SISTEM INFORMASI MANAJEMEN

NARASI CHAPTER 12

ENHANCING DECISION MAKING

MENINGKATKAN PROSES PENGAMBILAN KEPUTUSAN

Disusunoleh:

1. Pending PujiDwiAstuti 041411535015

2. Eka Elmi Hikmawati 041411535024
3. YashintaSetyowati 041411535027

PDD UNIVERSITAS AIRLANGGA

BANYUWANGI

2017
 BAB 11
MENGELOLA PENGETAHUAN/ MANAGING KNOWLEDGE

Kami memperkenalkan sistem manajemen pengetahuan (KMS) sebagai penggunaan

informasi teknologi untuk membantu mengumpulkan, mengatur, dan berbagi pengetahuan
bisnis dalam sebuah organisasi. Di banyak organisasi, database hypermedia di situs web
intranet perusahaan telah menjadi dasar pengetahuan untuk penyimpanan dan penyebaran
bisnis. pengetahuan. Pengetahuan ini sering mengambil bentuk praktik terbaik, kebijakan,
dan solusi bisnis di proyek, tim, unit bisnis, dan tingkat perusahaan perusahaan.

Bagi banyak perusahaan, portal informasi perusahaan adalah masuk ke intranet perusahaan
yang berfungsi sebagai sistem manajemen pengetahuan mereka. Itulah mengapa portal
semacam itu disebut portal pengetahuan perusahaan oleh vendor mereka. Dengan demikian,
portal pengetahuan perusahaan memainkan peran penting dalam membantu perusahaan
menggunakan intranet mereka sebagai sistem manajemen pengetahuan untuk berbagi dan
menyebarkan pengetahuan untuk mendukung pengambilan keputusan bisnis oleh para
manajer dan profesional bisnis.
11.1 Peran Sistem pengetahuan manajemen dalam bisnis
Pengetahuan manajemen dan kolaborasi berhubungan dekat. Pengetahuan yang tidak
dapat di komunikasikan dan dibagikan dengan yang lain hampir disebut tidak
berguna. Pengetahuan akan menjadi berguna dan dapat diterapkan ketika dapat
dibagikan keseluruh perusahaan.
1. Dimensi penting dari pengetahuan
Ada perbedaan penting antara data, informasi, pengetahuan, dan kebijaksanaan. Bab 1
mendefinisikan data sebagai arus peristiwa atau transaksi yang ditangkap oleh sistem
organisasi yang, dengan sendirinya, berguna untuk bertransaksi tapi sedikit berbeda.
Untuk mengubah data menjadi informasi yang berguna, perusahaan harus
mengeluarkan sumber daya untuk mengatur data ke dalam kategori pemahaman,
seperti laporan penjualan total bulanan, harian, regional, atau toko. Untuk mengubah
informasi menjadi pengetahuan, perusahaan harus mengeluarkan sumber daya
tambahan untuk menemukan pola, aturan, dan konteks di mana pengetahuan itu
bekerja. Akhirnya, kebijaksanaan dianggap sebagai pengalaman kolektif dan
individual untuk menerapkan pengetahuan terhadap pemecahan masalah.
Kebijaksanaan melibatkan di mana, kapan, dan bagaimana menerapkan pengetahuan.
Pengetahuan yang berada di benak karyawan yang belum didokumentasikan disebut
pengetahuan tacit, sedangkan pengetahuan yang telah didokumentasikan disebut
pengetahuan eksplisit. Pengetahuan bisa berada dalam e-mail, voice mail, grafik, dan
dokumen tidak terstruktur serta dokumen terstruktur. Kita dapat melihat bahwa
pengetahuan adalah jenis aset perusahaan yang berbeda dari, katakanlah, bangunan
dan aset keuangan. Pengetahuan itu adalah fenomena yang kompleks, dan ada banyak
aspek proses pengelolaan pengetahuan. Akhirnya, pengetahuan dianggap situasional
dan kontekstual. Misalnya, Anda harus tahu kapan harus melakukan prosedur serta
bagaimana cara melakukannya. Tabel 11.1 mengulas dimensi pengetahuan ini.
 - Pembelajaran organisasional dan manajemen pengetahuan
Seperti manusia, organisasi menciptakan dan mengumpulkan pengetahuan dengan
menggunakan berbagai mekanisme pembelajaran organisasi. Melalui
pengumpulan data, pengukuran aktivitas terencana yang cermat, trial and error
(percobaan), dan umpan balik dari pelanggan dan lingkungan pada umumnya,
organisasi mendapatkan pengalaman. Organisasi yang belajar menyesuaikan
perilaku mereka untuk mencerminkan pembelajaran itu dengan menciptakan
proses bisnis baru dan dengan mengubah pola pengambilan keputusan
manajemen. Proses perubahan ini disebut pembelajaran organisasi.
2. Manajemen pengetahuan rantai nilai
Manajemen pengetahuan mengacu pada serangkaian proses bisnis yang
dikembangkan dalam sebuah organisasi untuk menciptakan, menyimpan, mentransfer,
dan menerapkan pengetahuan. Manajemen pengetahuan meningkatkan kemampuan
organisasi untuk belajar dari lingkungannya dan untuk menggabungkan pengetahuan
ke dalam proses bisnisnya. Gambar 11.1 mengilustrasikan lima langkah penambahan
nilai dalam rantai nilai manajemen pengetahuan. Setiap tahap dalam rantai nilai
menambahkan nilai pada data mentah dan informasi karena mereka berubah menjadi
pengetahuan yang dapat digunakan.
- Akuisisi pengetahuan
Sistem pengetahuan yang koheren dan terorganisir juga memerlukan data
sistematis dari sistem pemrosesan transaksi perusahaan yang melacak penjualan,
pembayaran, inventaris, pelanggan, dan data penting lainnya, serta data dari
sumber eksternal seperti umpan berita, laporan industri, pendapat hukum, ilmiah
Penelitian, dan statistik pemerintah.
- Penyimpanan pengetahuan
Begitu mereka ditemukan, dokumen, pola, dan aturan ahli harus disimpan agar
bisa diambil dan digunakan oleh karyawan. Penyimpanan pengetahuan umumnya
melibatkan pembuatan database. Sistem pengelolaan dokumen yang
mendigitalkan, mengindeks, dan memberi tag dokumen sesuai kerangka koheren
adalah database besar yang mahir menyimpan koleksi dokumen. Manajemen
harus mendukung pengembangan sistem penyimpanan pengetahuan terencana,
mendorong pengembangan skema keseluruhan perusahaan untuk mengindeks
dokumen, dan menghargai karyawan karena meluangkan waktu untuk
memperbarui dan menyimpan dokumen dengan benar.
- Penyebaran pengetahuan
Bagaimana para manajer dan karyawan dapat menemukan, dalam lautan informasi
dan pengetahuan, apa yang benar-benar penting untuk keputusan dan pekerjaan
mereka? Di sini, program pelatihan, jaringan informal, dan pengalaman
manajemen bersama dikomunikasikan melalui budaya pendukung yang membantu
manajer memusatkan perhatian mereka pada pengetahuan dan informasi penting.
- Penggunaan pengetahuan
Pada akhirnya, pengetahuan baru harus dibangun ke dalam proses bisnis
perusahaan dan sistem aplikasi utama, termasuk aplikasi enterprise untuk
 mengelola proses bisnis internal utama dan hubungan dengan pelanggan dan
pemasok. Manajemen mendukung proses ini dengan menciptakan-berdasarkan
pengetahuan baru-praktik bisnis baru, produk dan layanan baru, dan pasar baru
untuk perusahaan.
- Membangun modal organisasional dan manajemen : Kolaborasi, Komunitas
praktik, dan lingkungan kantor
Selain kegiatan yang baru saja kami jelaskan, para manajer dapat membantu
dengan mengembangkan peran dan tanggung jawab organisasi baru untuk
mengakuisisi pengetahuan, termasuk pembentukan pengetahuan ketua pada posisi
eksekutif, posisi staf yang berdedikasi (knowledge manager), dan komunitas
praktik. Komunitas praktik (COP) adalah jaringan sosial informal para profesional
dan karyawan di dalam dan di luar perusahaan yang memiliki kegiatan dan minat
terkait pekerjaan serupa. Kegiatan komunitas ini meliputi pendidikan mandiri dan
pendidikan kelompok, konferensi, buletin online, dan berbagi pengalaman dan
teknik sehari-hari untuk menyelesaikan pekerjaan tertentu.
3. Jenis-jenis Sistem pengetahuan manajemen
Sistem manajemen pengetahuan menyeluruh adalah upaya generalwide untuk
mengumpulkan, menyimpan, mendistribusikan, dan menerapkan konten dan
pengetahuan digital. Sistem ini mencakup kemampuan untuk mencari informasi,
menyimpan data terstruktur dan tidak terstruktur, dan menemukan keahlian karyawan
di dalam perusahaan. Mereka juga mencakup teknologi pendukung seperti portal,
mesin pencari, kolaborasi dan alat bisnis sosial, dan sistem manajemen pembelajaran.
Sistem kerja pengetahuan (KWS) adalah sistem khusus yang dibangun untuk para
insinyur, ilmuwan, dan pekerja pengetahuan lainnya yang ditugaskan untuk
menemukan dan menciptakan pengetahuan baru bagi sebuah perusahaan.
Manajemen pengetahuan juga mencakup beragam teknik cerdas, seperti data mining,
sistem pakar, jaringan syaraf tiruan, logika fuzzy, algoritma genetika, dan agen
cerdas.
11.2 Jenis sistem yang digunakan untuk memperluas manajemen pengetahuan
perusahaan dan bagaimana memberikan nilai untuk bisnis
1. Simtem manajemen Konten perusahaan
Pengetahuan terstruktur adalah pengetahuan eksplisit yang ada dalam dokumen
formal, dan juga peraturan formal yang diturunkan organisasi dengan mengamati para
ahli dan perilaku pengambilan keputusan mereka. Sistem manajemen konten
perusahaan membantu organisasi mengelola kedua jenis informasi. Mereka memiliki
kemampuan untuk menangkap, penyimpanan, pengambilan, distribusi, dan pelestarian
pengetahuan untuk membantu perusahaan memperbaiki proses bisnis dan keputusan
mereka. Sistem seperti itu mencakup repositori dokumen, laporan, presentasi, dan
praktik terbaik perusahaan, serta kemampuan untuk mengumpulkan dan mengatur
pengetahuan terstruktur seperti e-mail (lihat Gambar 11.3).
 Sistem manajemen konten perusahaan utama juga memungkinkan pengguna
mengakses sumber informasi eksternal, seperti umpan berita dan penelitian, dan untuk
berkomunikasi melalui e-mail, obrolan / pesan instan, kelompok diskusi, dan
konferensi video. Masalah utama dalam mengelola pengetahuan adalah pembuatan
skema klasifikasi yang tepat, atau taksonomi, untuk mengatur informasi ke dalam
kategori yang bermakna sehingga mudah diakses. Begitu kategori untuk
mengklasifikasikan pengetahuan telah dibuat, setiap objek pengetahuan perlu "diberi
tag", atau diklasifikasikan, sehingga mudah diperoleh kembali. Sistem manajemen
aset digital membantu perusahaan mengklasifikasi, toko dan mendistribusikan objek
digitalnyya.

2. Menempatkan dan membagi keahlian

Alat pencarian khusus mempermudah karyawan untuk menemukan ahli yang tepat
dalam sebuah perusahaan. Untuk sumber pengetahuan di luar perusahaan, jejaring
sosial dan alat bisnis sosial memungkinkan pengguna untuk menandai halaman Web
yang menarik, menandai bookmark ini dengan kata kunci, dan bagikan tag dan tautan
halaman Web dengan orang lain. Bookmark ini sering dipublikasikan di situs seperti
Delicious dan Reddit, namun beberapa dapat disimpan secara pribadi dan hanya
dibagi dengan orang atau grup tertentu.

3. Pembelajaran sistem manajemen

Perusahaan membutuhkan cara untuk melacak dan mengelola pembelajaran karyawan
dan mengintegrasikan sepenuhnya ke dalam manajemen pengetahuan dan sistem
perusahaan lainnya. Sistem manajemen pembelajaran (LMS) menyediakan alat untuk
manajemen, pengiriman, pelacakan, dan penilaian berbagai jenis pembelajaran dan
pelatihan karyawan. LMS kontemporer mendukung beberapa mode pembelajaran,
termasuk CD-ROM, video yang dapat didownload, kelas berbasis Web, pengajaran
 langsung di kelas atau online, dan pembelajaran kelompok di forum online dan sesi
obrolan. LMS mengkonsolidasikan pelatihan media campuran, mengotomatisasi
pemilihan dan administrasi kursus, mengumpulkan dan memberikan konten
pembelajaran, dan mengukur efektivitas pembelajaran.

11.3 Jenis-jenis pokok sistem kerja pengetahuan dan nilai yang diberikan untuk
perusahaan.
1. Pekerja pengetahuan dan pengetauan kerja
Pekerja pengetahuan, yang kami diperkenalkan di Bab 1, mencakup periset,
perancang, arsitek, ilmuwan, dan insinyur yang terutama menciptakan pengetahuan
dan informasi untuk organisasi. Pekerja pengetahuan melakukan tiga peran kunci
yang kritis bagi organisasi dan manajer yang bekerja di dalam organisasi, yaitu :
a) Menjaga aliran pengetahuan di dalam perusahaan seiring dengan adanya
perkembangan perusahaaan-dalam teknologi, sains, pemikiran sosial dan seni
b) Bertugas untuk melayani sebagai konsultan internal mengenai pengetahuan
khusus yang mereka ketahui, berbagi perubahan yang terjadi, dan kesempatan
yang muncul.
c) Bertindak layaknya agen perubahan, untuk melakukan evaluasi, merintis, dan
mendukung proyek-proyek perubahan.

2. Requirements atau persyaratan atas sistem kerja pengetahuan

Sebagian besar pekerja pengetahuan bergantung pada sistem perkantoran, seperti
pengolah kata, pesan suara, e-mail, konferensi video, dan sistem penjadwalan, yang
dirancang untuk meningkatkan produktivitas pekerja di kantor. Namun, pekerja
pengetahuan juga memerlukan sistem kerja pengetahuan yang sangat terspesialisasi
dengan grafis, alat analisis, dan komunikasi serta kemampuan manajemen dokumen
yang hebat. Sistem ini membutuhkan daya komputasi yang memadai untuk
menangani grafik yang canggih atau perhitungan rumit yang diperlukan untuk pekerja
pengetahuan semacam itu sebagai peneliti ilmiah, perancang produk, dan analis
keuangan. Karena pekerja pengetahuan sangat fokus pada pengetahuan di dunia luar,
sistem ini juga harus memberi pekerja akses cepat dan mudah ke database eksternal.

3. Contoh atas sistem kerja pengetahuan

Aplikasi kerja pengetahuan utama mencakup sistem CAD, sistem virtual reality untuk
simulasi dan pemodelan, dan workstation keuangan. Computeraided design (CAD)
mengotomatisasi penciptaan dan revisi desain, menggunakan komputer dan perangkat
lunak grafis yang canggih. Sistem CAD mampu memasok data untuk pencetakan 3-D,
juga dikenal sebagai manufaktur aditif, yang menggunakan mesin untuk membuat
benda padat, lapis demi lapis, dari spesifikasi dalam file digital. Pencetakan 3-D saat
ini digunakan untuk memproduksi prototip dan pekerjaan manufaktur yang
disesuaikan
11.4 Keuntungan bisnis atas penggunaan inteligent techniques untuk manajemen
pengetahuan.
Teknik cerdas lainnya yang dibahas di bagian ini didasarkan pada teknologi
kecerdasan buatan (artificial intelligence / AI), yang terdiri dari sistem berbasis
komputer (perangkat keras dan perangkat lunak) yang mencoba meniru perilaku
manusia. Sistem seperti itu bisa belajar bahasa, menyelesaikan tugas fisik,
menggunakan aparatus persepsi, dan meniru keahlian dan pengambilan keputusan
manusia. Meskipun aplikasi AI tidak menunjukkan keluasan, kompleksitas,
orisinalitas, dan keumuman kecerdasan manusia, mereka memainkan peran penting
dalam manajemen pengetahuan kontemporer.
Menurut Obrien Teknologi kecerdasan buatan (AI) digunakan dalam berbagai cara
untuk memperbaiki dukungan keputusan yang diberikan kepada para manajer dan
profesional bisnis di banyak perusahaan. Artificial Intelligence (AI) adalah bidang
ilmu pengetahuan dan teknologi yang berbasis pada disiplin ilmu seperti ilmu
komputer, biologi, psikologi, linguistik, matematika, dan teknik. Tujuan AI adalah
untuk mengembangkan komputer yang bisa mensimulasikan kemampuan berpikir,
serta melihat, mendengar, berjalan, berbicara, dan merasakan. Dorongan utama
kecerdasan buatan adalah simulasi fungsi komputer yang biasanya terkait dengan
kecerdasan manusia, seperti penalaran, pembelajaran, dan pemecahan masalah, seperti
yang dirangkum dalam Gambar 10.24.

Satu turunan dari uji Turing yang memberikan nilai nyata bagi komunitas online
Adalah CAPTCHA. Tes CAPTCHA (Uji Umum Turing Secara Otomatis untuk
Mengetahui Komputer dan Manusia Terpisah) adalah jenis tes respons tantangan yang
digunakan dalam berbagai macam aplikasi komputasi untuk menentukan bahwa
pengguna benar-benar manusia dan bukan komputer yang menyamar sebagai salah
satu. CAPTCHA kadang-kadang digambarkan sebagai tes Turing terbalik karena
diberikan oleh mesin dan ditargetkan ke manusia, berbeda dengan tes Turing standar
yang biasanya diberikan oleh manusia dan ditargetkan ke mesin.
 Figure 10.26 Area aplikasi utama kecerdasan buatan. Perhatikan bahwa banyak
aplikasi AI dapat dikelompokkan ke dalam tiga bidang utama ilmu kognitif, robotika,
dan alam.

Ilmu Kognitif. Area kecerdasan buatan ini didasarkan pada penelitian biologi,
Neurologi, psikologi, matematika, dan banyak disiplin sekutu. Ini berfokus pada
meneliti bagaimana otak manusia bekerja dan bagaimana manusia berpikir dan
belajar. Hasil penelitian semacam itu dalam pengolahan informasi manusia
merupakan dasar pengembangan berbagai aplikasi berbasis komputer dalam
kecerdasan buatan.

Aplikasi di bidang Ilmu Kognitif AI termasuk pengembangan sistem pakar dan

sistem berbasis pengetahuan lainnya yang menambahkan basis pengetahuan dan
beberapa kemampuan penalaran ke sistem informasi. Juga termasuk sistem
pembelajaran adaptif yang dapat memodifikasi perilaku mereka berdasarkan informasi
yang mereka dapatkan saat mereka beroperasi. Sistem permainan catur adalah contoh
primitif dari aplikasi semacam itu, meski masih banyak aplikasi yang
diimplementasikan. Sistem logika fuzzy dapat mengolah data yang tidak lengkap atau
ambigu, yaitu data fuzzy.

1. Menangkap pengetahuan : expert sistem

Expert sistem adalah teknik cerdas untuk menangkap pengetahuan tacit dalam domain
keahlian manusia yang sangat spesifik dan terbatas. Sistem ini menangkap
pengetahuan pekerja terampil dalam bentuk seperangkat aturan dalam sistem
perangkat lunak yang dapat digunakan oleh orang lain dalam organisasi. Kumpulan
aturan dalam expert sistem menambah ingatan, atau pembelajaran yang tersimpan,
dari perusahaan.
- Bagaimana expert sistem bekerja
Model expert sistem tentang pengetahuan manusia sebagai satu perangkat aturan
yang kolektif disebut basis pengetahuan atau knowledge base, dan strategi yang
 menggunakan pencarian pada knowledge base disebut sebagai Inference engine
atau mesin inferensi. Dalam forward chaining, mesin inferensi atau inference
engine dimulai dengan memasukkan informasi oleh pengguna dan mencari aturan
dasar untuk sampai pada suatu kesimpulan. Dalam backward chaining strategi
yang digunakan untuk mencari basis aturan tersebut dimulai dari hipotesis dan
hasil dengan mengajukan pertanyaan pengguna tentang fakta-fakta yang dipilih
dan barulah hipotesis tersebut dikonfirmasi atau disangkal.
- Contoh kesuksessan expert sistem
Expert system menyediakan beragam manfaat termasuk keputusan yang baik,
mengurangi kesalahan, mengurangi biaya, mengurangi waktu pelatihan, dan
tingkat kualitas dan layanan yang lebih tinggi. Con-Way Transportation
membangun sebuah sistem pakar yang disebut Line-haul untuk mengotomatisasi
dan mengoptimalkan perencanaan rute pengiriman semalam untuk bisnis angkutan
barang nasional. Sistem pakar menangkap peraturan bisnis yang diikuti petugas
operator saat menugaskan pengemudi, truk, dan trailer untuk mengangkut 50.000
pengiriman barang berat setiap malam ke 25 negara bagian dan Kanada dan
kemudian merencanakan rute mereka.
- Pembahasan Expert System dalam buku Obrien
Sistem pakar (ES) adalah sistem informasi berbasis pengetahuan yang
menggunakan pengetahuannya tentang area aplikasi yang spesifik dan kompleks
untuk bertindak sebagai konsultan ahli bagi pengguna akhir. Sistem pakar
memberikan jawaban atas pertanyaan di area masalah yang sangat spesifik dengan
membuat kesimpulan manusiawi tentang pengetahuan yang terdapat dalam basis
pengetahuan khusus. Mereka juga harus bisa menjelaskan proses penalaran dan
kesimpulan mereka kepada pengguna, sehingga sistem pakar dapat memberikan
dukungan keputusan kepada pengguna akhir berupa saran dari konsultan ahli di
area masalah tertentu. Komponen expert system meliputi basis pengetahuan dan
software modul yang melakukan kesimpulan pada pengetahuan dalam basis
pengetahuan dan berkomunikasi jawaban untuk pertanyaan pengguna. Gambar
10.28 mengilustrasikan komponen sistem pakar yang saling terkait.
- Keunggulan Expert System
Sistem pakar menangkap keahlian ahli atau kelompok ahli dalam sistem informasi
komputasi. Dengan demikian, bisa mengungguli ahli manusia tunggal dalam
banyak situasi bermasalah. Itu karena sistem pakar lebih cepat dan lebih
konsisten, bisa memiliki pengetahuan beberapa ahli, dan tidak bosan atau
terganggu oleh kerja paksa atau stres. Sistem pakar juga membantu melestarikan
dan mereproduksi pengetahuan para ahli. Mereka mengizinkan perusahaan
melestarikan keahlian ahli sebelum meninggalkan organisasi. Keahlian ini
kemudian dapat dibagi dengan mereproduksi perangkat lunak dan basis
pengetahuan dari sistem pakar.
- Kelemahan Expert System
Keterbatasan utama sistem pakar muncul dari fokus terbatas, ketidakmampuan
belajar, masalah pemeliharaan, dan biaya pengembangan. Sistem pakar hanya
unggul dalam memecahkan jenis masalah tertentu dalam domain pengetahuan
terbatas. Mereka gagal total dalam memecahkan masalah yang membutuhkan
basis pengetahuan yang luas dan pemecahan masalah subjektif. Mereka
melakukannya dengan baik dengan jenis tugas operasional atau analisis tertentu
namun tidak sesuai dengan pengambilan keputusan manajerial subyektif. Sistem
pakar mungkin juga sulit dan mahal untuk dikembangkan dan dipelihara. Biaya
insinyur pengetahuan, kehilangan waktu ahli, dan sumber daya perangkat keras
dan perangkat lunak mungkin terlalu tinggi untuk mengimbangi manfaat yang
diharapkan dari beberapa aplikasi.
- Pengembangan Expert System
Gambar 10.32 menekankan bahwa banyak situasi di dunia nyata tidak sesuai
dengan kriteria kesesuaian untuk solusi sistem pakar. Ratusan peraturan mungkin
diperlukan untuk menangkap asumsi, fakta, dan penalaran yang terlibat dalam
situasi masalah sederhana sekalipun. Misalnya, sebuah tugas yang mungkin perlu
beberapa ahli untuk menyelesaikan beberapa ahli mungkin memerlukan sistem
pakar dengan ratusan peraturan dan memerlukan waktu beberapa bulan untuk
berkembang.

Cara termudah untuk mengembangkan sistem pakar adalah menggunakan shell

sistem pakar sebagai alat pengembangan. Sistem pakar shell adalah paket
 perangkat lunak yang terdiri dari sistem pakar tanpa kernel, yaitu basis
pengetahuannya. Ini meninggalkan sebuah shell perangkat lunak (inferensi mesin
dan program antarmuka pengguna) dengan inferens generik dan kemampuan
antarmuka pengguna. Alat pengembangan lainnya (misalnya, editor peraturan,
generator antarmuka pengguna) ditambahkan untuk membuat shell sebagai alat
pengembangan alat pakar yang hebat.

2. Kecerdasan organisasional : kasus berdasarkan penalaran

Expert System terutama menangkap pengetahuan tacit para ahli perorangan, namun
organisasi juga memiliki pengetahuan dan keahlian kolektif yang telah mereka
bangun selama bertahun-tahun. Pengetahuan organisasi ini dapat ditangkap dan
disimpan dengan menggunakan penalaran berbasis kasus. Dalam kasus berbasis
penalaran (CBR), deskripsi dari pengalaman masa lalu spesialis manusia,
digambarkan sebagai kasus, didokumentasikan dan disimpan dalam database untuk
pengambilan nanti saat pengguna menemukan kasus baru dengan parameter serupa.

3. Sistem fuzzy logic atau logika fuzzy

Logika fuzzy merupakan teknologi berbasis aturan atau yang dapat merepresentasikan
ketidak presisian, dengan cara menciptakan aturan dengan menggunakan nilai
subjektif atau nilai yang mendekati (IF-THEN). Jaringan saraf tiruan digunakan untuk
menyelesaikan masalah yang kompleks dan sulit untuk dipahami, dimana sejumlah
besar data tersebut mengenai masalah yang telah dikumpulkan untuk mencari pola
dan hubungan di dalam data yang sangat besar, terlalu rumit dan sulit dianalisis oleh
manusia.
Berikut pembahasan Obrien terkait Sistem Logika Fuzzy. Terlepas dari nama mereka
yang lucu, sistem logika fuzzy mewakili aplikasi AI yang kecil namun serius. Logika
fuzzy adalah metode penalaran yang menyerupai penalaran manusia, karena
memungkinkan perkiraan nilai dan kesimpulan (logika fuzzy) dan data yang tidak
lengkap atau ambigu (data fuzzy) daripada mengandalkan data garing, seperti biner
(ya / tidak) Pilihan. Sebagai contoh, Gambar 10.35 mengilustrasikan seperangkat
aturan parsial (aturan fuzzy) dan query SQL fuzzy untuk menganalisis dan
mengekstraksi informasi risiko kredit pada bisnis yang sedang dievaluasi untuk
seleksi sebagai investasi.
4. Pembelajaran mesin
Pembelajaran mesin adalah studi tentang bagaimana program komputer dapat
meningkatkan kinerjanya tanpa pemrograman eksplisit. Mesin yang dipelajari adalah
mesin yang, seperti manusia, dapat mengenali pola dalam data, dan mengubah
perilakunya berdasarkan pengakuan akan pola, pengalaman, atau pembelajaran
sebelumnya (database).
- Jaringan neural
Jaringan neural digunakan untuk memecahkan masalah yang kompleks. Jaringan
neural menemukan pengetahuan ini dengan menggunakan hardware dan software
secara pararel dengan pola pengolahan biologis atau otak manusia, Jaringan ini
belajar pola dari besarnya jumlah data dengan cara memilah-milah data
tersebut, mencari hubungan, membangun sebuah model, dan mengoreksi ulang
kesalahannya. Lihat figure 11-9.

Gambar 11.9 mewakili satu jenis jaringan syaraf tiruan yang terdiri dari lapisan
masukan, lapisan keluaran, dan lapisan pengolahan tersembunyi. Manusia
"melatih" jaringan dengan memberi mereka seperangkat data pelatihan yang
inputnya menghasilkan serangkaian output atau kesimpulan yang diketahui. Ini
membantu komputer mempelajari solusi yang benar dengan memberi contoh.
Karena komputer diberi banyak data, masing-masing kasus dibandingkan dengan
hasil yang diketahui. Jaringan syaraf tiruan pada Gambar 11.9 telah belajar
bagaimana mengidentifikasi pembelian kartu kredit yang tidak benar. Juga,
jaringan syaraf tiruan dapat dilatih dengan mengekspos mereka ke sejumlah besar
data dan memungkinkan mereka menemukan pola dan hubungan dalam data.

Berikut adalah pembahasan dalam buku Obrien terkait Jaringan Neural atau
Neural Network. Jaringan syaraf tiruan adalah sistem komputasi yang dimodelkan
setelah jaringan mesh mesh dari elemen pemrosesan yang saling berhubungan,
 yang disebut neuron. Tentu saja, jaringan syaraf tiruan jauh lebih sederhana dalam
arsitektur (otak manusia diperkirakan memiliki lebih dari 100 miliar sel otak
neuron!). Seperti otak, bagaimanapun, prosesor yang saling berhubungan dalam
jaringan saraf beroperasi secara paralel dan berinteraksi secara dinamis. Interaksi
ini memungkinkan jaringan untuk "belajar" dari data yang diolahnya. Artinya, ia
belajar mengenali pola dan hubungan dalam data ini. Semakin banyak contoh data
yang diterima sebagai masukan, semakin baik belajar menduplikat hasil contoh
yang diolahnya. Dengan demikian, jaringan syaraf tiruan akan mengubah
kekuatan interkoneksi antar elemen pengolahan sebagai respons terhadap
perubahan pola pada data yang diterima dan hasil yang terjadi.
- Algoritma genetik
Algoritma genetika berguna untuk menemukan solusi optimal untuk masalah
tertentu dengan memeriksa sejumlah besar kemungkinan solusi untuk masalah itu.
Mereka didasarkan pada teknik yang diilhami oleh biologi evolusioner, seperti
pewarisan, mutasi, seleksi, dan crossover (rekombinasi). Algoritma genetika
bekerja dengan mewakili informasi sebagai string 0s dan 1s. Algoritma genetika
mencari populasi string biner yang dihasilkan secara acak untuk mengidentifikasi
string yang tepat yang merupakan solusi terbaik untuk masalah ini. Sebagai solusi
mengubah dan menggabungkan, yang terburuk dibuang dan yang lebih baik
bertahan untuk terus menghasilkan solusi yang lebih baik.
Dalam bukunya Obrien membahas tentang algoritma Genetika, sebagai berikut.
Penggunaan algoritma genetika adalah aplikasi kecerdasan buatan yang terus
berkembang. Perangkat lunak algoritma genetika menggunakan Darwinian
(survival of the fittest), pengacakan, dan fungsi matematis lainnya untuk
mensimulasikan proses evolusioner yang dapat menghasilkan solusi yang lebih
baik untuk sebuah masalah. Algoritma genetika pertama kali digunakan untuk
mensimulasikan jutaan tahun evolusi biologis, geologi, dan ekosistem hanya
dalam beberapa menit di komputer. Perangkat lunak algoritma genetika digunakan
untuk memodelkan berbagai proses ilmiah, teknis, dan bisnis.

5. Agen Intelgent
Teknologi Agen Intelgent membantu bisnis menavigasi melalui sejumlah besar data
untuk mencari dan bertindak berdasarkan informasi yang dianggap penting. Agen
Intelgent adalah program perangkat lunak yang bekerja tanpa intervensi langsung
manusia untuk melaksanakan tugas tertentu untuk pengguna individual, proses bisnis,
atau aplikasi perangkat lunak. Ada banyak aplikasi Agen Intelgent saat ini di sistem
operasi, perangkat lunak aplikasi, sistem e-mail, perangkat lunak komputasi mobile,
dan alat jaringan. Misalnya, wizard yang ditemukan di perangkat lunak Microsoft
Office memiliki kemampuan built-in untuk menunjukkan kepada pengguna
bagaimana menyelesaikan berbagai tugas, seperti memformat dokumen atau membuat
grafik, dan untuk mengantisipasi kapan pengguna memerlukan bantuan. Bab 10
menjelaskan bagaimana agen belanja cerdas dapat membantu konsumen menemukan
produk yang mereka inginkan dan membantu mereka dalam membandingkan harga
dan fitur lainnya. Pembahasan Obrien terkait AI adalah Agen cerdas semakin
 populer sebagai cara untuk menggunakan rutinitas kecerdasan buatan dalam
perangkat lunak untuk membantu pengguna menyelesaikan berbagai jenis tugas
dalam bisnis elektronik dan e-commerce. Agen cerdas adalah pengganti perangkat
lunak untuk pengguna akhir atau proses yang memenuhi kebutuhan atau aktivitas
yang dinyatakan. Agen cerdas menggunakan basis pengetahuan bawaan dan terpelajar
tentang seseorang atau proses untuk membuat keputusan dan menyelesaikan tugas
dengan cara yang memenuhi maksud pengguna. Terkadang agen cerdas diberi
representasi grafis atau persona, seperti Einstein untuk penasihat sains, Sherlock
Holmes untuk agen pencari informasi, dan sebagainya. Dengan demikian, agen cerdas
(yang juga disebut software robot atau "bot") adalah tujuan khusus, sistem informasi
berbasis pengetahuan yang menyelesaikan tugas spesifik untuk pengguna.

6. Sistem hybrid.
Algoritma genetika, logika fuzzy, jaringan neural, dan expert system dapat di
integrasikan dalam satu aplikasi untuk memberikan keuntungan dengan fitur terbaik
dari teknologi ini. Sistem tersebut disebut Sistem Hybrid AI. Aplikasi hibrid dalam
bisnis tumbuh. Di Jepang, Hitachi, Mitsubishi, Ricoh, Sanyo, dan lainnya mulai
memasukkan AI hibrid ke dalam produk seperti peralatan rumah tangga, mesin
pabrik, dan peralatan kantor.