Anda di halaman 1dari 20

MAKALAH SISTEM INFOMASI MANAJEMEN

“MENGELOLA PENGETAHUAN “

NAMA KELOMPOK 4:

Rosadalima Azi Wea (01117001)

Chantika Caludia (01117016)

Dhela Adeliya P (01117034)

M Romy Azadin (01117050)

Rika Ariska Dewi (01118111)

UNIVERSITAS NAROTAMA SURABAYA


SURABAYA
2019
BAB 11: MENGELOLA PENGETAHUAN

Pendahuluan
INTELEJEN
krisis resmi dari 2007-2009 sebagai industri otomotif. produksi global mencapai puncaknya
pada 2007 ketika 53 juta mobil yang diproduksi, tetapi jatuh ke 47 juta dua tahun kemudian pada
puncak resesi keuangan global. Dua perusahaan besar Amerika, General Motors dan Chrysler,
diperlukan jaminan keuangan dari € 5,6 miliar dari pemerintah Amerika Serikat. Setelah mengajukan
kebangkrutan pada tahun 2009, Chrysler menemukan pembeli di Fiat Automobiles SpA, yang
akhirnya dibeli kontrol mayoritas pada tahun 2011, dan sejak berusaha untuk membeli semua saham
dari pemerintah Kanada, dan serikat karyawan 2013.

Fiat adalah salah satu perusahaan otomotif global untuk cuaca badai keuangan 2008-2011 tanpa
intervensi pemerintah yang signifikan. Pembuat mobil 114 tahun yang berbasis di Turin, Italia, dan
produsen mobil terbesar di Italia, dengan 9 persen dari pasar Eropa. pasar terbesar kedua adalah
Brazil, di mana ia telah menjadi pemimpin pasar selama satu dekade. Perusahaan Chrysler Fiat
gabungan memiliki hampir 215.000 karyawan, 158 tanaman, dan 77 R & D pusat. Pendapatan Fiat
2012 mendekati € 84 miliar. Pada tahun 2014, Fiat Chrysler bergeser ke penggabungan berdasarkan
UU Belanda, memindahkan kantor pusatnya ke Inggris, dan tercatat di Bursa Efek New York,
menunjukkan kuat bergerak menuju menjadi perusahaan yang lebih global.

Fiat memutuskan itu diperlukan sistem baru yang dapat memberikan dekat informasi real-time pada
operasinya di seluruh dunia untuk mengintegrasikan kontrol dan pelaporan, definisi data, harga, dan
kampanye pemasaran untuk kendaraan baru. Bekerja dengan Oracle Database Hyperion dan
pelaporan perangkat lunak, dan perusahaan konsultan TechEdge SpA, Fiat berangkat untuk
membangun sistem manajemen kinerja perusahaan dengan kemampuan intelijen bisnis yang
signifikan berdasarkan data arus dari divisi.

Sistem baru ini memungkinkan manajer Fiat untuk menganalisis produksi mobil di seluruh divisi,
termasuk motor yang digunakan, dan pilihan kendaraan. Pada gilirannya ini memungkinkan eksekutif
untuk menentukan biaya dan anggaran dari seluruh dunia produksi. pekerjaan manual dengan
spreadsheet telah sangat berkurang. Menggunakan sistem Hyperion Planning Oracle, manajer Fiat
mampu mengembangkan pemahaman rinci tentang kondisi pasar lokal dan memulai kampanye
pemasaran dan program insentif untuk memastikan bahwa kelebihan persediaan mobil selesai tidak
menumpuk.
11.1 APA PERAN PENGETAHUAN PENGELOLAAN SISTEM IN BISNIS?
manajemen nowledge dan kolaborasi sistem adalah salah satu yang paling cepat daerah
berkembang dari investasi perangkat lunak perusahaan dan pemerintah. Dekade terakhir telah
menunjukkan pertumbuhan eksplosif dalam penelitian tentang pengetahuan dan manajemen
pengetahuan di bidang ekonomi, bidang sistem manajemen, dan informasi. manajemen
pengetahuan dan kolaborasi yang erat kaitannya.Pengetahuan yang tidak dapat dikomunikasikan
dan dibagi dengan orang lain hampir tidak berguna.Kita hidup dalam ekonomi informasi di mana
sumber utama kekayaan dan kemakmuran adalah produksi dan distribusi informasi dan
pengetahuan. Diperkirakan 37 persen dari angkatan kerja AS terdiri dari pengetahuan dan informasi
pekerja, segmen terbesar dari angkatan kerja. Sekitar 45 persen dari produk domestik bruto (PDB)
Amerika Serikat yang dihasilkan oleh pengetahuan dan informasi sektor (US Department of
Commerce, 2012).

manajemen pengetahuan telah menjadi tema penting di banyak perusahaan bisnis besar sebagai
manajer menyadari bahwa banyak dari nilai perusahaan mereka tergantung pada kemampuan
perusahaan untuk membuat dan mengelola pengetahuan. Studi telah menemukan bahwa sebagian
besar dari nilai pasar saham perusahaan terkait dengan aset tidak berwujud nya, yang pengetahuan
adalah salah satu komponen penting, bersama dengan merek, reputasi, dan proses bisnis yang unik.
Dilaksanakan dengan baik proyek berbasis pengetahuan telah dikenal untuk menghasilkan hasil luar
biasa pada investasi, meskipun dampak dari investasi berbasis pengetahuan yang sulit diukur (Gu
dan Lev, 2001).

DIMENSI PENTING PENGETAHUAN


Ada perbedaan penting antara data, informasi, pengetahuan, dan kebijaksanaan. Bab 1
mendefinisikan data sebagai Ada perbedaan penting antara data, informasi, pengetahuan, dan
kebijaksanaan. Bab 1 mendefinisikan data sebagai Ada perbedaan penting antara data, informasi,
pengetahuan, dan kebijaksanaan. Bab 1 mendefinisikan data sebagai aliran kejadian atau transaksi
ditangkap oleh sistem organisasi itu, dengan sendirinya, berguna untuk bertransaksi tetapi sedikit
lain. Untuk mengubah data menjadi berguna informasi, perusahaan harus mengeluarkan sumber
daya untuk mengatur data ke dalam kategori pemahaman, seperti laporan bulanan, harian, regional,
atau toko berbasis dari total penjualan. Untuk mengubah informasi menjadi pengetahuan,
perusahaan harian, regional, atau toko berbasis dari total penjualan. Untuk mengubah informasi
menjadi pengetahuan, perusahaan harus mengeluarkan sumber daya tambahan untuk menemukan
pola, aturan, dan konteks di mana pengetahuan bekerja.Akhirnya,kebijaksanaan dianggap
pengalaman kolektif dan individu menerapkan pengetahuan untuk bekerja.Pengetahuan adalah
kedua atribut individu dan atribut kolektif perusahaan. Pengetahuan adalah kognitif, bahkan
fisiologis, peristiwa yang terjadi di dalam kepala orang. Hal ini juga disimpan di perpustakaan dan
catatan, bersama dalam kuliah, dan disimpan oleh perusahaan dalam bentuk proses bisnis dan
karyawan know-how.Pengetahuan dapat berada dalam e-mail, pesan suara, grafis, dan disebut
pengetahuan eksplisit.Pengetahuan umumnya diyakini memiliki lokasi, baik di benak manusia atau
dalam proses bisnis yang spesifik. Pengetahuan adalah “lengket” dan tidak berlaku universal atau
mudah dipindahkan. Akhirnya, pengetahuan dianggap situasional dan kontekstual. Misalnya, Anda
harus tahu kapan untuk melakukan prosedur serta bagaimana melakukan hal itu.
PENGETAHUAN MANAJEMEN RANTAI NILAI

Manajemen pengetahuan mengacu pada serangkaian proses bisnis yang dikembangkan


dalam suatu organisasi untuk membuat, 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 nilai tambah dalam rantai pengetahuan nilai
manajemen. Setiap tahap dalam rantai nilai menambah nilai data mentah dan informasi karena
mereka berubah menjadi pengetahuan dapat digunakan.

JENIS SISTEM MANAJEMEN PENGETAHUAN

Pada dasarnya ada tiga jenis utama dari sistem pengetahuan manajemen: sistem manajemen
pengetahuan perusahaan-lebar, sistem kerja pengetahuan, dan teknik cerdas.

 sistem manajemen pengetahuan perusahaan-lebar


adalah upaya firmwide tujuan umum untuk sistem manajemen pengetahuan perusahaan-
lebar adalah upaya firmwide tujuan umum untuk mengumpulkan, menyimpan,
mendistribusikan, dan menerapkan konten digital dan pengetahuan. Sistem ini meliputi
kemampuan untuk mencari informasi, menyimpan baik data terstruktur dan tidak
terstruktur, dan menemukan keahlian karyawan dalam perusahaan. Mereka juga termasuk
mendukung teknologi seperti portal, mesin pencari, kolaborasi dan alat bisnis sosial, dan
belajar sistem manajemen.
 sistem kerja pengetahuan (KWS)
adalah sistem khusus dibangun untuk insinyur, ilmuwan, dan pekerja pengetahuan
pengetahuan (KWS) adalah sistem khusus dibangun untuk insinyur, ilmuwan, dan pekerja
pengetahuan lainnya didakwa dengan menemukan dan menciptakan pengetahuan baru bagi
perusahaan.
 Teknik cerdas
manajemen pengetahuan juga mencakup berbagai kelompok teknik cerdas, seperti data
mining, manajemen pengetahuan juga mencakup berbagai kelompok teknik cerdas, seperti
data mining, manajemen pengetahuan juga mencakup berbagai kelompok teknik cerdas,
seperti data mining, sistem pakar, jaringan saraf, fuzzy logic, algoritma genetika, dan agen
cerdas.

APA JENIS DARI SISTEM YANG DIGUNAKAN UNTUK ENTERPRISE-WIDE


11.2
PENGETAHUAN MANAJEMEN DAN BAGAIMANA MEREKA MEMBERI NILAI
UNTUK USAHA?
ENTERPRISE SYSTEMS CONTENT MANAGEMENT

Bisnis saat ini kebutuhan untuk mengatur dan mengelola baik terstruktur dan semi
terstruktur aset pengetahuan. pengetahuan terstruktur adalah pengetahuan eksplisit yang ada
dalam dokumen resmi, pengetahuan. pengetahuan terstruktur adalah pengetahuan eksplisit yang
ada dalam dokumen resmi, pengetahuan. pengetahuan terstruktur adalah pengetahuan eksplisit
yang ada dalam dokumen resmi, serta dalam aturan formal bahwa organisasi berasal oleh para ahli
mengamati dan mereka perilaku pengambilan keputusan. Namun, menurut para ahli, setidaknya 80
persen dari konten bisnis organisasi yang semi terstruktur atau tidak terstruktur-informasi dalam
folder, pesan, memo, proposal, e-mail, grafis, presentasi slide elektronik, dan video bahkan dibuat
dalam format yang berbeda dan disimpan dalam banyak lokasi. sistem manajemen konten
perusahaan organisasi bantuan mengelola kedua jenis informasi. Mereka sistem manajemen konten
perusahaan organisasi bantuan mengelola kedua jenis informasi. Mereka memiliki kemampuan
untuk menangkap pengetahuan, penyimpanan, pencarian, distribusi, dan pelestarian untuk
perusahaan membantu meningkatkan proses bisnis mereka dan keputusan. Sistem tersebut meliputi
repositori perusahaan dokumen, laporan, presentasi, dan praktik terbaik, serta kemampuan untuk
mengumpulkan dan mengorganisir pengetahuan semi terstruktur seperti e-mail.

Mencari dan BERBAGI KEAHLIAN

Beberapa bisnis pengetahuan kebutuhan tidak dalam bentuk dokumen digital melainkan
berada dalam memori ahli individu dalam perusahaan. sistem manajemen konten perusahaan
kontemporer, bersama dengan sistem kerjasama dan bisnis sosial diperkenalkan pada Bab 2,
memiliki kemampuan untuk mencari ahli dan penyadapan pengetahuan mereka. Ini termasuk
direktori online ahli perusahaan dan profil mereka, dengan rincian tentang pengalaman mereka
pekerjaan, proyek, publikasi, dan derajat pendidikan, dan repositori konten ahli yang dihasilkan.
perangkat pencarian khusus memudahkan bagi karyawan untuk menemukan ahli yang tepat dalam
sebuah perusahaan.

BELAJAR MANAJEMEN SISTEM

Perusahaan perlu cara untuk melacak dan mengelola pembelajaran karyawan dan untuk
mengintegrasikan lebih penuh ke manajemen pengetahuan dan sistem perusahaan lainnya. SEBUAH
sistem mengintegrasikan lebih penuh ke manajemen pengetahuan dan sistem perusahaan lainnya.
SEBUAH sistem manajemen pembelajaran (LMS) menyediakan alat untuk manajemen, pengiriman,
pelacakan, dan manajemen pembelajaran (LMS) menyediakan alat untuk manajemen, pengiriman,
pelacakan, dan penilaian berbagai jenis pembelajaran dan pelatihan karyawan.

 LMS kontemporer
LMS kontenporer mendukung beberapa mode pembelajaran, termasuk CD-ROM, video
download, kelas berbasis Web, instruksi tinggal di kelas atau online, dan kelompok belajar di
forum online dan sesi chat. LMS mengkonsolidasikan pelatihan media campuran,
mengotomatiskan seleksi administrasi kursus, merakit dan memberikan konten
pembelajaran, dan langkah-langkah efektivitas belajar.
 CVM Solutions, LLC (CVM)
CVM Solutions,LLC(CVM) menggunakan Digitec Pengetahuan Langsung belajar sistem
manajemen untuk memberikan pelatihan tentang bagaimana mengelola pemasok untuk
klien seperti Procter & Gamble, Colgate-Palmolive, dan Delta Airlines. Pengetahuan
Langsung menyediakan portal untuk mengakses konten kursus online, bersama dengan
administrasi hands-free fitur seperti pendaftaran siswa dan penilaian alat, built-in Bantuan
dan Kontak Support, otomatis memicu e-mail untuk mengingatkan pengguna dari kursus
atau tenggat waktu, e- otomatis surat pengakuan saja penyelesaian, dan pelaporan berbasis
Web untuk kursus diakses.

11.3 APA JENIS UTAMA PENGETAHUAN KERJA SISTEM DAN BAGAIMANA


MEREKA MEMBERIKAN NILAI UNTUK PERUSAHAAN?
PEKERJA PENGETAHUAN DAN PENGETAHUAN KERJA

pekerja pengetahuan, yang kita diperkenalkan pada Bab 1, termasuk peneliti, desainer, arsitek,
ilmuwan, pekerja pengetahuan, yang kita diperkenalkan pada Bab 1, termasuk peneliti, desainer,
arsitek, ilmuwan, dan insinyur yang terutama menciptakan pengetahuan dan informasi bagi
organisasi. pekerja pengetahuan biasanya memiliki tingkat pendidikan yang tinggi dan keanggotaan
dalam organisasi profesional dan sering diminta untuk melakukan penilaian independen sebagai
aspek rutinitas pekerjaan mereka. Misalnya, pekerja pengetahuan menciptakan produk baru atau
mencari cara untuk meningkatkan yang sudah ada. pekerja pengetahuan melakukan tiga peran kunci
yang sangat penting untuk organisasi dan manajer yang bekerja dalam organisasi:

 Menjaga arus organisasi dalam pengetahuan seperti yang berkembang di luar dunia dalam
teknologi, ilmu pengetahuan, pemikiran sosial, dan seni
 Melayani sebagai konsultan internal yang menyangkut bidang pengetahuan mereka,
perubahan yang terjadi, dan peluang
 Bertindak sebagai agen perubahan, mengevaluasi, memulai, dan mempromosikan proyek
perubahan.

PERSYARATAN SISTEM PENGETAHUAN KERJA

Sebagian besar pekerja pengetahuan bergantung pada sistem kantor, seperti pengolah kata,
voice mail, 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 khusus dengan grafis yang kuat, alat-alat analisis, dan komunikasi dan
kemampuan manajemen dokumen. Sistem ini membutuhkan daya komputasi yang cukup untuk
menangani grafis canggih atau perhitungan yang kompleks diperlukan untuk pekerja pengetahuan
seperti peneliti ilmiah, desainer produk, dan analis keuangan. Karena pekerja pengetahuan begitu
terfokus pada pengetahuan di dunia luar, sistem ini juga harus memberikan cepat pekerja dan akses
mudah ke database eksternal. Mereka biasanya fitur antarmuka yang user-friendly yang
memungkinkan pengguna untuk melakukan tugas-tugas yang diperlukan tanpa harus menghabiskan
banyak waktu belajar bagaimana menggunakan sistem. pekerja pengetahuan sangat dibayar-buang
waktu seorang pekerja pengetahuan adalah terlalu mahal. Gambar 11.4 merangkum persyaratan
sistem kerja pengetahuan.

CONTOH SISTEM PENGETAHUAN KERJA

aplikasi pekerjaan pengetahuan utama termasuk sistem CAD, sistem virtual reality untuk
simulasi dan pemodelan, dan workstation keuangan. desain Computeraided (CAD) mengotomatisasi
penciptaan dan pemodelan,dan workstation keuangan.Desain Computeraided(CAD)
mengotomatisasi penciptaan dan pemodelan,dan workstation keuangan.desain Computeraided
(CAD)mengotomatisasi penciptaan dan revisi desain, menggunakan komputer dan grafis canggih
perangkat lunak.Menggunakan metodologi desain fisik yang lebih tradisional, setiap modifikasi
desain membutuhkan cetakan yang akan dibuat dan prototipe yang akan diuji secara fisik.proses
yang harus diulang berkali-kali,yang merupakan proses memakan sangat mahal dan waktu-.
Menggunakan CAD workstation, desainer hanya perlu membuat prototipe fisik menjelang akhir
proses desain karena desainnya dapat dengan mudah diuji dan diubah pada komputer. Kemampuan
software CAD untuk memberikan spesifikasi desain untuk perkakas dan proses manufaktur juga
menghemat banyak waktu dan uang sambil menghasilkan proses manufaktur dengan masalah jauh
lebih sedikit.

Sebagai contoh: Ford Motor Company menggunakan simulasi komputer untuk membuat silinder
yang datang dengan desain yang paling efisien mungkin. Insinyur diubah bahwa desain ke akun
untuk kendala manufaktur dan menguji desain direvisi hampir di model yang puluhan tahun
digunakan data pada sifat material dan performa mesin. Ford kemudian menciptakan cetakan untuk
membuat bagian nyata yang bisa melesat ke sebuah mesin untuk pengujian lebih lanjut. Seluruh
proses mengambil hari, bukan bulan dan ribuan biaya dolar bukan jutaan.
sistem CAD dapat menyediakan data untuk 3-D pencetakan, juga dikenal sebagai manufaktur aditif,
yang menggunakan mesin untuk membuat benda padat, lapis demi lapis, dari spesifikasi dalam file
digital. 3-D pencetakan saat ini sedang digunakan untuk memproduksi prototipe dan disesuaikan
pekerjaan manufaktur (lihat Sesi Interaktif Teknologi).

sistem virtual reality memiliki kemampuan visualisasi, rendering, dan simulasi yang jauh
melampaui orang-orang dari sistem CAD konvensional.

Studi kasus

INTERACT IVE negara yang memiliki ION: TEKNOLOGI


FIREWIRE papan selancar TERANG UP WITH CAD.

Nev Hyman telah membangun papan surfing di Australia selama 35 tahun. Pada tahun
2005, ia bekerja sama dengan Mark Harga dan sekelompok teman-teman lama berselancar di
Carlsbad, California, untuk membentuk Firewire Surfboards. Perusahaan ini tumbuh subur pada
inovasi dan bertanggung jawab untuk perubahan besar pertama dalam komposisi dan perakitan
metode papan selancar dalam 40 tahun. Daripada resin poliuretan dan busa poliuretan, papan
Firewire yang terdiri dari polystyrene diperluas (EPS) busa dan resin epoxy. Hyman dan Harga
percaya bahwa komposisi ini untuk inti papan selancar, bersama dengan komposit
kedirgantaraan untuk kulit dek dan balsa rel kayu (luar tepi), menciptakan produk yang lebih f
lexible dan bermanuver yang akan menarik peselancar top dan mengatur Firewire terpisah dari
para pesaingnya.

FireWire bersaing di bidang yang penuh sesak itu termasuk Isle Surf papan, Surftech, Aviso
Surf, Boardworks Surf, Pulau Channel, dan Lost Enterprises. FireWire sendirian di reintroduksi kayu
balsa ke rel papan untuk menambahkan f waktu respon lex dan kemampuan untuk
mempertahankan kecepatan selama manuver berbahaya. Firewire yakin bisa bersaing dengan
sukses karena papan surfing yang jauh lebih ringan, lebih kuat, dan lebih f lexible daripada
pesaing. Sebuah titik penjualan tambahan dampak lingkungan berkurang: bahan Firewire ini
memancarkan hanya 2 persen dari senyawa berbahaya dari papan tradisional dan daur ulang
kelebihan EPS busa telah menerima penghargaan internasional Firewire dan pujian.

Tapi itu tidak cukup. Untuk memastikan itu tetap di depan persaingan, Firewire
memutuskan untuk mulai membuat kustom papan selancar bukan hanya off-therack biasa
ukuran. Untuk surfer sehari-hari, daya tahan dan f lexbility bahan Firewire adalah titik penjualan
kunci. Namun, papan custom made dengan spesifikasi surfer sangat penting di pasar papan
selancar elit, dan kemampuan untuk peselancar kompetitif klaim tingkat atas sebagai pelanggan
drive pasar papan selancar yang lebih luas juga.

Menurut Price, yang menjadi CEO Firewire ini, ada 29 langkah intensif memakan waktu
dan tenaga kerja dalam proses pembuatan papan surfing. Awalnya, proses manufaktur multifaset
membuat mustahil untuk menawarkan CAD pribadi untuk konsumen rata-rata. papan disesuaikan
hanya bisa diproduksi untuk pelanggan yang kompetitif elit. Tidak ada cara untuk menawarkan
kustomisasi untuk pasar yang lebih luas tanpa terlalu membebani sistem CAD Firewire ini. Selain
itu, sebagian besar papan kustom harus dipesan dengan mengisi selembar kertas dengan
berbagai dimensi untuk perubahan yang diminta. Tidak ada cara untuk melihat representasi visual
dari penyesuaian atau menilai dampaknya pada volume dewan, yang secara langsung
mempengaruhi daya apung, kemampuan mengayuh, dan kinerja.

11.4 APA MANFAAT BISNIS DENGAN CERDAS TEKNIK MANAJEMEN


PENGETAHUAN?
kecerdasan buatan dan teknologi database menyediakan sejumlah teknik cerdas yang
organisasi dapat digunakan untuk menangkap pengetahuan individu dan kolektif dan untuk
memperluas basis pengetahuan mereka. sistem pakar, kasus berbasis.

penalaran, dan logika fuzzy digunakan untuk menangkap pengetahuan diam-diam. jaringan
saraf dan data mining digunakan untuk penemuan pengetahuan. Mereka dapat menemukan pola
yang mendasari, kategori, mining digunakan untuk penemuan pengetahuan. Mereka dapat
menemukan pola yang mendasari, kategori, mining digunakan untuk penemuan pengetahuan.
Mereka dapat menemukan pola yang mendasari, kategori, dan perilaku dalam set data yang besar
yang tidak dapat ditemukan oleh manajer sendiri atau hanya melalui pengalaman. algoritma
genetika digunakan untuk menghasilkan solusi untuk masalah yang terlalu besar dan kompleks bagi
manusia untuk menganalisis sendiri. agen cerdas dapat mengotomatisasi tugas-tugas rutin untuk
membantu perusahaan mencari dan menyaring informasi untuk digunakan dalam perdagangan
elektronik, manajemen rantai pasokan, dan kegiatan lainnya.

Teknik-teknik cerdas lain yang dibahas dalam bagian ini didasarkan pada kecerdasan buatan
(AI) teknologi, yang terdiri dari sistem berbasis komputer (hardware dan software) kecerdasan
buatan (AI) teknologi, yang terdiri dari sistem berbasis komputer (hardware dan software) yang
mencoba untuk meniru perilaku manusia. Sistem tersebut akan dapat belajar bahasa, menyelesaikan
tugas-tugas fisik, menggunakan alat persepsi, dan meniru keahlian manusia dan pengambilan
keputusan. Meskipun aplikasi AI tidak menunjukkan luasnya, kompleksitas, orisinalitas, dan umum
dari kecerdasan manusia, mereka memainkan peran penting dalam manajemen pengetahuan
kontemporer.

Menangkap pengetahuan: SISTEM PAKAR


Sistem pakar adalah teknik cerdas untuk menangkap pengetahuan diam-diam dalam domain
yang sangat sistem pakar adalah teknik cerdas untuk menangkap pengetahuan diam-diam dalam
domain yang sangat spesifik dan terbatas keahlian manusia. Sistem ini menangkap pengetahuan
karyawan yang terampil dalam bentuk seperangkat aturan dalam sistem perangkat lunak yang dapat
digunakan oleh orang lain dalam organisasi. Seperangkat aturan dalam sistem pakar menambah
memori, atau belajar disimpan, perusahaan.

Sistem pakar tidak memiliki keluasan pengetahuan dan pemahaman tentang prinsip-prinsip
dasar manusia ahli. Mereka biasanya melakukan tugas yang sangat terbatas yang dapat dilakukan
oleh para profesional dalam beberapa menit atau jam, seperti mendiagnosis mesin rusak atau
menentukan apakah akan memberikan kredit untuk pinjaman. Masalah yang tidak dapat
diselesaikan oleh para ahli manusia dalam waktu singkat waktu yang sama terlalu sulit bagi sistem
pakar. Namun, dengan menangkap keahlian manusia di daerah terbatas, sistem pakar dapat
memberikan manfaat, organisasi membantu membuat keputusan berkualitas tinggi dengan lebih
sedikit orang. Hari ini, sistem pakar secara luas digunakan dalam bisnis di diskrit, situasi pengambilan
keputusan yang sangat terstruktur.

Bagaimana Exper t Sys TEMS Kerja

Pengetahuan manusia harus dimodelkan atau diwakili dengan cara yang komputer dapat
memproses. Ahli Model sistem pengetahuan manusia sebagai seperangkat aturan yang secara
kolektif disebut dpsar Model sistem pengetahuan manusia sebagai seperangkat aturan yang secara
kolektif disebut dasar pengetahuan. Aturan diperoleh dengan hati-hati mewawancarai satu atau
beberapa “ahli” yang memiliki pengetahuan. Aturan diperoleh dengan hati-hati mewawancarai satu
atau beberapa “ahli” yang memiliki perintah menyeluruh dari basis pengetahuan untuk sistem atau
dengan mendokumentasikan aturan bisnis ditemukan dalam manual, buku, atau laporan. Sistem
pakar memiliki 200 hingga ribuan aturan ini, tergantung pada kompleksitas masalah. Aturan-aturan
ini jauh lebih saling berhubungan dan bersarang dari dalam program perangkat lunak tradisional.
Di chaining mundur, strategi untuk mencari basis aturan dimulai dengan hipotesis dan hasil dengan
mengajukan pertanyaan pengguna tentang fakta-fakta yang dipilih sampai hipotesis baik
dikonfirmasi atau disangkal. Dalam contoh kita, pada Gambar 11.6, mengajukan pertanyaan,
“Haruskah kita menambahkan orang ini ke database prospek?” Mulailah di sebelah kanan diagram
dan bekerja ke arah kiri. Anda dapat melihat bahwa orang tersebut harus ditambahkan ke database
jika perwakilan penjualan dikirim, asuransi berjangka diberikan, atau penasihat kunjungan keuangan
klien.

Exampl es Sukses ful Exper t Sys tems

Sistem pakar menyediakan bisnis dengan berbagai manfaat termasuk keputusan ditingkatkan,
mengurangi kesalahan, mengurangi biaya, waktu pelatihan berkurang, dan tingkat yang lebih tinggi
kualitas dan pelayanan. Con-Way Transportasi membangun sistem pakar disebut Line-haul untuk
mengotomatisasi dan perencanaan mengoptimalkan jalur pengiriman semalam untuk bisnis
angkutan-angkutan truk secara nasional. Sistem pakar menangkap aturan bisnis yang dispatcher ikuti
ketika menetapkan driver, truk, dan trailer untuk mengangkut 50.000 pengiriman barang berat
setiap malam di 25 negara bagian dan Kanada dan kemudian plot rute mereka. Line-haul berjalan
pada platform komputer Sun dan penggunaan data pada permintaan pelanggan pengiriman harian,
driver yang tersedia, truk, ruang Trailer, dan berat disimpan dalam database Oracle. Sistem pakar
menggunakan ribuan aturan dan 100, 000 baris kode program yang ditulis dalam C ++ untuk crunch
nomor dan menciptakan optimal rencana routing untuk 95 persen dari pengiriman barang sehari-
hari. Con-Way dispatcher men-tweak rencana routing yang disediakan oleh sistem pakar dan relay
spesifikasi routing yang terakhir untuk personil lapangan yang bertanggung jawab untuk mengemas
trailer untuk berjalan malam hari mereka. Con-Way diperoleh kembali nya investasi $ 3 juta dalam
sistem dalam waktu dua tahun dengan mengurangi jumlah driver, kemasan lebih angkutan per
Trailer, dan mengurangi kerusakan dari rehandling. Sistem ini juga mengurangi tugas malam sulit
dispatcher. Con-Way diperoleh kembali nya investasi $ 3 juta dalam sistem dalam waktu dua tahun
dengan mengurangi jumlah driver, kemasan lebih angkutan per Trailer, dan mengurangi kerusakan
dari rehandling. Sistem ini juga mengurangi tugas malam sulit dispatcher. Con-Way diperoleh
kembali nya investasi $ 3 juta dalam sistem dalam waktu dua tahun dengan mengurangi jumlah
driver, kemasan lebih angkutan per Trailer, dan mengurangi kerusakan dari rehandling. Sistem ini
juga mengurangi tugas malam sulit dispatcher.

KECERDASAN ORGANISASI: PENALARAN CASE BERBASIS

Sistem pakar terutama menangkap pengetahuan tacit ahli individu, tetapi organisasi juga
memiliki pengetahuan kolektif dan keahlian yang mereka telah dibangun selama bertahun-tahun.
pengetahuan organisasi ini dapat ditangkap dan disimpan menggunakan penalaran berbasis kasus.
Di penalaran organisasi ini dapat ditangkap dan disimpan menggunakan penalaran berbasis kasus. Di
penalaran berbasis kasus (CBR), deskripsi dari pengalaman masa lalu spesialis manusia,
direpresentasikan berbasis kasus (CBR), deskripsi dari pengalaman masa lalu spesialis manusia,
direpresentasikan sebagai kasus, didokumentasikan dan disimpan dalam database untuk nanti ketika
pengguna bertemu kasus baru dengan parameter yang sama. Sistem pencarian untuk kasus-kasus
yang disimpan dengan karakteristik masalah yang sama dengan yang baru, menemukan fit terdekat,
dan menerapkan solusi dari kasus lama ke kasus baru. solusi sukses ditandai dengan kasus baru dan
keduanya disimpan bersama-sama dengan kasus lain dalam basis pengetahuan. solusi gagal juga
dilampirkan ke database kasus bersama dengan penjelasan mengapa solusi tidak bekerja (lihat
Gambar 11.7).

SISTEM FUZZY LOGIC

fuzzy logic adalah teknologi berbasis aturan yang dapat mewakili ketidaktepatan tersebut
dengan menciptakan fuzzy logic adalah teknologi berbasis aturan yang dapat mewakili
ketidaktepatan tersebut dengan menciptakan aturan yang menggunakan nilai perkiraan atau
subjektif. Hal ini dapat menggambarkan fenomena atau proses tertentu bahasa dan kemudian
menyatakan bahwa deskripsi dalam sejumlah kecil aturan yang fleksibel. Organisasi dapat
menggunakan logika fuzzy untuk menciptakan sistem perangkat lunak yang menangkap
pengetahuan tacit mana ada ambiguitas linguistik.
logika fuzzy memberikan solusi untuk masalah yang membutuhkan keahlian yang sulit untuk
mewakili dalam bentuk renyah IF-THEN aturan. Di Jepang, sistem kereta bawah tanah Sendai ini
menggunakan kontrol logika fuzzy untuk mempercepat begitu lancar bahwa penumpang yang
berdiri tidak perlu bertahan. Mitsubishi Heavy Industries di Tokyo telah mampu mengurangi
konsumsi daya AC sebesar 20 persen dengan menerapkan program pengendalian fuzzy logic.
Perangkat autofocus di kamera hanya mungkin karena logika fuzzy. Dalam hal ini, logika fuzzy
memungkinkan

PEMBELAJARAN MESIN

Pembelajaran mesin adalah studi tentang bagaimana program komputer dapat


meningkatkan kinerja mereka Pembelajaran mesin adalah studi tentang bagaimana program
komputer dapat meningkatkan kinerja mereka tanpa pemrograman eksplisit. Mengapa hal ini
merupakan pembelajaran? Sebuah mesin yang belajar adalah mesin yang, seperti manusia, dapat
mengenali pola dalam data, dan mengubah perilakunya berdasarkan pengakuan dari pola,
pengalaman, atau pembelajaran sebelumnya (database). Misalnya, robot mobil-mengemudi harus
mampu mengenali kehadiran mobil lain dan benda-benda (orang), dan mengubah perilaku yang
sesuai (berhenti, pergi, memperlambat, mempercepat, atau turn). Gagasan tentang, program
komputer otodidak, mengoreksi diri bukanlah hal yang baru, dan telah menjadi bagian dari bidang
kecerdasan buatan setidaknya sejak 1970-an. Sampai tahun 1990-an, bagaimanapun, pembelajaran
mesin sangat tidak mampu menghasilkan perangkat yang berguna atau memecahkan menarik,
masalah bisnis.

JARINGAN NEURA

Jaringan Neura jaringan saraf digunakan untuk memecahkan kompleks, kurang dipahami
masalah yang sejumlah besar jaringan saraf digunakan untuk memecahkan kompleks, kurang
dipahami masalah yang sejumlah besar data telah dikumpulkan. Mereka menemukan pola dan
hubungan dalam jumlah besar data yang akan terlalu rumit dan sulit bagi manusia untuk
menganalisis. jaringan saraf menemukan pengetahuan ini dengan menggunakan hardware dan
software yang paralel dengan pola pengolahan otak biologis atau manusia. jaringan saraf “belajar”
pola dari sejumlah besar data dengan memilah-milah data, mencari hubungan, model bangunan,
dan mengoreksi lagi dan lagi kesalahan model sendiri.

Sebuah jaringan syaraf memiliki sejumlah besar penginderaan dan pengolahan node yang terus
menerus berinteraksi dengan satu sama lain. Gambar 11.9 merupakan salah satu jenis jaringan saraf
yang terdiri dari lapisan input, output lapisan, dan lapisan pengolahan tersembunyi.

Ada banyak aspek yang membingungkan dari jaringan saraf. Tidak seperti sistem pakar, yang
biasanya memberikan penjelasan untuk solusi mereka, jaringan saraf tidak selalu bisa menjelaskan
mengapa mereka tiba di solusi tertentu. Selain itu, mereka tidak bisa selalu menjamin solusi benar-
benar yakin, sampai pada solusi yang sama lagi dengan data input yang sama, atau selalu menjamin
solusi terbaik. Mereka sangat sensitif dan mungkin tidak tampil baik jika mencakup pelatihan mereka
terlalu sedikit atau terlalu banyak data. Dalam sebagian besar aplikasi saat ini, jaringan saraf yang
terbaik digunakan sebagai alat bantu untuk pengambil keputusan manusia bukan pengganti bagi
mereka.
THMs Genet ic Algor

algoritma genetika berguna untuk menemukan solusi optimal untuk suatu masalah tertentu
dengan algoritma genetika berguna untuk menemukan solusi optimal untuk suatu masalah tertentu
dengan memeriksa jumlah yang sangat besar kemungkinan solusi untuk masalah itu. Mereka
didasarkan pada teknik yang terinspirasi oleh biologi evolusioner, seperti warisan, mutasi, seleksi,
crossover dan (rekombinasi). Sebuah algoritma genetika bekerja dengan mewakili informasi sebagai
string dari 0s dan 1s. Algoritma genetika pencarian penduduk string secara acak dari biner digit
untuk mengidentifikasi string yang tepat mewakili solusi terbaik untuk masalah tersebut. Sebagai
solusi mengubah dan menggabungkan, yang terburuk dibuang dan yang lebih baik bertahan untuk
pergi untuk menghasilkan solusi yang lebih baik.

Pada Gambar 11.10, setiap string bersesuaian dengan salah satu variabel dalam masalah. Satu
berlaku tes untuk kebugaran, peringkat string dalam populasi sesuai dengan tingkat dari keinginan
sebagai solusi yang mungkin. Setelah populasi awal dievaluasi untuk kebugaran, algoritma kemudian
menghasilkan generasi berikutnya dari string, yang terdiri dari string yang selamat dari tes
kebugaran ditambah keturunan.

STUDI KASUS

BIG DATA MEMBUAT KOTA CERDAS


New York City sangat ingin menjadi “kota pintar.” Pada musim gugur 2013, New York
University, dengan dukungan dari pemerintah kota, membuka Pusat Sains Kota dan Kemajuan di
bawah arahan Steven E. Koonin, mantan Obama administrasi wakil untuk ilmu pengetahuan di
Departemen Energi. Koonin meramalkan bekerja pada berbagai kualitas hidup dan efisiensi
perkotaan proyek mulai dari manajemen lalu lintas mengurangi air dan konsumsi listrik sebesar 30
sampai 50 persen dalam waktu tahun sepuluh.

Target pertama untuk tim sepuluh anggota dari mahasiswa pascasarjana, profesor musik, dan
ilmuwan komputer adalah polusi suara. Dimulai dengan data dari 311 (garis non-darurat untuk
keluhan warga tentang berbagai masalah termasuk gangguan kebisingan), para peneliti akan
mengumpulkan data tambahan dari sensor nirkabel pada jendela dan bangunan dan kebisingan
meter di lampu lalu lintas dan sudut-sudut jalan. Sebuah aplikasi smartphone juga dapat digunakan
dalam upaya kerumunan-sumber untuk mendorong partisipasi warga dan mengumpulkan statistik
bahkan lebih komprehensif. Salah satu hasil yang mungkin diramalkan oleh Koonin batas tata suara
untuk kendaraan. Menggunakan kombinasi insentif dan biaya pelanggaran, warga akan dibujuk
untuk mengganti atau memperbaiki tidak berfungsi lers muff.

Zonasi, membangun klasifikasi, dan lalu lintas f data rendah bersama dengan Departemen Sanitasi
rute dan pickup kali akan digunakan untuk pengumpulan mengoptimalkan sampah. Tujuannya
adalah untuk layanan sebanyak kawasan komersial mungkin di tengah malam ketika lalu lintas
ringan dan penduduk paling sedikit akan terganggu. up berikutnya adalah rencana untuk merakit
gambar termal bangunan di seluruh kota yang akan dijadikan sebagai dasar untuk studi
penggunaan energi.
Sebuah terabyte informasi (setara dengan 143 juta halaman yang dicetak) f posisi terendah harian
untuk Kantor New York Kebijakan dan Strategis Inisiatif dari setiap sudut kota, dari sertifikat
kematian hal kecil seperti jenis boiler dan alat penyiram dipasang di 900.000 bangunan di kota ini .
Kantor bertugas mengurangi jumlah dari conversions- ilegal penciptaan unit hunian tambahan di
gedung-gedung yang tidak memiliki infrastruktur yang diperlukan secara hukum seperti sarana yang
memadai dari jalan keluar dan kabel listrik. Tim gabungan data dari 19 lembaga dan menciptakan
model untuk inspeksi bangunan mengoptimalkan. Bangunana usia, izin perbaikan, pemberitahuan
penyitaan, pembayaran pajak terlambat, dan data lain yang serupa yang diberi program yang
berbahan bakar meningkat dari 13 persen menjadi 70 persen dari bangunan inspeksi
mengidentifikasi sebuah hunian yang berbahaya. Sebelumnya, 200 inspektur bangunan kota telah
sia-sia berusaha untuk merespon lebih dari

20.000 keluhan tahunan hanya berdasarkan deskripsi keluhan samar. Michael Bunga adalah Direktur
Analytics untuk Office. Ketika Departemen Perlindungan Lingkungan ingin meningkatkan efisiensi
dalam mencari restoran yang secara ilegal membuang minyak goreng ke dalam selokan-penyebab
utama dari kota tersumbat pipa-ternyata tim Flowers ini. Menggunakan lokasi restoran, lokasi
saluran pembuangan geospasial, dan sertifikat pada file dengan Bisnis Komisi Integritas, program
memilah data dengan mudah menunjuk restoran yang tidak dikontrak dengan layanan lemak-
hauling dan badai tiriskan terdekat mereka. inspektur departemen kesehatan dikirim ke lokasi
tersebut terdaftar tingkat keberhasilan menakjubkan 95% dalam menangkap penjahat.

Peserta dalam kompetisi Big Apps, dimulai pada tahun 2009, menggunakan lebih dari 1.000 set data
sekarang tersedia untuk umum di NYC Data Terbuka Portal sebagai sumber utama mereka. Dalam
2013 kategori Best Jobs dan Ekonomi Mobilitas, aplikasi ChildCareDesk mengumpulkan tempat
pertama. Maps, ulasan Yelp, dan laporan rinci dari berbagai instansi akreditasi kota membantu
orangtua pengambilan keputusan, dan melakukan notifikasi sistem peringatan mereka ketika
kekosongan telah muncul. Aplikasi menang lainnya di tahun-tahun sebelumnya memberikan lokasi
toilet umum dan rute yang paling aman untuk pengendara sepeda.

Bunga melihat bahkan lebih banyak data yang dapat mined- ratusan ribu posting setiap hari untuk
Twitter, Facebook dan situs media sosial lainnya. Keluhan yang tidak membuat ke instansi kota
tentang restoran higienis, sampah tertagih, dan jalan-jalan yang tidak aman bisa dipetik dari
sumber-sumber ini untuk lebih lanjut penyebab meningkatkan kualitas New Yorker hidup.

Ini mungkin jembatan terlalu jauh untuk pendukung privasi yang telah menonton gerakan Big Data /
Smart Kota dengan mata waspada. Sementara mengakui potensi Cerdas Kota untuk meningkatkan
pelayanan dan membantu warga, kelompok-kelompok seperti khawatir New York Civil Liberties
Union tentang kemungkinan pelanggaran. Pengamanan, termasuk menghapus nama dan nomor
identifikasi pajak dan menginstal keystroke log karyawan, telah terbukti rentan untuk membalikkan
identifikasi dan gangguan. Tidak diragukan lagi, rilis dari data publik, bahkan absen pengawasan
setiap niat, harus mencakup pengamanan. Ford bekerja pada sistem keselamatan yang akan
menginformasikan driver dari baik internal (V2I: kendaraan-to-infrastruktur) dan eksternal: ancaman
(V2V kendaraan-kendaraan). Sistem V2V memperingatkan Anda jika mobil adalah mempercepat
untuk menjalankan lampu merah, misalnya. Ford juga telah mengembangkan upgrade untuk lampu
merah untuk membuat “persimpangan pintar” monitor peta digital, GPS data, dan status sinyal lalu
lintas dan mengirimkan data tersebut ke komputer onboard. Driver kemudian baik secara visual dan
aurally waspada terhadap potensi bahaya.

penelitian para ilmuwan Intel meramalkan kota pintar dengan driver yang tidak hanya tahu
kecepatan mobil di depan mereka, namun secara bersamaan dapat melihat tiga mobil ke kanan, kiri,
dan belakang. Terlebih lagi, kamera bisa mendeteksi jika driver sekitarnya mencari atas, bawah,
atau ke depan, dan jika salah satu dari mereka adalah menyeimbangkan cangkir bersama dengan
roda kemudi. Ini “negara driver” akan memberi makan pemodelan prediktif program untuk
menghitung kemungkinan kecelakaan terjadi dan yang kendaraan terbaik-diposisikan untuk bencana
jahil. tingkat tabrakan menurun dan luka petugas dan korban jiwa yang tidak diragukan lagi baik
masyarakat, namun banyak pertanyaan timbul dengan tingkat berbagi data. Akan penegak hukum
memiliki akses ke informasi kecepatan yang dapat mengakibatkan tiket ngebut otomatis? Jika Anda
berbalik untuk memberikan dot untuk bayi di kursi mobil, akan peningkatan kecelakaan probabilitas
mengumpulkan Anda sebuah pelanggaran yang bergerak otomatis? Sementara kita mungkin semua
ingin informasi tentang driver ceroboh di sekitar kita, apakah kita bersedia untuk berbagi kelemahan
mengemudi kita sendiri?.

PERTANYAAN STUDI KASUS


1. teknologi apa yang New York mempekerjakan untuk meningkatkan kualitas hidup warganya?
2. Apa orang-orang, organisasi, dan technolmasalah ogy yang harus ditangani oleh inisiatif “kota
pinta

3. Masalah apa yang diselesaikan dengan “kota pintar?” Apa kelemahan?


4. contoh memberikan empat keputusan yang akan ditingkatkan di “kota pintar

AGEN CERDAS
teknologi agen cerdas membantu bisnis menavigasi melalui sejumlah besar data untuk
mencari dan bertindak atas informasi yang dianggap penting. agen cerdas program perangkat lunak
yang bekerja tanpa intervensi atas informasi yang dianggap penting. agen cerdas program perangkat
lunak yang bekerja tanpa intervensi atas informasi yang dianggap penting. agen cerdas program
perangkat lunak yang bekerja tanpa intervensi manusia secara langsung untuk melaksanakan tugas-
tugas khusus untuk pengguna individu, proses bisnis, atau aplikasi perangkat lunak. Agen
menggunakan basis pengetahuan built-in atau belajar untuk menyelesaikan tugas-tugas atau
keputusan make atas nama pengguna, seperti menghapus e-mail sampah, menjadwalkan janji temu,
atau bepergian jaringan lebih saling berhubungan untuk menemukan tiket pesawat termurah ke
California.Meskipun beberapa agen cerdas diprogram untuk mengikuti seperangkat aturan, orang
lain mampu belajar dari pengalaman dan menyesuaikan perilaku mereka. Siri, sebuah aplikasi pada
sistem operasi iOS Apple untuk iPhone dan iPad, adalah contoh. Siri adalah asisten pribadi cerdas
yang menggunakan teknologi pengenalan suara untuk pertanyaan jawaban, rekomendasi make, dan
melakukan tindakan. Perangkat lunak beradaptasi dengan preferensi individu pengguna dari waktu
ke waktu dan mempersonalisasi hasil, melakukan tugas-tugas seperti mencari restoran terdekat,
membeli tiket film, mendapatkan arah, janji penjadwalan, dan mengirim pesan. Siri mengerti ucapan
yang alami, dan mengajukan pertanyaan-pertanyaan pengguna jika perlu informasi lebih lanjut
untuk menyelesaikan tugas.

HYBRID AI SISTEM
algoritma genetika, logika fuzzy, jaringan saraf, dan sistem pakar dapat diintegrasikan ke
dalam satu aplikasi untuk mengambil keuntungan dari fitur terbaik dari teknologi ini. Sistem seperti
ini disebut sistem aplikasi untuk mengambil keuntungan dari fitur terbaik dari teknologi ini. Sistem
seperti ini disebut sistem AI hybrid. aplikasi hibrida dalam bisnis tumbuh. Di Jepang, Hitachi,
Mitsubishi, Ricoh, Sanyo, dan lain-lain AI hybrid. aplikasi hibrida dalam bisnis tumbuh. Di Jepang,
Hitachi, Mitsubishi, Ricoh, Sanyo, dan lain-lain mulai memasukkan hybrid AI dalam produk seperti
peralatan rumah, mesin pabrik, dan peralatan kantor. Matsushita telah mengembangkan “neuro”
mesin cuci yang menggabungkan logika fuzzy dengan jaringan saraf. Nikko Securities telah bekerja
pada sistem neuro untuk meramalkan peringkat konversi obligasi.