinggi, jejaring saraf tiruan harus terus
senantiasa dilatih dengan menginput sejumlah data dengan beragam
variasi karakter.
Logika Fuzzy
Walaupun sederhana namun logika fuzzy merupakan aplikasi yang sangat
serius digunakan sebagai kecerdasan buatan untuk aplikasi bisnis. Metode
fuzzy bekerja layaknya manusia berpendapat, karena seringkali manusia
berpendapat yang sifatnya subjektif. Logika fuzzy mampu bekerja dengan
data yang sifatnya ambigu, tidak tegas dan menghasilkan keputusan yang
sifatnya perkiraan dan berada diantara dua hal yang diperbandingkan.
Bagaimana logika fuzzy dapat menghasilkan output yang sifatnya tidak
presisi? Penjelasannya sebagai berikut:
Ketika data yang dinput bersifat ambigu dan tidak sempurnya, metode
fuzzy mampu menghasilkan kesimpulan dengan cepat namun dapat
diterima dari data tersebut. Sekalipun metode fuzzy bekerja dengan situasi
yang tidak presisi, namun logika fuzzy bukanlah suatu yang sifatnya tidak
pasti dan tidak presisi, karena logika fuzzy mampu memberi ketepatan
yang berguna dalam pengambilan keputusan.

Penggunaan logika fuzzy banyak ditemukan di Jepang namun masih

jarang diaplikasikan di Amerika Serikat. Pelaku bisnis di AS lebih banyak
menggunakan sistem pakar dan jejaring saraf tiruansebagai implementasi
kecerdasan buatan. Jepang telah mampu mengaplikasikan logika fuzzy
pada perangkat mikroprosesor, sehingga berbagai produk elektronik asal
Jepang yang menggunakan mikroprosesor dilengkapi dengan logika fuzzy.

Algoritma genetika
Penggunaan algoritma genetika saat ini sedang berkembang. Metode
algoritma genetik mengikuti teori seleksi alam Darwin, pengacakan dan
beberapa fungsi matematis untuk mensimulasikan proses evolusi yanang
nantinya dapat berguna bagi keputusan bisnis. Proses ini dapat menyingkat
waktu mengingat proses evolusi yang terjadi dialam berlangsung ribuan
tahun, sedangkan melalui algoritma genetikaproses tersebut dapat berjalan
dengan singkat. Penggunaan algoritma genetika khususnya berguna bagi
perusahaan yang telah memiliki sejumlah solusi yang pernah dipraktekkan
namun masih dinilai perlu untuk memilih mana yang terbaik dari sekian
banyak solusi tersebut. Algoritma genetik menggunakan sejumlah proses
matematis untuk memilih secara acak (random) dan menseleksi output
mana yang baik dan mana yang lemah sehingga yang tersisa adalah solusi
yang paling baik dan optimal.

Realita Virtual
Realita virtual merupakan simulasi dunia nyata via komputer. Realita
Virtual mengalami peningkatan pengunaan paling cepat dibanding model
kecerdasan buatan lainnya karena lebih natural, realistik dan melibatkan
interaksi antara indra manusia dan antarmuka komputer. Realita Virtual
juga sering dikenal dengan telepresence. Penggunaan multi sensor dalam
realita virtual dan memungkinkan bertinteraksi dengan panca indra lainnya
menjadikan pengguna realita virtual memberikan pengalaman tersendiri
bagi pengguna. Teknologi realita virtual memungkinkan interaksi dan
penyajian data dalam kacamata video, earphone dan sensor-sensor yang
mendeteksi pergerakan sejumlah organ tubuh.
Penggunaan teknologi realita virtual sangat luas seperti teknik CAD
(Computer Aided Design), simulasi penerbangan, diagnosa medis,
percobaan ilmiah di bidang fisika dan biologi, hiburan, demo produk, dan
games. Teknik CAD paling banyak digunakan dalam bisnis. Teknik
tersebut memungkinkan desainer atau arsitek melakukan tes terhadap
desain yang telah dibuat tanpa harus membuat rancangan fisiknya terlebih
dahulu. Visualisasi yang dihasilkan dapat dimanfaatkan oleh praktisi
farmasi untuk mengembangkan bahan pengobatan baru atau menjadi
model pengganti tubuh manusia.
Teknologi realita virtual dikatakan telepresence apabila digunakan oleh
seorang atau banyak orang di berbagai tempat secara bersamaan.
 Turban Chapter 12, Section 1

Opening Vignette: A Web-based Expert System

for Wine Selection

Concepts and Definitions of Artificial Intelligence

The Artificial Intelligence Field

Basic Concepts of Expert System

Artificial Intelligence dan Expert System

Sistem Pakar Berbasis Web dalam seleksi Wine

MenuVino Inc. merupakan perusahaan retail minuman wine berbasis web.
Perusahaan telah mengembangkan sistem pakar yang bertindak layaknya pakar
dalam memberi nasehat dan pemilihan wine. Ssitem pakar tersebut mampu
menganalisa preferensi pengguna dan mencocokkan dengan menu-menu makanan
yang disajikan bersamaan dengan wine.
Kebanyakan pembeli wine kebingungan dalam memilih wine terbaik. Mereka
tidak memiliki kemampuan layaknya ahli dalam memilih wine. Kebanyakan dari
mereka melihat harga, harga tinggi biasa kualitas tinggi, grade yang tinggi juga
citarasanya tinggi. Namun sebenarnya tidaklah demikian. Para ahli menilai
kualitas wine dari sisi rasa, tentusaja hal tersebut sulit dilakukan oleh para pembeli
jika harus mencicipi rasa satupersatu, selain itu citarasa tersebut tentu berbeda
untuk setiap orang. Oleh karena itu perlu faktor-faktor lain yang memungkinkan
pemilihan dapat dilakukan dengan pendekatan yang lebih umum.
MenuVino kemudian mengembangkan sistem pakar berbasis pengetahuan para
ahli Wine. Sistem berbasis web tersebut dikembangkan dengan Exsys Knowledge
Automation System. Sistem tersebut menampung kepakaran para ahli dengan
pendekatan Corvids Metablock. Antarmuka pengguna menggunakan Corvid
Servlet dengan dua bahasa yang disajikan yaitu bahasa Inggris dan Perancis.
Sistem Pakar tersebut menyediakan dua fungsi utama yaitu profilisasi rasa dan
pencocokan menu makanan. Profilisasi rasa bekerja dengan mengenali preferensi
personal, sejumlah pertanyaan dimunculkan oleh sistem untuk mendapatkan profil
pengguna, setelah profil pengguna didapatkan sistem dapat memberikan
rekomendasi. Sedangkan subsistem pencocokan menu bertujuan memberikan
rekomendasi wine terbaik dengan kombinasi citarasa makanan. Subsistem ini
menangkap keahlian kombinasi makanan seperti penggunaan bumbu, cara
memasak, dan jenis bahan sehingga makanan yang disajikan merupakan pasangan
serasi bagi wine yang diinginkan.
Pelajaran yang dapat diambil dari kasus diatas adalah bagaimana suatu
pengetahuan atau keahlian dapat disajikan dalam mesin komputer melalui bantuan
AI (Artificial intelligence). Ketika ahli atau pakar sulit untuk dihadirkan, maka
sistem pakar dapat menggantikannya. Kasus diatas menggambarkan bagaimana
sistem pakar berbasis web mampu bertindak layaknya ahli/pakar wine sehingga
dapat membantu pembeli dalam memilih wine terbaik untuk mereka.
Konsep dan Definisi Artificial Intelligence
Dari tulisan pembuka diatas, sebuah situasi dimana data dapat membantu
memecahkan solusi namun model yang digunakan untuk mengolah data tersebut
bisa jadi terbatas. Berdasar kasus pemilihan wine, dukungan diberikan dengan
sistem pakar berbasis aturan (rule based) yang menggantikan pakar wine. Selain
berbasis aturan (rule based), penggunaan teknik/teknologi lain memungkinkan
untuk diterapkan pada sistem pakar. Kebanyakan teknik/teknologi yang digunakan
lebih bersifat kualitatif dibanding kuantitatif (berbasis angka matematis/simbol).
Model demikian dikenal dengan knowledge-based system. Disiplin ilmu yang
membahas teknologi dan penerapan model-model tersebut dinamankan dengan
kecerdasan buatan (artificial intelligence)
Definisi Kecerdasan buatan / AI
Kecerdasan buatan berada di area ilmu komputer. Sekalipun banyak definisi dan
pengertian dari kecerdasan buatan, para ahli padadasarnya sepakat bahwa
kecerdsasan buatan bercerita tentang dua hal berikut: (1) mempelajari bagaimana
otak/pikiran bekerja dan (2) mereplikasi proses tersebut kedalam komputer atau
mesin.
Untuk memamami apa itu kecerdasan buatan, dilakukan pendekatan tanda-tanda
atau sifat dari kecerdasan yaitu:
- Belajar atau memahami dari pengalaman
- Menafsirkan informasi yang ambigu
- Cepat tanggap dalam merespon situasi tertentu
- Membangun alasan dalam menyikapi permasalahan dan menyelesaikannya
secara efektif
- Menemukan jalan keluar ditengah situasi yang membingungkan
- Memahami dan mengambil kesimpulan dengan cara rasional
- Memanfaatkan pengetahuan untuk memanipulasi lingkungan
- Berfikir dan mencari argumen
- Mengenali dan menyusun prioritas berdasar kepentingan

Karakteristik Kecerdasan Buatan/AI

Kecerdasan buatan diciptakan dengan tujuan dapat meniru kecerdasan manusia,
namun teknologi kecerdasan buatan yang telah beredar saat ini masih jauh dari
tujuan tersebut. Karena itulah pengembangan-pengembangan terus dilakukan dan
hasilnya berupa peningkatan produktivitas dan kualitas melalui otomatisasi proses
yang memerlukan kecerdasan manusia. Teknik AI memiliki keunggulan-
keunggulan yang dibahas pada bab ini.
Proses simbolik. Merupakan karakteristik penting dalam kecerdasan buatan
berdasarkan pengertian bahwa AI adalah cabang pengetahuan ilmu komputer yang
sanggup bekerja dengan simbol dan metode non-algoritmik dalam pemecahan
suatu masalah. Pengertian tersebut memiliki karakteristik sebagai berikut:
- Numeric vs simbolik. Komputer digunakan untuk memproses angka-
angka, namun jika dasarnya adalah kecerdasan dan melihat kemampuan
mental manusia yang lebih banyak memanipulasi simbol daripada angka.
Walaupun kemampuan memproses simbol adalah inti dari kecerdasan
bukan berarti tidak ada proses mengolah angka dan prosedur matematis.
Keduanya berbeda dari sisi prioritas saja
 - Algoritmik vs heuristik. Algoritma merupakan prosedur tahap demi tahap
dalam memecahkan suatu masalah dengan solusi yang sama dimana proses
memulai dan titik akhirnya mampu didefinisikan secara benar. Komputer
pada umumnya diciptakan untuk dapat mengerjakan prosedur yang
sifatnya tahap demi tahap tersebut. Sedangkan kemampuan manusia dalam
membangun alasan tidak berdasarkan proses algoritmik. Dengan kata lain,
logika mental kita tidak melulu menuruti proses logis dan terstruktur.
Melainkan dengan bertumpu pada aturan, opini, insting dan belajar dari
pengalaman sebelumnya.

Heuristik. Merupakan pengetahuan secara intuisi, menilai sesuatu dan belajar dari
pengalaman. AI dapat bekerja dengan suatu pengetahuan yang menggunakan
simbol dan proses-proses heuristik. Penggunaan nalar heuristik dapat menghindari
penalaran-penalaran kompleks dalam menghadapi situasi-situasi yang sama.
Sebagai contoh, seorang tenaga pemasar ingin mengunjungi kliennya, secara
heuristik dia berfikir untuk mencari rute terdekat. Penalaran heuristik dapat
menghindari kompleksitas dimana penalaran demikian dapat digunakan dalam AI.
Inferensi (pengambilan kesimpulan). Tak hanya dengan nalar heuristik, AI
memiliki kemampuan dalam menyusun alasan (atau menyimpulkan) kemampuan
sehingga menghasilkan pengetahuan yang lebih tinggi dari pengetahuan yang
sudah ada. Inferensi merupakan proses untuk menghasilkan output melalui
sejumlah fakta dan peraturan (rules).
Mesin pembelajar. Belajar merupakan kemampuan manusia yang penting, karena
kemampuan itulah yang membedakan manusia dengan makhluk lainnya. Sistem
kecerdasan buatan tidak memiliki kemampuan belajar manusia tersebut, namun
memiliki proses belajar secara sederhana (dengan pemodelan yang dibuat oleh
manusia) yang disebut mesin pembelajar. Mesin pembelajar mampu memantau
dan menangkap kejadian di lingkungan sekitar kemudian melakukan penyesuaian
dalam menghadapi perubahan yang terjadi. Dengan kata lain, mesin pembelajar
merupakan disiplin ilmu yang bertujuan membuat komputer mampu mempelajari
data yang diperoleh dari sensor atau basis data. Banyak teknik tentang mesin
pembelajaran saat ini digunakan untuk sistem informasi inteligent.
Ruang Lingkup Kecerdasan Buatan
Ruang lingkup AI sangat luas. Pada bab ini dijelaskan tentang evolusi AI,
perbandingan antara AI dengan kecerdasan alami dan overview terhadap
penggunaan AI.
Sejarah perkembangan AI
Terdapat 6 tahap penting dalam perkembangan kecerdasan buatan berdasarkan
sejarah.
Peristiwa penting yang menjadi pemicu gelombang kecerdasan buatan adalah
pertemuan Dartmouth. Ketika itu sejumlah ilmuwan komputer berkumpul di
Kampus Dartmouth di tahun 1956 untuk membicarakan potensi penggunaan
komputer. Ditengah kemampuan komputer yang mampu memecahkan
permasalahan komplek saat itu, diyakini mampu menyamai kecerdasan manusia.
Berbagai pengembangan dilakukan sekalipun masih primitif. Tahap ini
dinamanakn dengan tahap naive.
Setelah sekian lama melakukan percobaan, para peneliti mencoba fokus pada
metode pemecahan masalah seperti representasi pengetahuan, penjelasan dan
pencarian heuristik. Karena penciptaan palikasi tersebut berdasarkan tujuan yang
masih umum maka tahap ini disebut dengan tahap general method
Setelah menciptakan metode-metode umum, peneliti mulai menerapkannya di
kehidupan sebenarnya. Penerapan ini berbeda pada tahap pertama dimana pada
tahap itu masih terdapat kesulitan dalam penerapannya. Aplikasi pun terbatas pada
domain tertentu yang memerlukan pengetahuan khusus. Pengembangan pertama
adalah akuisisi pengetahuan untuk mengembangkan sistem pakar atau sistem
berbasis pengetahuan. Tahap ini dinamakan tahap pengetahuan (knowledge)
Pasca tahun 1990, metode pemecahan masalah tingkat lanjut dikembangkan.
Mulai dilakukan penggabungan beberpa teknik seperti penggabungan antara
teknik rule based dengan case-based, integrasi ANN dengan algoritma genetik dan
sejumlah hibrid lainnya. Tahapan ini dinamakan tahap integrasi.
Tahun 2000an, beberapa aplikasi populer telah terintengrasi dengan beragam
kemampuan kecerdasan buatan. Beberapa sistem kecerdasan dan robotik telah
digunakan baik untuk kepentingan bisnis maupun keamanan. Sistem saat ini juga
lebih canggih dari sistem-sistem sebelumnya. Aplikasi yang telah ditanam
didalamnya kecerdasan mencadi ciri khas dari tahap kecerdasan buatan yang
tertanam pada aplikasi.
Aplikasi Kecerdasan buatan
Kecerdasan buatan merupakan konsep dan ide dari hal-hal yang terkait dengan
teknologi kecerdasan. Untuk memahami ruang lingkup AI, telah dikelompokkan
penggunaan kecerdasan buatan dalam aplikasinya sebagai berikut:
Sistem Pakar, Sistem pakar diambil dari istilah sistem pakar berbasis
pengetahuan (knowledge based expert system). Sistem pakar diterjemahkan
sebagai sistem informasi dimana komputer yang memiliki pengetahuan manusia
digunakan untuk memecahkan masalah menggantikan kehadiran ahli.
Pemrosesan Bahasa Natural (Natural Process Language/NLP). NLP
merupakan sekumpulan teknologi dimana manusai dan komputer dapat
berinteraksi dengan bahasa-bahasa natural manusia. Teknologi ini bertujuan
menjadi antar muka antara pengguna dengan komputer yang lebih manusiawi,
berbeda dengan antarmuka tradisional dimana pengguna harus memasukkan
sitaks-sintaks khusus dan bukan bahasa alami manusia. NLP sendiri memiliki dua
cabang yaitu:
- Natural language understanding, dimana komputer mampu memahami
bahasa manusia (dengan pendekatan semantik). Sehingga inilah tujuan
akhir yaitu memahami bahasa manusia
 - Natural language generation, meliputi teknologi yang membuat komputer
mampu menciptakan adan mengekspresikan bahasa manusia. Tujuannya
agar manusia memahami apa yang diucapkan oleh komputer seperti
layaknya diucapkan oleh manusia.

Pembaca Suara (Speech/voice understanding), merupakan pengenalan dan

memahami ucapan manusia oleh komputer. Aplikasi teknologi ini sangat
berkembang, kalangan dunia usaha mulai menggunakannya untuk layanan call
center mereka. Salah satu aplikasi yang menarik adalah LISTEN (Literacy
innovation that Speech Technology Enables) yang dikembangkan oleh Mellon
University untuk membantu meningkatkan kemampuan baca tulis anak-anak.
Robotik dan sistem sensor. Sistem sensor seperti sistem penglihatan, sistem
sentuhan dan pemrosesan sinyal ketika dikombinasi dengan AI menjadi katagori
baru yang dikenal dengan robot. Robot merupakan seperangkat elektromekanik
yang dapat melakukan tugas fisik/manual. Secara formal Institut robotik amerika
memberikan pengertian bahwa robot adalah manipulator multifungsi yang dapat
diprogram untuk memindahkan barang, bahan, alat atau alat spesial yang telah
didesain khusus untuk melakukan pergerakan tertentu tergantung pada program
dan tugas yang diberikan. (Currie 1999).
Robot cerdas memiliki fitur sensor seperti kamera yang dapat menangkap kondisi
lingkungan disekitarnya dan melakukan respon. Keberadaan komponen cerdas
pada robot digunakan untuk menangkap kondisi lingkngan untuk kemudian
merespon atau beradaptasi dengan keadaan tersebut. Teknologi robot humanoid
yang dikembangkan oleh Jepang menjadi salah satu contohnya, dimana robot
dapat mengenali perintah verbal seperti memindahkan kursi hingga mengganti
chanel TV.
Pengenalan Visual (visual Recognition). Merupakan teknologi kecerdasan
dimana komputer menangkap informasi visual (melalui kamera, radar, inframerah,
sonograf) untuk kemudian merepresentasi secara digital untuk mengetahu kondisi
objek yang ada dibawahnya. Hasil informasinya dapat digunakan untuk sejumlah
operasi darat seperti pergerakan robot, pengaturan kurir, pemetaan rute produksi,
dan lain sebagainya.
Teknologi Pengenalan visual tidak semata pengenalan gambar saja melainkan
lebih kepada intepretasi. Sebagai contoh, intepretasi lahan digunakan untuk
mengetahui wilayah mana yang berpotensi gagal panen, atau intepretasi bangunan
oleh robot digunakan untuk mengetahui adanya komponen yang belum terpasang
kemudian robot tersebut memperbaikinya.
ICAI (Intelligence Computer Aided Instruction). ICAI merujuk pada komputer
yang dapat membimbing manusia. Sekilas tampak mirip dengan sistem pakar, jika
sistem pakar pada akhirnya menghasilkan saran-saran maka ICAI lebih kepada
mengajarkan. Perbedaan lainnya, ICAI seperti guru sedangkan sistem pakar
sebagai konsultan.
Teknologi ICAI telah berkembang terutama untuk dunia pendidikan. Sejumlah
teknik AI diperbarui dan dikembangkan untuk ICAI, pengembangan tersebut
dikenal dengan intelligent tutoring system (ITS) dimana banyak
diimplementasikan dalam basis web.
Pemrograman otomatis. Menuliskan baris program terkadang membuat jemu dan
memungkinkan terjadinya kesalahan. Sebuah program otomatis yang dapat
menulis baris program terutama untuk lprogram-program level tertentu dan
memudahkan manusia dalam mengerjakannya. Pemrograman otomatis ini telah
memiliki kecerdasan buatan didalamnya yang terintegrasi dengan IDE (Integrated
Development Environment)
Neural Computing. Neural computing atau yang biasa dikenal dengan jejaring
syaraf didefinisikan sebagai seperangkat model matematis yang mendekati cara
kerja otak manusia. Penggunaan jaringan syaraf tiruan ini sangat banyak, contoh
dari berbagai model jaringan syaraf diantaranya NeuroSolution(nd.com),
BrainMaker(calsci.com), dan NeuroShell(wardsystem.com).
Permainan Game. Permainan game merupakan cara termudah dalam melihat
perkembangan riset AI. Dengan cara ini dapat dilihat sejauhmana strategi AI yang
diterapkan dalam permainan karena mudah dilihat (dengan memainkannya) dan
menilainya.
Terjemahan. Merupakan program terjemahan otomatis yang mampu
menterjemahkan kata ayng diketik pengguna menjadi bahasa yang dikendaki.
Produk ternama dari teknik ini adalah Babel Fish Tranlator dan Google Translate.
Logika Fuzzy. Merupakan teknik untuk mengolah istilah-istilah ambigu sebagai
pengembangan dari logika berbasis true/false yang tidak dapat menangkap
kebenaran parsial. Terkadang pengetahuan yang tidak pasti dan ambigu
diperlukan dalam pengambilan keputusan. Nilai benar salah diganti dengan
derajat keanggotaan.
Algoritma genetika. GA merupakan teknik tingkat lanjut yang mampu
menyerupai proses evolusi alam. Untuk permasalahan tertentu, sejumlah set solusi
telah disusun dalam sebuah kromosom yang mengandung gen sebagai derajat
variabel keputusan. GA mulai bekerja dengan menyusun populasi solusi,
kemudian melakukan identifikasi dan pencarian solusi terbaik untuk
menghasilkan keturunan dengan sejumlah proses dalam genetika. Sejumlah proses
rekursif dalam evolusi dilakukan hingga tercipta solusi yang diinginkan.
Intelligent Agent. Agen cerdas merupakan program sederhana dimana komputer
dapat menjalankan suatu perintah secara otomatis dan kontinyu. Agen cerdas
bekerja dengan memonitor keadaan dan melakukan sejumlah respon atau
penyesuaian terhadap perubahan. Contoh dari program ini adalah antivirus.
Antivirus bekerja mengawasi setiap file atau data yang masuk, jika ditemukan
virus maka program akan menghapus virus tersebut.
Konsep Dasar Sistem Pakar
Sistem Pakar merupakan sistem informasi berbasis komputer yang telah memiliki
pengetahuan pakar untuk mendapatkan informasi dalam mendukung keputusan di
level tinggi pada bidang tertentu. Konsep-konsep yang mendasari sistem pakar
meliputi siapa saja yang disebut pakar, definisi pakar, dan sejauh mana kepakaran
dapat dipindahkan kedalam sistem berbasis komputer.
Pakar
Pakar merupakan seseorang yang memiliki pengetahuan khusus, pengalaman,
penilaian dan kemampuan dalam memanfaatkan pengetahuan yang dimiliki
menjadi sebuah saran atau pemecahan masalah yang komplek untuk suatu bidang
tertentu. Pakar akan mengetahui mana faktor-faktor yang penting dan
berhubungan satu sama lain atas suatu permasalahan yang kompleks. Misalnya
pakar perangkat elektronik mobil, akan mengetahui bahwa rusaknya karet kipas
menandakan bahwa aki mobil harus diganti.
Tidak ada definisi baku tentang pakar, namun bagaimana seseorang mengambil
keputusan dan sejauhmana pengetahuan yang dimiliki menjadi sebagian penentu
apakah seseorang tersebut layak disebut pakar. Seorang pakar harus bisa memberi
saran atau memecahkan permasalahan pada level diatas rata-rata umumnya orang.
Seorang yang ahli di waktu atau daerah tertentu belum tentu dia juga menjadi ahli
di tempat dan waktu yang lain. Intinya seorang pakar harus bisa memecahkan
masalah dan menjelaskan tentang suatu kejadian tertentu pada wilayah yang
spesifik. Biasanya pakar memiliki kemampuan sebagai berikut:
- Mengenali dan memformulasi permasalahan
- Memecahkan masalah secara cepat dan tepat
- Menjelaskan jalan keluar permasalahan
- Belajar dari pengalaman
- Restrukturisasi pengetahuan
- Keluar dari aturan/norma jika diperlukan
- Menemukan relevansi dan keterkaitan
- Melakukan penolakan dengan sopan (jika diluar bidang kemampuan)

Keahlian
Keahlian merupakan cakupan luas terhadap pekerjaan dan pengetahuan spesifik
yang dimiliki oleh pakar. Derajat keahlian pakar dilihat dari kualitas keputusan
yang diambil. Keahlian didapat dari belajar, berlatih, membaca atau dari
pengalaman. Keahlian diperoleh dari pengetahuan eksplisist seperti buku teori
atau di sekolah, bisa juga dari pengetahuan implisit seperti dari pengalaman
sehari-hari. Berikut ini dapat dikatagorikan sebagai pengetahuan:
- Theori yang melandasi permasalahan
- Peraturan dan prosedur
- Saran-saran tentang apa yang harus dilakukan jika permasalahan tertentu
datang
- Strategi umum dalam menghadapi situasi tertentu
 - Metaknowledge (ilmu tentnag pengetahuan tertentu)
- Realitas terhadap permasalahan tertentu.

Jenis pengetahuan tersebut menjadikan seorang ahli memiliki keahlian dan lebih
baik dan cepat dalam pengambilan keputusan atas permasalahan yang kompleks.
Pengalaman memiliki karakteristik sebagai berikut:
- Pengalaman terkait dengan kecerdasan tingkat tinggi namun bukan berarti
orang berpengalaman harus pintar
- Pengalaman berhubungan dengan pengetahuan yang luas
- Pengalaman didapat dari kesuksesan dan kegagalan masa lalu
- Keahlian berdasar dari pengetahuan yang tersimpan, terorganisir dan
didapat dari seorang pakar

Keunggulan Sistem Pakar

Sebuah sistem pakar harus memiliki komponen keunggulan sebagai berikut:
- Keahlian. Sebagaimana yang telah dijelaskan sebelumnya, pakar
dibedakan karena level keahliannya. Sebauh sistem pakar harus memiliki
keahlian sehingga keputusan yang dikeluarkan sebanding dengan pakar.
- Penjelasan simbolik. Dasar rasional dari kecerdasan buatan adalah lebih
kepada penjelasan simbolihk daripada hitungan matematis. Pengetahuan
harus dijadikan simbolis dan penjelasannya juga simbolis.
- Pengetahuan mendalam. Pengetahuan mendalam menggambarkan level
kepakaran. Pengetahuan yang tersimpan dalam ES harus pengetahuan
yang tidak mudah ditemukan atau dimiliki oleh orang bukan pakar.
- Pengetahuan mandiri. Sistem pakar harus bisa menjelaskan dan
memberikan alasan yang memadai ketika sebuah kesimpulan diambil.
Seperti layaknya ahli yang selalu belajar, sistem pakar juga dapat belajar
dari kesuksesan dan kegagalan sebagaimana pakar belajar dari sumber
pengetahuan lainnya.

Pengembangan sistem pakar dibagi dalam dua generasi. Generasi pertama sistem
pakar kebanyakan berisi prosedur if-then dalam mengolah pengetahuan. Generasi
kedua lebih fleksibel dalam mengadaptasi berbagai metode. Berbagai teknik
seperti logika fuzzy, jaringan syaraf tiruan dan algoritma genetik ditambah dengan
model berbasis prosedur dikombinasikan dalm satu sistem.
 Perbandingan antara sistem konvensional dengan sistem pakar
Sistem Konvensional Sistem Pakar
Informasi dan pemrosesan informasi Basis pengetahuan terpisah dari
oleh satu program pemrosesan (inferensi)
Program tidak dapat melakukan Program memungkinkan melakukan
kesalahan, jika ada kesalahan terletak kesalahan
pada programer dan pengguna
Tidak ada penjelasan mengapa meminta Terdapat penjelasan
data dan mengapa kesimpulan yang
keluar seperti itu
Membutuhkan input data dan tidak akan Tidak memerlukan data lengkap, jika
diproses jika data tidak lengkap ada data yang terlewati sistem tetap
dapat mengambil kesimpulan
Melakukan perubahan atas program Perubahan prosedur memungkinkan
sangat repot dan mudah
Sistem berjalan jika lengkap Bisa berjalan walaupun dengan
sejumlah prosedur
Eksekusi dilakukan dengan tahap Eksekusi dilakukan dengan heuristik
langkah demi langkah dan logic
Dapat memanipulasi data dengan Dapat memanipulasi data dengan
database besar pengetahuan yang besar
Menampilkan dan menggunakan data Menampilkan dan menggunakan
pengetahuan
Untuk tujuan efisiensi, efektivitas hanya Efektivitas adalah tujuan utama
untuk DSS
Bekerja dengan data kuantitatif Bekerja dengan data kualitatif
Menyajikan data numeric Menyajikan pengetahuan secara
simbolik dan numeric
Menangkap, memperbesardan Menangkap, memperbesar dan
menyebarkan akses untuk data numerik menyebarkan pengetahuan untuk
atau informasi memutuskan dan wawasan
Turban Chapter 12, Section 2:

Applications of Expert System

Structure of Expert System

Knowledge Engineering
Aplikasi Sistm Pakar (ES)
ES telah diterapkan untuk berbagai bidang bisnis dan teknologi untuk mendukung
pengambilan keputusan. Aplikasi kasus 12.5 menunjukkan beberapa aplikasi
dunia nyata dari ES. Tabel 12.3 menunjukkan beberapa representatif dari EF dan
daerah hasil aplikasi mereka.
Aplikasi ES awal, seperti DENDRAL untuk identifikasi struktur molekul dan
MYCIN untuk diagnosa medis, yang terutama dalam domain ilmu. XCON untuk
konfigurasi sistem komputer VAX pada peralatan digital corp. (produsen utama
minicomputer diseluruh 1990) yang kemudian diambil alih oleh compaq) adalah
contoh sukses dalam bisnis.
DENDRAL. Proyek DENDRAL ini diprakarsai oleh edward Feigenbaum pada
tahun 1965. Dulu satu set berbasis pengetahuan atau penalaran berbasis aturan
perintah untuk menyimpulkan kemungkinan struktur molekul senyawa kimia
organik dari kimia yang dikenal analisis dan data spektrometri massa. DENDRAL
terbukti fundamental penting dalam menunjukkan bagaimana penalaran berbasis
aturan dapat dikembangkan menjadi pengetahuan alat-alat teknik kuat dan
menyebabkan pengembangan program penalaran berbasis aturan lain di Stanford
Artificial Intelligence Laboratory (SAIL). Yang paling penting dari program-
program tersebut adalah MYCIN.
MYCIN. MYCIN adalah aturan dasar dari ES yang mendiagnosa infeksi bakteri
pada darah. Itu telah dikembangkan oleh kelompok peneliti Universitas Standford
pada tahun 1970. Dengan menanyakan pertanyaan-pertanyaan dan terusan rantai
paling akhir dari sebuah aturan dasar tentang 500 aturan, MYCIN dapat dikenali
kira-kira 100 penyebab infeksi dari bakteri, yang mana mengijinkan sistim untuk
merekomendasikan resep-resep obat yang efektif. Pada uji coba yang telah
terkontrol, menampilkan ukuran untuk menyamainya dari spesialis-spesialis
manusia. Metode sebab dan proses tidak pasti digunakan di MYCIN adalah pionir
pada area dan telah dihasilkan pukulan dalam jangka panjang pada perkembangan
ES.
XCON. XCON, sebuah pengembangan sistim aturan dasar pada Perusahaan
Perlengkapan Digital, digunakan aturan-aturan untuk menolong menentukan
konfigurasi sistim optimal sesuai keperluan pelanggan. Sistim tersebut dapat
untuk mengatasi permintaan pelanggan selama 1 menit yang biasanya pada tim
penjual membutuhkan 20 hingga 30 menit. Dengan ES, keakuratan pelayanan
mencapai 98%, jika dengan manual mendekati keakuratan 65%, menghemat
jutaan dolar setiap tahun.
Aplikasi yang lebih baru dari ES

Aplikasi yang lebih baru dari sistim pakar maliputi manajemen resiko,masukan
dana pensiun, otomatisasi aturan bisnis, pengawasan pasar otomatis, dan
keamanan dalam negeri.
SISTEM ANALISIS KREDIT. Sistem pakar telah dikembangakn untuk
mendukung kebutuhan-kebutuhan dari lembaga-lembaga pinjaman komersial. ES
dapat membantu pemberi pinjaman menganalisis catatan kredit pelanggan dan
menentukan batas kredit yang tepat. Aturan dalam basis pengetahuan juga dapat
membantu menilai resiko dan manajemen risiko kebijakan. Jenis-jenis sistem
yang digunakan dalam lebih dari sepertiga dari 100 bank komersial di Amerika
Serikat dan Kanada.
PEMBERIAN DANA PENSIUN. Perusahaan makanan Nestle telah
mengembangkan ES dalampemberian informasi dari status dana pensiun pegawai.
Sistem mengutamakan sebuah pembaruan pengetahuan dasar untuk memberikan
saran mengenai dampak perubahan regulasi dan kesesuaian dengan standar baru
peserta. Sistem yang ditawarkan di internet di perguruan tinggi guru Pingtung di
Taiwan memiliki fungsi yang memungkinkan peserta untuk merencanakan
pensiun mereka melalui analisis sebab akibat yang menghitung dana pensiun
mereka dibawah skenario yang berbeda.
DATA-DATA BANTUAN OTOMATIS. Pengobatan BMC (remedy.com)
menawarkan HelpDeskIQ, sebuat aturan dasar tabel bantuan solusi untuk bisnis
kecil. Alat berbasis browser ini memungkinkan usaha kecil untuk menangani
permintaan pelanggan dengan lebih efisien. E-mail masuk secara otomatis masuk
ke mesin aturan bisnis HelpDeskIQ. Pesan yang dikirim ke teknisi yang tepat,
berdasarkan prioritas dan status yang ditetapkan. Solusi membantu teknisi
HelpDesk dalam mencari masalah dan menyelesaikan masalah yang lebih efektif.
WILAYAH UNTUK APLIKASI ES
Seperti yang di tunjukan dalam contoh-contoh sebelumnya sistem pakar telah di
terapkan secara komersial di sejumlah daerah,termasuk yaitu berikut.
Sistem pakar keuangan mencakup evaluasi asuransi, analisis kredit,
perencanaan pajak, pencegahan penipuan, analisis laporan keuangan,
perencanaan keuangan, dan evaluasi kerja.
Sistem pakar pengolahan data meliputi perencanaan sistem, pemilihan
peralatan, perawatan peralatan, evaluasi penjualan, dan manajemen
jaringan.
Sistem pakar pemasaran meliputi manajemen hubungan pelanggan,
analisis pasar, perencanaan produk, dan perencanaan pasar.
 Contoh sumberdaya manusia sistem pakar adalah perencanaan sumberdaya
manusia, evaluasi kinerja, penjadwalan setaf, manajemen pensiun, dan
penasehat hukum.
Manufaktur sistem pakar meliputi perencanaan produksi, manajemen
mutu, desainproduk, dan pemilihan lokasi pabrik.
Sistem keamanan dalam negri meliputi penilaian ancaman teroris dan
deteksi keuangan teroris.
Sistem pakar telah dikembangkan untuk bioinformatika dan isu-isu
manajemen perawatan kesehatan lainya.
Sekarang bahwa anda sudah familiar dengan berbagai aplikasi sistem pakar
yang berbeda, sekarang saatnya untuk melihat struktur internal dari sistem
pakar dan bagaimana tujuan dari sistem pakar yang dicapai.
Struktur dari sistem pakar
Sistim pakar di pandang memiliki dua lingkungan, lingkungan pengembangan
dan lingkungan konsultasi.
Pembangunan sistem pakar menggunakan lingkungan pengembangan untuk
membangun komponen yang di perlukan dari sistem pakar dan untuk mengisi
basis pengetahuan dengan representasi yang tepat dari pengetahuan pakar.
Seorang non pakar menggunakan lingkungan konsultasi untuk mendapatkan
saran dan untuk memecahkan masalah dengan menggunakan pengetahuan
pakar tertanam ke dalam sistem.
Tiga komponen utama yang muncul dalam hampir setiap sistem pakar adalah
basis pengetahuan, mesin inferensi, dan antar muka pengguna.secara umum,
meskipun, sistem pakar yang berinteraksi dengan pengguna dapat berisi
komponen-komponen tambahan berikut
Subsistem Perolehan Pengetahuan
Papan akuisisi (tempat kerja)
Penjelasan subsistem (pembenaran)
Sistem pengetahuan penyulingan
Saat ini, sebagian besar sistem pakar tidak mengandung pengetahuan
perbaikan komponen. Penjelasan singkat dari masing-masing komponen
adalah sebagai berikut.
Subsistem Perolehan Pengetahuan
Perolehan Pengetahuan adalah akumulasi, transfer, dan
transformasi pakar pemecahan masalah dari pakar atau sumber
 pengetahuan yang telah didokumentasikan kepada program
komputer untuk membangun atau memperluas basis pengetahuan.
potensi sumber pengetahuan termasuk ahli manusia, buku teks,
dokumen multimedia, database (publik dan swasta), laporan
penelitian khusus, dan informasi yang tersedia di web.
Basis Pengetahuan
basis pengetahuan adalah dasar dari sebuah ES . mengandung
pengetahuan yang relevan yang diperlukan untuk memahami ,
merumuskan , dan memecahkan masalah . basis pengetahuan yang
khas dapat mencakup dua elemen dasar : ( 1 ) fakta-fakta yang
menggambarkan karakteristik dari suatu situasi tertentu masalah (
atau fakta dasar ) dan teori area masalah dan ( 2 ) heuristik khusus
atau aturan ( atau nugget pengetahuan ) yang mewakili ahli
pengetahuan yang mendalam untuk memecahkan masalah tertentu
dalam domain tertentu . selain itu , mesin inferensi dapat mencakup
tujuan umum pemecahan masalah dan pengambilan keputusan
aturan ( atau meta - aturan - aturan tentang bagaimana untuk
memproses aturan produksi ) adalah penting untuk membedakan
antara basis pengetahuan dari ES dan basis pengetahuan organisasi.
pengetahuan yang tersimpan dalam basis pengetahuan dari ES
sering direpresentasikan dalam format khusus sehingga dapat
digunakan oleh sebuah program perangkat lunak untuk membantu
pengguna memecahkan suatu masalah tertentu . basis pengetahuan
organisasi , bagaimanapun, berisi berbagai macam pengetahuan
dalam format yang berbeda ( yang sebagian besar diwakili dengan
cara yang dapat dikonsumsi oleh orang-orang ) dan dapat disimpan
di tempat yang berbeda .
Papan tulis (tempat kerja)
papan tulis adalah daerah memori kerja disisihkan sebagai database
untuk deskripsi dari masalah saat ini, yang ditandai dengan input
data. juga digunakan untuk merekam hasil antara, hipotesis, dan
keputusan. tiga jenis keputusan dapat direkam di papan tulis:
rencana (yaitu, bagaimana untuk menyerang masalah), agenda, dan
solusi.
perhatikan contoh ini. ketika mobil Anda gagal untuk memulai,
Anda dapat memasukkan gejala gagal ke komputer untuk
penyimpanan di papan tulis. sebagai hasil dari hipotesis menengah
dikembangkan di papan tulis, komputer mungkin kemudian
menyarankan agar Anda melakukan beberapa pemeriksaan
 tambahan dan meminta Anda untuk melaporkan hasilnya.
informasi ini juga dicatat di papan tulis.
subsistem penjelasan ( pembenaran )
kemampuan untuk melacak tanggung jawab reconclusions sumber
mereka sangat penting baik dalam transfer keahlian dan dalam
pemecahan masalah . subsistem penjelasan dapat melacak
tanggung jawab tersebut dan menjelaskan perilaku ES dengan
interaktif menjawab pertanyaan-pertanyaan seperti ini :

- Mengapa pertanyaan tertentu diminta oleh ES ?

- Bagaimana itu kesimpulan tertentu tercapai?
- Mengapa alternatif tertentu ditolak ? apa rencana lengkap
keputusan yang
harus dibuat dalam mencapai kesimpulan ?
Di sebagian besar ES , dua pertanyaan pertama ( mengapa dan
bagaimana ) dijawab dengan menunjukkan aturan yang diperlukan
mengajukan pertanyaan yang spesifik dan menunjukkan urutan
aturan yang digunakan ( dipecat ) untuk memperoleh rekomendasi
spesifik , masing-masing.
sistem pengetahuan penyulingan
ahli manusia memiliki sistem pengetahuan pemurnian , yaitu,
mereka dapat menganalisis pengetahuan mereka sendiri dan
efektivitas belajar dari itu dan memperbaiki itu untuk konsultasi di
masa depan . sama , evaluasi tersebut diperlukan dalam sistem
pakar sehingga program dapat menganalisis alasan keberhasilan
atau kegagalan , yang dapat menyebabkan perbaikan yang
mengakibatkan basis pengetahuan yang lebih akurat dan penalaran
yang lebih efektif .
komponen penting dari sistem perbaikan pengetahuan adalah
mekanisme belajar mandiri yang memungkinkan untuk
menyesuaikan basis pengetahuan dan pengolahannya pengetahuan
berdasarkan evaluasi perfomances masa lalu baru-baru ini .
komponen cerdas seperti belum cukup dewasa untuk muncul dalam
banyak alat ES komersial tetapi sedang dikembangkan dalam ES
eksperimental pada beberapa universitas dan lembaga penelitian.
Teknik Pengetahuan

koleksi kegiatan intensif meliputi akuisisi pengetahuan dari pakar manusia

(dan sumber informasi lainnya) dan konversi pengetahuan ini ke dalam
repositor (biasa disebut basis pengetahuan) disebut rekayasa pengetahuan.
Rekayasa pengetahuan istilah pertama kali didefinisikan dalam pekerjaan
perintis Feigenbaum dan McCorduck (1983) sebagai seni membawa
prinsip-prinsip dan alat-alat penelitian kecerdasan buatan untuk
menanggung pada masalah aplikasi sulit yang membutuhkan pengetahuan
para ahli untuk solusi mereka. Teknik pengetahuan membutuhkan
kerjasama dan komunikasi yang erat antara manusia dan ahli insinyur
pengetahuan untuk berhasil mengkode dan secara eksplisit mewakili
aturan (atau prosedur berbasis pengetahuan lainnya) bahwa seorang ahli
manusia menggunakan untuk memecahkan masalah dalam doamin aplikasi
tertentu. Pengetahuan yang dimiliki oleh para ahli manusia sering tidak
terstruktur dan tidak secara eksplisit diungkapkan. Tujuan utama dari
rekayasa pengetahuan adalah untuk membantu para ahli mengartikulasikan
bagaimana mereka melakukan apa yang mereka lakukan dan untuk
mendokumentasikan pengetahuan ini dalam bentuk reuseable. Teknik
pengetahuan dapat dilihat dari dua perspektif : sempit dan luas. Menurut
perspektif sempit , pengetahuan penawaran rekayasa dengan langkah-
langkah yang diperlukan untuk membangun sistem pakar (yaitu , akuisisi
pengetahuan , representasi pengetahuan , validasi pengetahuan , inferensia
, dan penjelasan / justifikation ). Alternatif, menurut perspektif yang luas,
istilah menggambarkan seluruh proses pengembangan dan pemeliharaan
setiap sistem cerdas. dalam buku ini, kita menggunakan definisi yang
sempit. Lima kegiatan utama dalam rekayasa pengetahuan berikut:
Perolehan pengetahuan. Perolehan pengetahuan termasuk
perolehan pengetahuan dari pakar manusia, buku-buku, dokumen-
dokumen, sensor-sensor, atau file komputer. Pengetahuan tersebut
mungkin spesifik kepada masalah daerah asal atau prosedur
penyelesaian masalah, itu dimungkinkan pengetahuan umum
a9seperti pengetahuan tentang bisnis), atau itu mungkin
pengetahuan meta (pengetahuan tentang pengetahuan). Byrd
(1995) secara formal mengungkapkan bahwa teknik pengetahuan
merupakan saluran pada perkembangan ES saat ini.
Gambaran pengetahuan. Teknik pengetahuan merupakan sesuatu
yang telah terorganisir dengan begitu siap untuk digunakan, pada
sebuah aktifitas disebut gambaran pengetahuan. Kegiatan ini
 termasuk persiapan dari peta pengetahuan dan pengkodean dari
pengetahuan pada basis pengetahuan.
Validasi pengetahuan. Validasi pengetahuan (atau verifikasi)
termasuk memvalidasi dan memverifikasi pengetahuan (salah
satunya menggunakan kasus uji coba) sampai kualitasnya dapat
diterima. Hasilnya biasanya ditunjukkan pada sebuah pakar hasil
kepada ketelitian verifikasi dari ES.
Kesimpulan. Kegiatan ini termasuk mendesain perangkat lunak
untuk memungkinkan komputer untuk membuat kesimpulan dasar
pada pengetahuan tersimpan dan spesifik dari sebuah masalah.
Penjelasan dan Pembenaran. Langkah ini termasuk pendesainan
dan pemrograman dari kapabilitas penjelasan (sebagai contoh,
memrogram kepintaran untuk menjawab pertanyaan seperti
mengapa bagian spesifik dari informasi dibutuhkan oleh komputer
atau bagaimana keputusan pasti dapat diperoleh oleh komputer).
Kesulitan dalam perolehan pengetahuan
Perolehan pengetahuan dari para ahli merupakan tugas yang tidak mudah.
Hal tersebut terdapat beberapa faktor yang dimasukkan dalam
kekompleksan dari perolehan pengetahuan dari para ahli dan itu disalurkan
ke komputer.
Para pakar mungkin tidak tahu bagaimana mengartikulasi
pengetahuan mereka atau mungkin tidak memungkinkan untuk
melakukan hal yang sama.
Para pakar mungkin tidak memiliki waktu atau mungkin tidak
menginginkan untuk bekerja sama.
Pengujian dan penyempurnaan pengetahuan merupakan hal yang
rumit.
Penimbulan metode dalam pengetahuan mungkin kurang terbatasi.
Para pakar mungkin merubah perilaku mereka ketika mereka
teramati atau telah ditemukan.
Kelebihan dan kekurangan dari menggunakan multipakar
Kelebihan
rata-rata, beberapa ahli membuat kesalahan lebih sedikit daripada
seorang ahli tunggal.
penghapusan kebutuhan untuk menemukan dan menggunakan ahli
kelas dunia (yang sulit untuk mengidentifikasi dan memperoleh).
domain yang lebih luas daripada seorang ahli tunggal.
sintesis keahlian.
meningkatkan kualitas karena sinergi di antara para ahli.
Kekurangan
takut pada bagian dari beberapa ahli domain ahli senior atau atasan
(yaitu, kurangnya kerahasiaan).
mengorbankan solusi yang dihasilkan oleh sekelompok dengan
pendapat yang saling bertentangan.
Groupthink.
ahli mendominasi (yaitu, mengontrol, tidak membiarkan orang lain
berbicara).
membuang-buang waktu dalam pertemuan kelompok dan kesulitan
penjadwalan.
 Turban Chapter 12, Section 3:

Problem Areas Suitable for Expert Systems

Development of Expert Systems

Benefits of Expert Systems,

Limitation of Expert Systems, and

Critical Success Factors of Expert Systems

 Ruang Permasalahan yang Sesuai Bagi Sistem Pakar

Sistem pakar dapat diklasifikasikan sebagai berikut:

Sistem interpretasi, menyimpulkan deskripsi suatu situasi dari hasil
kegiatan observasi.Yang termasuk dalam kategori sistem ini meliputi:
pengawasan (surveillance), pemahaman pembicaraan (speech
understanding), analisis citra, interpretasi sinyal. Sistem ini dijabarkan
oleh data observasi yang diasosiasikan dengan suatu lambang untuk
menggambarkan situasi.
Sistem prediksi, - menyimpulkan kemungkinan suatu konsekuensi dari
situasi tertentu. Yang termasuk dalam kategori sistem ini meliputi:
peramalan cuaca, prediksi demografi, peramalan ekonomi, prediksi lalu
lintas, estimasi panen, peramalan keuangan.
Sistem diagnostik, menyimpulkan penyebab malfungsi sistem dari suatu
observasi.Yang termasuk dalam kategori sistem ini meliputi: sistim
diagnosis untuk keperluan medis, elektronik, mekanikal, dan perangkat
lunak. Sistem ini berkaitan dengan observasi perilaku yang tidak biasa
(behavioralirregularities) atas proses tertentu.
Sistem perancangan, mengkonfigurasikan sistem dengan suatu batasan.
Contohnya: layout sirkuit, disain bangunan, layout pabrik.
Sistem pengawasan, sistem ini membandingkan observasi dari perilaku
sistem terhadap standar, hal ini penting bagi kesuksesan pencapaian
tujuan. Contohnya: kontrol lalu lintas udara, tugas pengelolaaan fiskal.
Sistem debugging, sistem ini bergantung pada perencanaan, desain, dan
prediksi kemampuan untuk membuat spesifikasi atau rekomendasi untuk
memperbaiki masalah yang didiagnosis.
Sistem perbaikan, sistem ini mengembangkan dan melaksanakan rencana
untuk mengelola perbaikan untuk masalah tertentu yang didiagnosis.
Sistem ini berkaitan langsung dengan debugging, perencanaan, and
kapabilitas eksekusi.
Sistem instruksi, sistem ini menggabungkan subsistem diagnostik dan
debugging untuk mengidentifikasikan kebutuhan tertentu.
Sistem pengendalian, sistem yang adaptif mengatur perilaku keseluruhan
sistem.

Pengembangan Sistem Pakar

Pengembangan sistem pakar dilakukan melalui serangkaian tahapan, yaitu
Mendefinisikan sifat dan ruang lingkup masalah.
Permasalahan yang dapat diselesaikan dengan algoritma optimisasi
umumnya tidak sesuai untuk sistem pakar, namun metode rule-based
cocok untuk diaplikasikan pada sistem pakar karena sifat masalah yang
bersifat kualitatif, pengetahuan yang eksplisit, ketersediaan ahli untuk
pemecahan masalah secara efektif dengan pengetahuan dan pengalaman
 yang dimiliki. Ruang lingkup masalah perlu didefinisikan secara spesifik
dan masuk akal.

Mengidentifikasi ahli yang tepat.

Ahli yang tepat harus memiliki pemahaman yang menyeluruh mengenai
pengetahuan dalam hal pemecahan masalah, peran sistem pakar, teknologi
pendukung keputusan, dan keahlian komunikasi yang baik.

Memperoleh pengetahuan.
Pihak yang bertugas untuk mendokumentasikan pengetahuan dari seorang
ahli disebut knowledge engineer. Sedangkan proses mendokumentasikan
pengetahuan disebut knowledge engineering.

Akusisi pengetahuan merupakan proses yang membutuhkan waktu yang

banyak dan beresiko. Beberapa hal yang berpotensi menghambat akusisi
pengetahuan untuk sistem pakar, yaitu
a. Beberapa pengetahuan memiliki paten dan berharga.
b. Ahli tidak berkeinginan membagi pengetahuan tanpa kompensasi
sesuai.
c. Ahli tidak memiliki keahlian menerangkan dengan jelas tacit
knowledge-nya.
d. Pengetahuan yang kontradiksi dan tidak konsisten.
e. Knowledge engineer tidak memahami penjelasan ahli, sehingga
informasi menjadi tidak akurat.

Hasil dari dokumentasi pengetahuan yaitu berupa basis pengetahuan

(knowledge based). Direpresentasikan dalam bentuk: IF THEN ELSE atau
pohon/ table keputusan.

Pengetahuan yang terdokumentasi dalam basis pengetahuan harus

dievaluasi konsistensi dan penerapannya.

Pemilihan alat untuk pengembangan (building tools).

- General-Purpose Development Environment
Platform pengembangan ini tidak memiliki kemampuan inferensi
sehingga pengembangan membutuhkan biaya yang lebih besar dan
relatif lama.
Misal: C++, Prolog, LISP.

- Expert System Shell

Shell yang secara khusus dikembangkan untuk sistem pakar.
Misal: Corvid, LPA VisiRule.
 - Tailored Turn-Key Solutions
Dapat dikonfigurasikan untuk area tertentu dan cepat diadaptasikan.
Misal: Haley, ILOG.

Pertimbangan dalam pemilihan alat pengembangan, diantaranya:

- Biaya dan keuntungan.
- Fungsionalitas dan fleksibilitas.
- Kompatibilitas dengan infrastruktur yang ada.
- Reliabilitas.
- Dukungan purna jual vendor.

Pengkodean sistem.
Dalam tahapan ini pengkodean harus efektif dan dikelola dengan baik
untuk mengantisipasi kesalahan. Pemrogram yang ahli sangat dibutuhkan
dalam tahap ini.

Evaluasi sistem.
Setelah sistem pakar selesai diprogram, perlu dilakukan evaluasi yang
mencakup verifikasi dan validasi. Verifikasi memastikan bahwa data
pengetahuan hasil yang terdapat pada basis pengetahuan sama dengan
yang peroleh dari ahli atau pakar. Sedangkan validasi, memastikan bahwa
sistem dapat menyelesaikan masalah dengan benar.

Keuntungan, Keterbatasan, dan Faktor Penentu Keberhasilan dari Sistem

Pakar

Keuntungan Sistem Pakar

Meliputi:
- Peningkatan output dan produktivitas.
- Menurunkan waktu untuk pembuatan keputusan.
- Peningkatan proses dan kualitas produk.
- Mengurangi downtime.
- Merekam keahlian langka.
- Fleksibilitas.
- Pengoperasian peralatan menjadi lebih mudah.
- Penghapusan kebutuhan untuk perangkat mahal.
- Operasi pada lingkungan berbahaya.
- Aksesibilitas terhadap pengetahuan dan helpdesk.
- Kemampuan bekerja dengan pengetahuan terbatas dan tidak pasti.
- Penyediaan pelatihan.
- Perbaikan kemampuan dalam pemecahan masalah dan pembuatan
keputusan.
- Meningkatkan proses pembuatan keputusan.
 - Meningkatkan kualitas keputusan.
- Kemampuan dalam menyelesaikan masalah kompleks.
- Transfer pengetahuan ke lokasi remote.
- Peningkatan sistem informasi lainnya.

Keterbatasan Sistem Pakar

Meliputi:
- Pengetahuan tidak selalu tersedia.
- Sulitnya untuk mengekstraksi keahlian dari pakar.
- Pendekatan dari setiap pakar terhadap penilaian suatu situasi mungkin
berbeda atau bahkan belum tentu benar.
- Sulitnya mengabstraksi dengan baik penilaian suatu situasi dengan
waktu yang sangat terbatas.
- Pengguna sistem pakar memiliki keterbatasan kognitif.
- Sistem pakar bekerja dengan baik pada area pengetahuan yang
terbatas.
- Kebanyakan pakar tidak memiliki penunjang yang independen untuk
menguji kelayakan kesimpulan.
- Kosa kata yang digunakan oleh pakar seringkali terbatas dan tidak
dimengerti oleh pihak lain.
- Biaya sistem pakar signifikan karena memerlukan knowledge engineer
yang langka dan mahal untuk keperluan konstruksi sistem.
- Rendahnya kepercayaan pengguna dalam menggunakan sistem pakar.
- Transfer pengetahuan bergantung pada sejumlah persepsi dan penilaian
bias.
- Pada beberapa kasus, sistem pakar tidak dapat memberikan
rekomendasi.
- Sistem pakar dapat saja menghasilkan rekomendasi yang salah.

Faktor Penentu Keberhasilan Sistem Pakar

Meliputi:
- Level pengetahuan pakar harus tinggi.
- Keahlian harus tersedia dari setidaknya satu ahli yang dapat
bekerjasama.
- Permasalahan yang diselesaikan harus bersifat kualitatif.
- Ruang permasalahan harus cukup sempit.
- Shell sistem pakar harus berkualitas tinggi dalam mengelola
pengetahuan.
- Antarmuka pengguna harus memudahkan bagi para pemula.
- Masalahnya harus penting dan cukup sulit untuk menjamin
pengembangan sistem pakar.
- Pengembang sistem dengan ketrampilan yang sangat baik diperlukan.
- Dampak sistem pakar sebagai sumber peningkatan kerja pengguna
akhir harus dipertimbangkan.
 - Dampak harus menguntungkan. Perilaku pengguna akhir dan
harapannya perlu dipertimbangkan.
- Dukungan manajemen perlu dibangun dan dijaga.
- Program pelatihan pengguna akhir sangat diperlukan.
- Lingkungan organisasi harus mendukung adaptasi teknologi baru.
- Aplikasi harus didefinisikan dan disusun dengan baik dan harus
dijustifikasi oleh dampak strategik.

Sistem Pakar di Web

Ketersediaan dan penggunaan yang luas Internet sangat mendukung dalam

menyebarluaskan sistem pakar ke masyarakat umum. Beberapa contoh penerapan
sistem pakar di Internet antara lain:
- Exsys.com, dengan Banner with Brains-nya mengintegrasikan
kemampuan sistem pakar ke banner Web.
- Gensym.com, menawarkan G2 yaitu alat pendukung realtime yang
diterapkan pada bidang kimia, perminyakan, gas, dan proses
manufaktur.
- Intellimedia system, mendukung integrasi aplikasi multimedia dengan
sistem pakar.

Dampak yang terjadi dari perkembangan sistem pakar terhadap teknologi

Web adalah sebagai berikut,

Aspek Dampak dari Web Dampak pada Web

Ahli di bidang yang berbeda

dapat berkolaborasi melalui
Internet.

Akuisisi pengetahuan dapat

dilakukan pada waktu yang Pengetahuan tentang
berbeda agar sesuai dengan operasi Web serta
1. Akuisisi jadwal para ahli yang kegiatannya dapat
Pengetahuan berbeda. diperoleh dan dikelola
untuk berbagi dan
Pengetahuan yang diperoleh penggunaan lebih lanjut.
dari para ahli yang berbeda
dapat berbagi di Internet
demimerangsang diskusi
untukperbaikan maupun
peningkatan.
 Aspek Dampak dari Web Dampak pada Web

Desain kolaboratif sistem

pakar dengan timyang secara
geografis terpisah menjadi
mungkin.

Alih daya untukmelakukan

desain sistem menjadi
mungkin untuk dilaksanakan.
Sistem pakar dapat
Evaluasi sistem pakar dapat dirancang untuk
2. Pengembangan dilakukan secara remote. mendukung aktivitas Web,
Sistem Pakar
layanan otomatis, dan
Web menyediakan antarmuka peningkatan layanan.
pengguna multimedia terpadu
untuk integrasi sistem yang
mudah.

Layanan Web menyediakan

platform yang lebih baik
untuk merancang sistem
pakar.
Pengguna di daerah
terpencil dapat
menggunakan sistem
pakar untuk memecahkan Aplikasi sistem pakar
3. Konsultasi masalah. tersedia dalam bentuk
Sistem Pakar Web browsing dan
Keahlian dapat dengan monitoring.
mudah disebarluaskan
kepada sebagian besar
pengguna.