2.

1 Sistem Pendukung Keputusan/DSS(Decision Support Systems)

Sistem Pendukung Keputusan (Decision Support System – DSS)
Konsep DSS
Konsep DSS dimulai pada akhir tahun 1960-an dengan timesharing komputer. Untuk
pertama kalinya seseorang dapat berinteraksi langsung dengan komputer tanpa
harus melalui spesialis informasi.
Baru pada tahun 1971, istilah DSS diciptakan oleh G. Anthony Gorry dan Michael S.
Scott Morton. Mereka merasa perlunya suatu kerangka kerja untuk mengarahkan
aplikasi komputer kepada pengambilan keputusan manajemen dan
mengembangkan apa yang dikenal sebagai Gorry & Scott Morton Grid. Dimana
Matriks Grid ini didasarkan pada konsep Simon mengenai keputusan terprogram
dan tak terprogram serta tingkat-tingkat manajemen Robert N. Anthony.

Gorry dan Scott Morton mengembangkan jenis-jenis keputusan menurut struktur

masalah, dari terstruktur hingga tidak terstruktur. Untuk menjelaskan tingkat
manajemen puncak, menengah dan bawah, Anthony menggunakan nama
perencanaan strategis, pengendalian manajemen dan pengendalian operasional.

Tahap-tahap pengambilan keputusan Simon digunakan untuk menentukan struktur

masalah. Masalah terstruktur merupakan suatu masalah yang memiliki struktur pada
tiga tahap yaitu intelijen, rancangan, dan pilihan. Masalah tak terstruktur, sebaliknya
merupakan masalah yang sama sekali tidak memiliki tiga tahap di atas. Adapun
masalah semi-terstruktur merupakan masalah yang memiliki struktur hanya pada
satu atau dua tahap.

Jenis DSS menurut Alter

Steven L. Alter, dengan berdasarkan kerangka kerja Gorry dan Scott Morton
melakukan penelitian atas 56 sistem pendukung keputusan dan mengembangkan
suatu taksonomi dari enam jenis DSS yang didasarkan pada tingkat dukungan
pemecahan masalah.

Jenis yang memberikan dukungan paling sedikit adalah jenis yang memungkinkan
manajer mengambil elemen-elemen informasi, dimana manajer dapat bertanya pada
database untuk mendapatkan angka penjualan dari salah satu wilayah pemasaran.
Berikutnya DSS yang memungkinkan manajer menganalisis semua file dalam hal
suatu laporan khusus yang menggunakan data dari file, seperti laporan gaji bulanan.
Kemudian sistem yang menyiapkan laporan dari berbagai file seperti perhitungan
rugi-laba dan analisis penjualan produk menurut pelanggan. Adapun model yang
dapat memperkirakan akibat keputusan seperti penentuan harga untuk melihat
dampaknya pada laba bersih. Sedangkan model yang dapat mengusulkan
keputusan, misalnya seorang manajer manufaktur memasukkan data yang
menjelaskan tentang pabrik dan peralatannya. Dan jenis DSS yang memberikan
paling banyak dukungan adalah jenis yang dapat membuat keputusan untuk
manajer, misalnya menggunakan contoh suatu model komputer yang menentukan
premi asuransi, dimana operator hanya memasukkan data dan seterusnya komputer
yang menghitung preminya.

Tujuan DSS
Menurut Peter G.W.Keen dan Scot Morton mendefinisikan tiga tujuan yang harus
dicapai DSS:

1. Membantu manajer membuat keputusan untuk memecahkan masalah semi-

terstruktur; yang menurut Simon sebagai area kelabu yang merupakan
tempat sebagian besar masalah berada.
2. Mendukung penilaian manajer bukan mencoba menggantikannya; Dimana
komputer dapat ditetapkan pada bagian masalah yang terstruktur, tetapi
manajer bertanggungjawab atas bagian yang tak terstruktur – menerapkan
penilaian atau intuisi, dan melakukan analisis.
3. Meningkatkan efektifitas pengambilan keputusan daripada efisiensinya;
Dimana manajer mungkin saja menghabiskan waktu ekstra untuk
memperhalus solusi sehingga mencapai optimum, tetapi ketelitian yang
meningkat serta manfaat utama untuk keputusan terbaik senilai dengan waktu
dan usaha yang telah dikeluarkan.

Model DSS
Seperti halnya model SIA dan SIM, struktur yang serupa dapat digunakan untuk
model DSS. Data dan informasi dimasukkan kedalam database dari lingkungan
perusahaan. Isi database digunakan oleh tiga subsistem perangkat lunak:

1. Perangkat Lunak Penulis Laporan; menghasilkan laporan periodik maupun

laporan khusus. Laporan periodik disiapkan sesuai jadwal tertentu, contohnya
analisis penjualan bulanan menurut pelanggan. Laporan khusus disiapkan
sebagai jawaban atas kebutuhan informasi yang tak terduga maupun sesuatu
yang luar biasa terjadi, contohnya adalah laporan kecelakaan, atau yang
lainnya.
2. Model Matematika; menghasilkan informasi sebagai hasil dari simulasi yang
melibatkan satu atau beberapa komponen dari sistem fisik perusahaan.
3. Perangkat Lunak GDSS (Group Decision Support System); memungkinkan
bebarapa pemecahan masalah, bekerjasama sebagai suatu kelompok
mencapai solusi.

Pembuatan Model
Manajer yang menggunakan model matematika dapat memperoleh keuntungan
sebagai berikut:
 1. Proses pembuatan model dapat menjadi pengalaman belajar, dimana pada
setiap proyek model dipelajari sesuatu yang baru mengeenai sistem fisik
2. Kecepatan proses simulasi dapat mengevaluasi dampak keputusan dalam
jangka waktu singkat, dimana dalam hitungan menit, dapat dibuat simulasi
operasi perusahaan untuk bebrapa bulan, kuartal, atau tahun
1. Model menyediakan daya prediksi – suatu pandangan ke masa depan – yang
tidak dapat disediakan oleh metode penghasil informasi lain
2. Model lebih murah daripada metode trial and error; dimana proses
pembuatan model memang mahal dalam hal waktu maupun perangkat lunak
dan keras yang diperlukan untuk simulasi, tetapi biaya tersebut tidak setinggi
biaya yang disebabkan keputusan yang buruk.

Adapun kerugian utama yang mengimbangi pembuatan model adalah:

1. Kesulitan pembuatan model sistem bisnis, akan mengahasilkan suatu model

yang tidak menangkap semua pengaruh pada entitas. Misalnya, dalam model
yang baru dijelaskan, seseorang dalam perusahaan harus memperkirakan
nilai-nilai dari elemen-elemen data skenario. Ini berarti bahwa pertimbangan
yang menyeluruh sangat diperlukan dalam menerapkan keputusan yang
didasarkan pada simulasi
2. Diperlukan keahlian matematika tingkat tinggi, untuk mengembangkan sendiri
model-model yang lebih kompleks, keahlian itu juga diperlukan untuk
menafsirkan output secara tepat.
Untuk mengatasi kerugian tersebut, dilakukan perubahan dengan
mengkombinasikan peralatan pembuatan model yang lebih memudahkan pemakai
dan manajer yang lebih mengerti informasi dan komputer. Disamping itu
peningkatan keahlian matematika mutlak dilakukan untuk mampu mengimbangi
model yang semakin rumit.

Konsep GDSS (Group Decision Support System – Sistem Pendukung

Keputusan Kelompok)
Penelitian DSS mula-mula diarahkan untuk mendukung perorangan, tetapi akhir-
akhir ini kebutuhan pengambilan keputusan kelompok mendapat perhatian.
Sebagian besar kegiatan GDSS sejauh ini diarahkan pada memperbaiki komunikasi
dengan menyediakan pengaturan lingkungan yang mendukung.

GDSS merupakan suatu sistem berbasis komputer yang mendukung kelompok-

kelompok orang yang terlibat dalam suatu tugas (tujuan) bersama dan yang
menyediakan interface bagi suatu lingkungan yang digunakan bersama.
Asumsi yang mendasari GDSS adalah komunikasi – antar anggota kelompok – yang
lebih baik memungkinkan keputusan yang lebih baik, dengan melakukan diskusi
terfokus pada masalah agar dapat mendefinisikan masalah secara lebih baik, yang
selanjutnya dapat mengidentifikasi alternatif, sekaligus mengevaluasi alternatif guna
meningkatkan kemungkinan mencapai pemecahan yang baik.

Berikut adalah beberapa contoh aplikasi yang menggunakan DSS, antara lain :

1. DSS untuk proses kenaikan jabatan dan perencanaan karir pada PT. X

Salah satu contoh yang akan disorot dalam hal ini adalah cara pemilihan karyawan
yang sesuai dengan kriteria yang ada pada suatu jabatan tertentu. Oleh karena itu
diperlukan suatu sistem pendukung keputusan untuk proses profile matching dan
analisis gap yang dibuat berdasarkan data dan norma-norma SDM yang terdapat di
PT. X.
Proses Profile Matching dilakukan untuk menentukan rekomendasi karyawan dalam
Sistem Kenaikan Jabatan dan Perencanaan Karir berdasar pada 3 aspek yaitu
Kapasitas Intelektual, Sikap Kerja dan Perilaku. Hasil dari proses ini berupa ranking
karyawan sebagai rekomendasi bagi pengambil keputusan untuk memilih karyawan
yang cocok pada jabatan yang kosong tersebut. Software ini dibuat dengan
menggunakan Microsoft Access 2000 untuk database dan Borland Delphi 5 sebagai
compiller-nya.
Dari hasil implementasi sistem, disimpulkan bahwa dengan penggunaan software ini
dapat membantu proses pengambilan keputusan terhadap profile matching proses
kenaikan jabatan dan perencanaan karir di PT. X.

2. DSS berbasis spreadsheet untuk menganalisis biaya penyelenggaraanpendidikan

Manajemen lembaga pendidikan memerlukan alat bantu dalam perencanaan

anggaran yang dapat mensimulasikan pengaruh kebijakan manajemen terhadap
anggaran operasional, dan menghasilkan informasi keuangan untuk digunakan
dalam menetapkan alternatif pemodelan anggaran yang akan diterapkan. Sistem
Pendukung Keputusan yang digunakan adalah DSS berbasis spreadsheet yang
menggunakan kebijakan manajemen sebagai acuan untuk menentukan besaran
komposisi anggaran operasional pendidikan dari tahun ke tahun dalam bentuk
program Analisis Anggaran.

Manajemen dapat melakukan perubahan atas variabel-variabel kebijakan berupa

jumlah mahasiswa, jumlah dosen, pertumbuhan kelas, pertumbuhan biaya yang
mempengaruhi anggaran penerimaan dan pengeluaran pada menu proyeksi
sehingga didapatkan anggaran proyeksi dari tahun ke tahun. Setiap efek perubahan
atas variabel kebijakan akan divisualisasikan dalam bentuk grafik.

3.DSS untuk penanganan jalan lintas timur sumatera

Jaringan jalan utama di Pulau Lintas Timur Sumatera dibentuk oleh tiga jalan utama
yaitu Lintas Timur, Lintas Tengah dan Lintas Barat. Pada Jalan Lintas Timur
Sumatera, banyak terdapat ruas jalan dalam kondisi rusak ringan dan rusak berat
yang sewaktu-waktu berpotensi terputus. Kerusakan jalan yang progresif terjadi
karena terlambatnya penanganan perbaikan dan terbatasnya dana. Selama ini
penanganan Jalan Lintas Timur dilakukan secara manual sehingga diperlukan
sistem informasi yang membantu penanganan dalam hal ini pembuatan Analisis
Keputusan.
Aplikasi LTDSS (Lintas Timur Decision Support System) merupakan aplikasi
Decision Support System (DSS) untuk penanganan jalan Lintas Timur Sumatera.
Aplikasi ini dibuat dengan menggunakan Visual Basic 6.0, Ms. Access 2000 dan
Crystal Reports 8.5. Aplikasi LTDSS membutuhkan input berupa data ruas, data
seksi, data kondisi, data lalulintas, data perencanaan serta data biaya. Proses yang
dilakukan mengacu pada MAK (Metode Analisis Komponen). Output yang dihasilkan
berupa alokasi dana tiap propinsi dan jenis penanganan jalan untuk tiap ruas serta
dapat diketahui umur layan dari jalan yang ditinjau.

4. DSS untuk kelayakan proposal kredit Bank Rakyat Indonesia

Sekarang ini karena banyaknya perusahaan ataupun pengusaha yang mengajukan
kredit ke Bank membuat bank tersebut harus lebih meningkatkan kualitas pelayanan
terhadap nasabah. Sebagai contoh : pemberian kredit Bank Rakyat Indonesia
dimana BRI memberikan kredit kepada debitur tetapi melalui proses yang harus
dilalui. Penyaluran kredit yang berhasil akan membawa keuntungan yang besar bagi
bank. Oleh karenanya BRI harus benar-benar hati-hati dalam menyalurkan
kreditnya. Sebelum menyalurkan kredit kepada seorang calon debitor, BRI harus
menilai dulu kelayakan proposal kreditnya.

Dengan adanya perkembangan teknologi komputer di bidang sistem informasi

dirancanglah suatu Sistem Pendukung Keputusan Spesifik (Specific Decision
Support Systems) SDSS yang dirancang dengan cara cepat (Quick Hit) dan
pendekatan secara interaktif. Rancangan SDSS (Specific Decision Support
Systems) ini menggunakan perangkat lunak Clipper 5.2 sebagai DSS Tools atau
peralatan DSS-nya.

Berdasarkan hasil uji coba sistem, dapat disimpulkan bahwa aplikasi SDSS ini
sangat membantu dan memudahkan pihak pengambil keputusan dalam tugasnya
menilai kelayakan proposal kredit.

5. DSS untuk peningkatan produktivitas Hotel Bintang 3 di Surabaya menggunakan

AHP dan OMAX

Produktivitas atau perbandingan antara input dan output merupakan salah satu alat
yang berpengaruh dalam menentukan profitabilitas dan daya saing dalam
perusahaan. Hotel perlu melakukan pengukuran produktivitas kerja supaya dapat
bertahan dan bersaing dalam efisiensi dan efektivitas dengan hotel-hotel yang lain.
Berdasarkan permasalahan yang dihadapi tersebut, maka perlu adanya suatu
sistem yang dapat membantu dalam mengukur produktivitas kerja dari departemen-
departemen yang ada. Aplikasi dari sistem tersebut adalah sebuah aplikasi DSS
dengan menggunakan metode Analytical Hierarchy Proccess (AHP) untuk
pembobotan dan Objectives Matrix (OMAX) untuk pengukuran produktivitas. Hasil
dari aplikasi yang dibuat adalah berupa informasi mengenai kriteria-kriteria apa saja
yang mempengaruhi kinerja hotel.

2. ROBOT DAN SENSOR

Pengertian dan Sejarah Robot
Robot berasal dari bahasa Ceko, Robota yang artinya Pekerja/Kuli. Didefinisikan
kembali dalam ISO8373 sebagai “An automatically controlled, reprogrammable,
multipurpose, manipulator programmable in three or more axes, which may be either
fixed in place or mobile for use in industrial automation applications” yang
berarti Sebuah manipulator yang terkendali, multifungsi, dan mampu diprogram
untuk bergerak dalam tiga sumbu atau lebih, yang tetap berada di tempat atau
bergerak untuk digunakan dalam aplikasi otomasi industri.

Robot pertama kali dikenalkan pada acara sandiwara berjudul RUR (Rossum’s
Universal Robot) oleh Karel Capek pada 21 Januari 1921. Yang selanjutnya
dikembangkan oleh penulis fiksi Isaac Asimov pada 1944.

Karakteristik Robot
Sebuah mesin dapat dikatakan sebuah robot bila memiliki unsur-unsur:

 Kokoh
 Stabil
 Tidak Lelah
 Presisi

Serta dapat diperlakukan di lingkungan 4D (Dangerous, Dirty, Dull, dan Difficult)

secara 4A (Automation, Autononous, Assistance, dan Augmentation).
Sama seperti Sistem Koordinasi manusia yang memiliki 3 komponen utama yaitu
Indra, Otak, dan Efektor, robot juga memiliki 3 komponen utama yaitu Sensor,
Controller, dan Akuator.

Sensor adalah bagian robot yang digunakan untuk mendeteksi lingkungan

Controller adalah bagian robot yang digunakan untuk mengatur yang harus robot
lakukan

Akuator/Alat Gerak adalah bagian robot yang digunakan untuk memberi tanggapan
jenis-Jenis Robot
Berdasarkan Jenis Akuatornya

1. Manipulator/Statis
yaitu robot yang tidak melakukan pergerakan secara keseluruhan, biasanya
memiliki suatu tumpu yang diam (tidak bergerak)
contoh: Robot pengelas, Robot pengemas makanan (sebagian besar robot-
robot di pabrik)
2. Mobile/Dinamis
yaitu robot yang melakukan pergerakan secara keseluruhan, biasanya
memiliki alat pergerakan seperti sayap, roda, atau kaki.
contoh: UAV (Unmanned Aerial Vehicle), Robot Lander Luar Angkasa, Space
Probe

Berdasarkan Fungsinya

1. Industrial Robot
yaitu robot yang digunakan pada pabrik untuk pembuatan sesuatu
contoh: Robot pengelas, Robot pengemas makanan
2. Service Robot
yaitu robot yang digunakan untuk aktivitas sosial atau kesenangan belaka
contoh: Honda ASIMO, Toyota i-Foot

Berdasarkan Operatornya

1. Autonomous
yaitu robot yang dalam pengoperasiannya hanya diprogram dan diberikan
logika berupa algoritma sekali saja, selanjutnya robot akan melakukan
tugasnya secara mandiri.
contoh: Robot-robot Industri
2. Teleported
yaitu robot yang dalam pengoperasiannya dikendalikan oleh seorang operator
manusia karena tugas yang dikerjakannya terlalu kompeks untuk disusun
menjadi sebuah algoritma logika.
contoh: Robot-robot perang (UAV, Rudal), Robot pemadam kebakaran, Robot
bedah

Pengertian Sensor
Sensor adalah tiruan dari indra pada makhluk hidup. sensor ini berfungsi sebagai
komponen yang membuat robot bisa merespon lingkungan sekitarnya. Jika manusia
hanya memiliki 5 indra biologis, robot memiliki berbagai jenis pilihan sensor yang
bisa digunakan. Karna robot bisa dipasangkan berbagai jenis sensor inilah yang
membuat robot pada hari ini dapat membantu kerja manusia, khususnya untuk hal-
hal berbahaya semisal kebocoran nuklir, SAR, dll. Tapi, tidak menutup kemungkinan
juga untuk aktifitas-aktifitas harian seperti memtong rumput, transportasi, keamanan,
dll. Berikut adalah sedikit dari beribu-ribu contoh sensor yang bisa digunakan untuk
aplikasi robot kita.

Sensor adalah alat untuk mendeteksi/mengukur sesuatu, yang digunakan untuk

mengubah variasi mekanis, magnetis, panas, sinar dan kimia menjadi tegangan dan
arus listrik. Dalam lingkungan sistem pengendali dan robotika, sensor memberikan
kesamaan yang menyerupai mata, pendengaran, hidung, lidah yang kemudian akan
diolah oleh kontroler sebagai otaknya (Petruzella, 2001).

Sensor dalam teknik pengukuran dan pengaturan secara elektronik berfungsi

mengubah besaran fisik (misalnya : temperatur, gaya, kecepatan putaran) menjadi
besaran listrik yang proposional.

Sensor dalam teknik pengukuran dan pengaturan ini harus memenuhi persyaratan-
persyaratan kualitas:

1. Linieritas
yaitu antara konversi kondisi dan arus listrik harus benar-benar proporsional.
2. Tidak Tergantung Suhu
sensor tidak boleh berubah output dikarenakan perbedaan suhu, kecuali
sensor suhu itu sendiri.
3. Kepekaan
Kepekaan sensor harus dipilih sedemikian, sehingga pada nilai-nilai masukan
yang ada dapat diperoleh tegangan listrik keluaran yang cukup besar.
4. Waktu Tanggapan
Bila nilai masukan berubah secara mendadak atau signifikan, maka sensor
harus dapat melakukan perubahan keluaran secara cepat dan tepat.
5. Batas Frekuensi Rendah dan Tinggi
Batas-batas tersebut adalah nilai frekuensi masukan periodik terendah dan
tertinggi yang masih dapat dikonversi oleh sensor secara benar. Pada
kebanyakan aplikasi disyaratkan bahwa frekuensi terendah adalah 0Hz.
6. Stabilitas Waktu
Untuk nilai masukan (input) tertentu sensor harus dapat memberikan keluaran
(output) yang tetap nilainya dalam waktu yang lama.
7. HisterisitasGejala histerisis yang ada pada magnetisasi besi dapat pula
dijumpai pada sensor. Misalnya, pada suatu temperatur tertentu sebuah
sensor dapat memberikan keluaran yang berlainan.

Macam-Macam Sensor
Sensor Kontak Sensor kontak adalah sensor yang bekerja jika sensor ini
bersentuhan (menerima tekanan) dengan benda lainnya. sensor ini dapat dijadikan
sensor untuk robot kita jika robot kita menyentuh suatu objek maka robot dapat kita
program untuk melakukan sesuatu.
Sensor Proximity Sensor proximity/jarak adalah sensor yang dapat mendeteksi

adanya objek didepannya. Untuk aplikasi robot biasanya digunakan

agar robot tidak menabrak objek didepannya. selain itu juga biasa digunakan pada
kontes robot cerdas yang dapat menghindari halangan (robot avoider).

beberapa contoh sensor Proximity adalah:

1. Sensor Ultrasonik Range Finder (URF)

URF bekerja seperti sonar. Sensor ini mengukur jarak antara robot dengan
benda didepannya dengan memancarkan gelombang ultrasonik kemudian
menghitung jarak dari pantulan gelombang ultrasonik yang diterima.
Keuntungan menggunakan sensor ini adalah bisa mengukur jarak yang cukup
jauh (beberapa meter).
2. Sensor Sinar Inframerah
Sensor memanfaatkan gelombang Inframerah. Sensor juga bisa digunakan
untuk mengukur jarak antara robot dengan benda disekitarnya. Sensor ini
dapat mengukur jarak dengan cukup akurat. Sensor ini cukup murah, bisa
diandalkan, dan akurat. Meskipun demikian, sensor ini hanya dapat mengukur
jarak yang tidak terlalu jauh.

Sensor Enviromental Condition

Sensor ini digunakan untuk mendeteksi kondisi lingkungan seperti temperatur, suhu,
cahaya, kelembaban dll. dalam aplikasi robot misalnya, untuk membuat robot
pemadam api.

Beberapa contoh sensor Enviromental condition adalah:

1. Gas Detector, untuk mendeteksi keberadaan gas

2. Photodiode, untuk mendeteksi keberadaan cahaya
3. Photometer, untuk menghitung besarnya intensitas cahaya
4. Gyroscope, untuk mengetahui arah percepatan gravitasi
5. Accelerometer, untuk menghitung besarnya percepatan gravitasi
6. Sensor Suhu, untuk menghitung besarnya temperatur di sekitar robot
7. Hygrometer, untuk menghitung tingkat kelembaban di sekitar robot

FUNGSI ROBOT:

 Dalam hal industri, robot dapat meningkatkan produksi, akuras, serta daya
tahan
 Untuk membantu manusia melaksanakan tugas-tugas yang berbahaya, kotor,
dan juga beresiko
 Dalam hal pendidikan, robot banyak digunakan untuk menarik pelajar belajar
teknologi
 Membantu meringankan pekerjaan manusia di rumah seperti membersihkan
rumah, menjaga rumah, dan lain sebagainya
 Membantu meringankan di berbagai sektor pekerjaan seperti pembangunan,
rumah sakit, dan lain-lain
 Sebagai media pertunjukan dan hiburan
Contoh

Vending Machine

sejarah singkat vending machine ditemukan oleh Heron dari Alexandria pada abad
pertama,namun vending machine pertama kali di perkenalkan pada tahun 1880-an
di London,Inggris .
keberadaan vending machine itu sendiri menggantikan para manusia yang bisa saja
berjualan produk tertentu,namun dengan adanya vending machine yang sudah di
program produk yang dijual bisa buka 24jam(selama tersedia listrik),tidak perlu
manusia yang menjaganya,dan hasil penjualan tidak bisa di curangi karena robot
sudah di program sedemikian rupa agar hasil penjualan tidak di curangi(lain
ceritanya kalau di retas oleh seseorang hehehe),itu adalah salah satu contoh robot
yang sudah di program dengan kecerdasan buatan yang dapat menggantikan
keberadaan manusia untuk melakukan suatu pekerjaan ,sebenarnya masih banyak
keberadaan robot yang sudah menggantikan manusia dalam melakukan pekerjaan,
tetapi tetap ada kelebihan ada juga kekurangan, karena robot adalah teknologi yang
terus berkembang biaya di dalam nya juga masih mahal,mulai dari suku cadang
robot itu sendiri,biaya perawatan robot itu sendiri dan ,biaya programmer yang
membuat dan memlihara program robot itu sendiri.

Sensor parkir mobil

masih berkaitan dengan robot,sistem sensor adalah salah satu bidang yang bisa
juga di gabungkan dengan robot dan tentu saja dapat berjalan karena adanya
kecerdasan buatan yang dibuat oleh programmer, setelah saya jelaskan di atas
sistem sensor itu sendiri digunakan untuk pendeteksian perubahan, penggunaan
nya adalah untuk suatu antisipasi keadaan yang dapat membahayakan manusia
pada saat manusia itu sendiri tidak bisa menyadari nya, sebagai contoh adalah
sistem sensor parkir pada mobil dimana manusia tidak bsa melihat keadaan dimana
bumper belakang mobil dengan benda yang ada di dekat bumper pada saat
memundurkan mobil,disini sistem sensor parkir yang sudah di program digunakan
untuk membantu manusia pada keadaan blind spot agar mobil tidak bersentuhan
dengan benda yang ada di sekitar bumper mobil tersebut,lalu jika sistem sensor di
gabungkan dengan robot contoh sudah banyak yang sudah di buat oleh teman
teman kita yang berada di indonesia mulai dari menggunakan sensor
cahaya,sentuhan,jarak,suara dan masih banyak lagi sensor sensor lainnya yang
dapat di gunakan pada robot dan tentu saja butuh kecerdasan buatan agar robot
dan sistem sensor itu sendiri dapat terintegrasi dan dapat berjalan sebagaimana
yang programmer inginkan.

2.3 Computer Vision

Computer Vision merupakan salah satu bidang ilmu yang lagi nge-trend saat ini.
Tahun 2018 saja, jumlah penelitian di Scopus yang berkaitan dengan computer
vision berjumlah 12.000 lebih, meningkat dari tahun-tahun sebelumnya. Computer
vision juga sudah mulai diterapkan di dunia industri. Banyak aplikasi dan perangkat
yang sudah menerapkan konsep computer vision.

Computer Vision didefinisikan sebagai salah satu cabang ilmu pengetahuan yang
mempelajari bagaimana komputer dapat mengenali obyek yang diamati/ diobservasi.
Cabang ilmu ini bersama Artificial Intelligence akan mampu menghasilkan sistem
intelijen visual (Visual Intelligence System). Perbedaannya adalah Computer Vision
lebih mempelajari bagaimana komputer dapat mengenali obyek yang diamati/
diobservasi. Berbeda dengan Komputer Grafika yang lebih mengarah pada
pemanipulasian gambar (visual) secara digital. Bentuk sederhana dari Komputer
Grafika adalah Komputer Grafika 2D yang kemudian berkembang menjadi Komputer
Grafika 3D, pemrosesan citra (image processing), dan pengenalan pola (pattern
recognition). Grafika komputer sering dikenal juga dengan istilah visualisasi data.

Computer Vision adalah kombinasi antara Pengolahan Citra dan Pengenalan Pola.
Pengolahan Citra (Image Processing) merupakan bidang yang berhubungan dengan
proses transformasi citra/gambar (image). Proses ini bertujuan untuk mendapatkan
kualitas citra yang lebih baik.
Sedangkan Pengenalan Pola (Pattern Recognition), bidang ini berhubungan dengan
proses identifikasi obyek pada citra atau interpretasi citra. Proses ini bertujuan untuk
mengekstrak informasi/pesan yang disampaikan oleh gambar/citra.

A.1. Proses pada Computer Vision:

Untuk menunjang tugas Computer Vision, maka harus terdapat beberapa fungsi
pendukung di dalam sistem ini, diantaranya adalah:

1. Proses penangkapan citra (Image Acquisition)

2. Proses pengolahan citra (Image Processing)
3. Analisa data citra (Image Analysis)
4. Proses pemahaman data citra (Image Understanding)
B.1. Proses Penangkapan Citra (Image Acquisition)

1. Image Acqusition pada manusia dimulai dengan mata, kemudian informasi

visual diterjemahkan ke dalam suatu format yang kemudian dapat
dimanipulasi oleh otak.
2. Senada dengan proses di atas, computer vision membutuhkan sebuah mata
untuk menangkap sebuah sinyal visual.
3. Umumnya mata pada computer vision adalah sebuah kamera video.
4. Kamera menerjemahkan sebuah scene atau image.
5. Keluaran dari kamera adalah berupa sinyal analog, dimana frekuensi dan
amplitudonya (frekuensi berhubungan dengan jumlah sinyal dalam satu detik,
sedangkan amplitudo berkaitan dengan tingginya sinyal listrik yang
dihasilkan) merepresentasikan detail ketajaman (brightness) pada scene.
6. Kamera mengamati sebuah kejadian pada satu jalur dalam satu waktu,
memindainya dan membaginyamenjadi ratusan garis horizontal yang sama.
7. Tiap‐tiap garis membuat sebuah sinyal analog yang amplitudonya
menjelaskan perubahan
8. brightness sepanjang garis sinyal tersebut.
9. Kemudian sinyal listrik ini diubah menjadi bilangan biner yang akan digunakan
oleh komputer untuk pemrosesan.
10. Karena komputer tidak bekerja dengan sinyal analog, maka sebuah
analog‐to‐digital converter (ADC), dibutuhkan untuk memproses semua sinyal
tersebut oleh komputer.
11. ADC ini akan mengubah sinyal analog yang direpresentasikan dalam bentuk
informasi sinyal tunggal ke dalam sebuah aliran (stream) sejumlah bilangan
biner.
12. Bilangan biner ini kemudian disimpan di dalam memori dan akan menjadi
data raw yang akan diproses.

B.2. Proses Pengolahan Citra (Image Processing)

1. Tahapan berikutnya computer vision akan melibatkan sejumlah manipulasi

utama (initial manipulation) dari data binary tersebut.
2. Image processing membantu peningkatan dan perbaikan kualitas image,
sehingga dapat dianalisa dan di olah lebih jauh secara lebih efisien.
3. Image processing meningkatkan perbandingan sinyal terhadap noise
(signal‐to‐noise ratio = s/n).
4. Sinyal‐sinyal tersebut adalah informasi yang akan merepresentasikan objek
yang ada dalam image.
5. Sedangkan noise adalah segala bentuk interferensi, kekurangpengaburan,
yang terjadi pada sebuah objek.
B.3. Analisa Data Citra (Image Analysis)

1. Image analysis akan mengeksplorasi scene ke dalam bentuk karateristik

utama dari objek melalui suatu proses investigasi.
2. Sebuah program komputer akan mulai melihat melalui bilangan biner yang
merepresentasikan informasi visual untuk mengidentifikasi fitur‐fitur spesifik
dan karekteristiknya.
3. Lebih khusus lagi program image analysis digunakan untuk mencari tepi dan
batas‐batasan objek dalam image.
4. Sebuah tepian (edge) terbentuk antara objek dan latar belakangnya atau
antara dua objek yang spesifik.
5. Tepi ini akan terdeteksi sebagai akibat dari perbedaan level brightness pada
sisi yang berbeda dengan salah satu batasnya.

B.4. Proses Pemahaman Data Citra (Image Understanding)

1. Ini adalah langkah terakhir dalam proses computer vision, yang mana sprsifik
objek dan hubungannya diidentifikasi.
2. Pada bagian ini akan melibatkan kajian tentang teknik-teknik artificial
intelligent.
3. Understanding berkaitan dengan template matching yang ada dalam sebuah
scene.
4. Metoda ini menggunakan program pencarian (search program) dan teknik
penyesuaian pola (pattern matching techniques).

C. Implementasi Computer Vision Bidang Pertahanan dan Keamanan (Militer)

Contohnya adalah deteksi tentara musuh atau kendaraan dan bimbingan rudal.
Sistem lebih canggih untuk panduan mengirim rudal-rudal ke daerah daripada target
yang spesifik dan pemilihan target yang dibuat ketika rudal mencapai daerah
berdasarkan data citra diperoleh secara lokal. Konsep modern militer, seperti
“kesadaran medan perang”, menunjukkan bahwa berbagai sensor, termasuk sensor
gambar, menyediakan kaya set-informasi tentang adegan tempur yang dapat
digunakan untuk mendukung keputusan strategi.
Selama 10 tahun terakhir, MotionDSP telah fokus pada penyediaan pengolahan
citra dan perangkat lunak Computer Vision untuk aplikasi militer.

Referensi :
https://bundet.com/pub/detail/komputer-vision-implementasinya-1538535812

https://achmatim.net/category/riset-penelitian/computer-vision/

4. Natural Language Processing (NLP)

Natural Language Processing biasa disebut dengan Pemrosesan Bahasa Alami
adalah Bidang Artificial Intelligence yang berurusan dengan pemahaman bahasa
(alami) manusia (bahasa inggris, jerman, Indonesia dan lain-lain). Bahasa alami atau
yang disebut dengan natural language adalah suatu bahasa yang diucapkan, ditulis,
disyaratkan oleh manusia untuk berkomunikasi umum. Jadi bahasa alami/ natural
language yaitu bahasa yang dimengerti oleh manusia. Bahasa alami pada
prinsipnya adalah suatu bentuk representasi dari suatu pesan yang akan
dikomunikasikan antar manusia. Representasinya dapat berupa ucapan/ suara
(spoken language), namun juga bisa dinyatakan berupa tulisan.

Natural Language Processing adalah komponen penting dalam text mining dan
subbidang dalam kecerdasan buatan (artificial intelligence/AI) dan komputasi
linguistic. Dia mempelajari tentang bagaimana ‘memahami’ bahasa manusia alami,
dengan cara mengubah gambaran bahasa manusia (seperti dokumen teks) menjadi
penyajian yang lebih formal (dalam bentuk data numeric dan sombolik) yang lebih
mudah untuk dimanupulasi oleh program computer. Tujuan NLP adalah untuk
melangkah melebihi manipulasi teks berbasis sintaks (yang sering kali disebut
dengan ‘word counting’) ke pemahaman yang benar dan memproses bahasa alami
yang mempertimbangkan berbagai batasan semantik dan gramatikal dan juga
konteks.

Kajian NLP (natural language processing) antara lain mencakup :

1. Segmentasi Tuturan (speech segmentation) : proses identifikasi batas antara
kata, suku kata, atau fonem pada bahasa alami lisan. Istilah ini digunakan baik bagi
proses mental yang dilakukan oleh manusia, maupun proses buatan oleh
pemrosesan bahasa alami.

2. Segmentasi Teks (text segmentation) : proses pemisahan teks tertulis menjadi

unit makna seperti kata, kalimat, atau topik.

3. Penandaan Kelas Kata (part-of-speech tagging) : proses penandaan kata pada

suatu teks dalam kaitannya dengan suatu kelas kata tertentu berdasarkan definisi
dan maknanya hubungannya dengan kata yang mendampingi atau yang terkait
dengannya pada suatu frasa, kalimat, atau paragraf.

4. Pengawataksaan Makna (word sense disambiguation) : masalah terbuka

pemrosesan bahasa alami berupa proses identifikasi makna kata polisemi yang
digunakan pada suatu kalimat.

Meskipun kajiannya dapat mencakup teks dan tuturan, pemerosesan tuturan

(speech processing) telah berkembang menjadi suatu bidang kajian terpisah.

Kategori Aplikasi Bahasa Alami

Beberapa diantara berbagai kategori aplikasi NLP adalah sebagai berikut:

1. Natural Language Translator, yaitu translator dari satu bahasa alami ke bahasa
alami lainnya, misalnya translator bahasa Inggris ke bahasa Indonesia, dsb.

2. Translator bahasa alami ke bahasa buatan, yaitu translator yang mengubah

perintah-perintah dalam bahasa alami menjadi bahasa buatan yang dapat
dieksekusi oleh mesin atau komputer. Contohnya untuk menghapus semua file,
pengguna cukup memberikan perintah ”komputer, tolong hapus semua file !”
Translator akan mentranslasikan perintah bahasa alami tersebut menjadi perintah
bahasa formal yang dipahami oleh komputer, yaitu ”dir *.* ”.
3. Text Summarization, yaitu suatu sistem yang dapat ”membuat ringkasan” hal-hal
yang penting dari suatu wacana yang diberikan.

Aplikasi Pengolahan Bahasa Alami

1. Text-based application adalah segala macam aplikasi yang melakukan proses

terhadap teks tertulis seperti misalnya dokumen, e-mail, buku dan sebagainya.
Contoh jenis aplikasi NLP yang berbasis teks :

Machine Translation
Program yang mampu mentranslasi kalimat baik berupa teks maupun suara dari
satu bahasa alami ke bahasa lainnya. Contoh : Google Translate.

2. Dialogue-based application idealnya melibatkan bahasa lisan atau pengenalan

suara, akan tetapi bisa juga memasukan interaksi dialog dengan mengetikkan teks
pertanyaan melalui keyboard.
Contoh :

Chatbot
Chatbot adalah program komputer yang didesain untuk mensimulasikan sebuah
percakapan cerdas dengan satu atau lebih pengguna manusia melalui inputan suara
atau teks, utamanya digunakan untuk percakapan kecil. Contoh : Cleverbot,
SimSimi, dan begobet.
Definisi dan scope dari kata ‘memahami’ adalah salah satu topic utama dalam
diskusi tentang NLP. Dengan mempertimbangkan bahwa bahasa alami manusia
adalah kabur dan bahwa pemahaman yang benar terhadap suatu arti memerlukan
pengetahuan yang luas terhadap suatu topic (jauh berada diluar kata, kalimat, dan
paragraph), akankah komputer mampu memahami bahasa alami dengan cara yang
sama dan akurasi yang sama dengan manusia? Barangkali tidak! NLP telah ada
lama sejak era ‘word counting’ yang sederhana, namun dia masih perlu lebih lama
lahi untuk menuju ke benar-benar mampu memahami bahasa alami manusia.
Berikut adalah beberapa tantangan yang biasanya dikaitkan dengan implementasi
NLP:
 Part-of-speech tagging. Sangatlah sulit untuk menandai istilah-istilah dalam
suatu teks yang terkait dengan bagian tertentu dari suatu naskah (misalnya
kata benda, kata kerja, kata sifat, kata keterangan, dst), karena bagian dari
naskah tidak hanya bergantung pada definisi istilah tetapi juga pada konteks
dimana teks digunakan.
 Text segmentation. Beberapa bahasa tulisan, seperti bahasa mandarin,
jepang, dan thai, tidak memiliki batasan kata. Dalam contoh ini, tugas text-
parsing memerlukan idetifikasi terhadap batasan kata, yang seringkali
merupakan tugas yang sangat sulit. Tantangan serupa dalam segmentasi
naskah muncul ketika menganalisa bahasa verbal, karena suara menyajikan
rangkaian huruf dan kata yang bercampur satu sama lain.
 Word sense disambiguation. Banyak kata yang memiliki lebih dari satu arti.
Memilih arti yang paling masuk akan hanya bisa dicapai dengan
mempertimbangkan konteks di mana kata digunakan.
Referensi:

https://www.temukanpengertian.com/2013/08/pengertian-natural-language-processing.html

https://socs.binus.ac.id/2013/06/22/natural-language-processing/