Resume Chapter 11 :

Managing Knowledge and Artificial Inteligence

Kelas : L

Anggota Kelompok :

 Anandya Farraba Nabila 041811333115

 Andhara Melati Fitria Puteri 041811333118
 Listiriani Pangala 041811333148
 Anak Agung Rai Sita Dewi 041811333241
 Audrey Freja Tomahuw 041811333244

PROGRAM STUDI S1 AKUNTANSI

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS AIRLANGGA

SURABAYA

2020
11.1 Apa Peran Sistem Manajemen Pengetahuan Dalam Bisnis?

Manajemen pengetahuan dan sistem kolaborasi adalah di antara area investasi

perangkat lunak perusahaan dan pemerintah yang tumbuh paling cepat. Dekade terakhir
telah menunjukkan pertumbuhan eksplosif dalam penelitian tentang pengetahuan dan
manajemen pengetahuan di bidang ekonomi, manajemen, dan sistem informasi.
Manajemen pengetahuan telah menjadi tema penting di banyak perusahaan bisnis besar
karena manajer menyadari bahwa sebagian besar nilai perusahaan mereka bergantung
pada kemampuan perusahaan untuk menciptakan dan mengelola pengetahuan.

A. Dimensi Penting 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 lain. 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 penyimpanan. 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 diam-diam, sedangkan pengetahuan yang
telah didokumentasikan disebut pengetahuan eksplisit.
 Pembelajaran Organisasi 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,
pengalaman mendapatkan organisasi. 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.
B. Nilai Rantai Manajemen Pengetahuan
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 dan
informasi mentah mereka berubah menjadi pengetahuan yang dapat digunakan.

 Akuisisi Pengetahuan
Organisasi memperoleh pengetahuan dengan berbagai cara, tergantung dari
jenis pengetahuan yang mereka cari. Sistem manajemen pengetahuan pertama
berusaha membangun gudang dokumen, laporan, presentasi, dan praktik terbaik
perusahaan. Upaya ini telah diperluas untuk memasukkan dokumen tidak
terstruktur (seperti e-mail).
 Penyimpanan Pengetahuan
Begitu mereka menemukan 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. Sistem pakar
 juga membantu perusahaan mempertahankan pengetahuan yang diperoleh dengan
memasukkan pengetahuan tersebut ke dalam proses dan budaya organisasi.
 Diseminasi pengetahuan
Portal, e-mail, instant messaging, wiki, jaringan sosial, dan teknologi mesin
telusur telah menambahkan serangkaian teknologi kolaborasi dan sistem
perkantoran yang ada untuk berbagi kalender, dokumen, data, dan grafik (lihat
Bab 7). Teknologi kontemporer tampaknya telah menciptakan banjir informasi
dan 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 yang dikomunikasikan melalui budaya yang
mendukung membantu para manajer memusatkan perhatian mereka pada
pengetahuan dan informasi penting.
 Aplikasi pengetahuan
Terlepas dari jenis sistem manajemen pengetahuan yang dilibatkan,
pengetahuan yang tidak dibagi dan diterapkan pada masalah praktis yang
dihadapi perusahaan dan manajer tidak menambah nilai bisnis. Untuk
memberikan laba atas investasi, pengetahuan organisasi harus menjadi bagian
sistematis dari pengambilan keputusan manajemen dan berada di dalam sistem
pendukung keputusan.
 Membangun Modal Organisasi dan Manajemen: Kolaborasi, Praktik Komunitas,
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 posisi eksekutif kepala
eksekutif, posisi staf yang berdedikasi (knowledge manager), dan praktik
komunitas. Praktik komunitas (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 dan konferensi mandiri, konferensi, buletin online, dan berbagi
pengalaman dan teknik sehari hari untuk memecahkan masalah pekerjaan
tertentu.
C. Jenis Sistem Manajemen Pengetahuan
 Pada dasarnya ada tiga jenis sistem manajemen pengetahuan utama: sistem
manajemen pengetahuan perusahaan, sistem kerja pengetahuan, dan teknik
cerdas. Gambar 11-2 menunjukkan aplikasi sistem manajemen pengetahuan
untuk masing-masing kategori utama ini.

Sistem manajemen pengetahuan menyeluruh adalah upaya umum untuk

mengumpulkan, menyimpan, mendistribusikan, dan menerapkan konten serta
pengetahuan digital. Sistem ini mencakup kemampuan untuk mencari informasi,
menyimpan data terstruktur dan tidak terstruktur, serta menemukan keahlian
karyawan di dalam perusahaan. 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 jenis
teknik cerdas, seperti data mining, sistem pakar, jaringan syaraf tiruan, logika
fuzzy, algoritma genetika, dan agen cerdas.

11.2 Apa Itu Kecerdasan Buatan atau Artificial Intelligence (AI) dan Pembelajaran Mesin?
Bagaimana Bisnis Menggunakan AI?

AI melibatkan upaya untuk membangun sistem komputer yang berpikir dan

bertindak seperti manusia. Manusia melihat, mendengar, dan berkomunikasi dengan
bahasa alami, membuat keputusan, merencanakan masa depan, mencapai tujuan,
memahami pola di lingkungan mereka, dan belajar, di antara banyak kemampuan
lainnya. Manusia juga menyukai, membenci, dan memilih tujuan apa yang ingin
dikejar. Ini adalah dasar dari apa yang disebut "kecerdasan manusia" dan apa yang
disebut "akal sehat" atau kecerdasan umum.
 Evolusi AI
Kekuatan utama yang mendorong evolusi AI yang cepat adalah
pengembangan database Big Data yang dihasilkan oleh Internet, e-commerce,
Internet of Things, dan media sosial. Penggerak sekunder termasuk pengurangan
drastis dalam biaya pemrosesan komputer dan pertumbuhan daya prosesor. Dan
terakhir, pertumbuhan AI mengandalkan penyempurnaan algoritme oleh puluhan
ribu insinyur perangkat lunak AI dan pusat penelitian AI universitas, bersama
dengan investasi yang signifikan dari bisnis dan pemerintah. Ada beberapa
terobosan konseptual mendasar dalam AI pada periode ini, atau dalam memahami
cara berpikir manusia.
Kemajuannya signifikan: Program pengenalan gambar telah turun dari
tingkat kesalahan 25 persen menjadi kurang dari 3 persen pada tahun 2018;
kesalahan pengenalan ucapan bahasa alami telah turun dari 15 persen menjadi 6
persen; dan dalam terjemahan di antara bahasa-bahasa umum, program Google
Terjemahan mencapai akurasi sekitar 85 persen dibandingkan dengan manusia
(Technology Quarterly, 2017; Hirschberg dan Manning, 2016). Kemajuan ini
memungkinkan asisten pribadi seperti Siri (Apple), Alexa (Amazon), Cortana
(Microsoft), dan Now (Google), serta sistem yang diaktifkan ucapan di mobil.
 Jenis Utama AI

Kecerdasan buatan adalah keluarga teknik dan teknologi pemrograman,

yang masing-masing memiliki keunggulan dalam aplikasi tertentu. Tabel 11.2
menjelaskan jenis utama AI: expert systems, machine learning, neural networks,
deep learning, genetic algorithms, natural language processing, computer vision
systems, robotics, and intelligent agents.
 Expert Systems
Expert systems menangkap pengetahuan para pakar individu dalam suatu
organisasi melalui wawancara mendalam, dan merepresentasikan pengetahuan itu
sebagai seperangkat aturan. Aturan-aturan ini kemudian diubah menjadi kode
komputer berupa aturan IF-THEN. Program semacam itu sering digunakan untuk
mengembangkan aplikasi yang memandu pengguna melalui proses pengambilan
keputusan. Expert Systems memberikan manfaat seperti peningkatan keputusan,
pengurangan kesalahan, pengurangan biaya, pengurangan waktu pelatihan, serta
kualitas dan layanan yang lebih baik.
Strategi yang digunakan untuk mencari melalui kumpulan aturan dan
merumuskan kesimpulan disebut mesin inferensi. Mesin inferensi bekerja dengan
menelusuri aturan dan menjalankan aturan yang dipicu oleh fakta yang
dikumpulkan dan dimasukkan pengguna. Expert systems tidak berguna untuk
menangani masalah tidak terstruktur yang biasanya dihadapi oleh manajer dan
karyawan, dan tidak menggunakan data waktu nyata untuk memandu keputusan
mereka. Sistem pakar tidak menskalakan dengan baik ke jenis kumpulan data
yang sangat besar yang diproduksi oleh Internet dan Internet of Things (IoT), dan
mahal untuk dibuat.
 Machine Learning
Machine learning didasarkan pada paradigma AI yang sama sekali berbeda
dari expert systems. Dalam machine learning tidak ada expert, dan tidak ada
upaya untuk menulis kode komputer untuk aturan yang mencerminkan
pemahaman expert. Sebaliknya, ML dimulai dengan kumpulan data yang sangat
besar dengan puluhan hingga ratusan juta titik data dan secara otomatis
menemukan pola dan hubungan dengan menganalisis sekumpulan besar contoh
dan membuat inferensi statistik. Contoh dari ML yaitu WellsFargo, Allstate
Insurance, Netflix, Amazon, Schindler Group, PayPal. Hampir semua
pembelajaran mesin saat ini melibatkan pembelajaran yang diawasi, di mana
sistem "dilatih" dengan memberikan contoh spesifik dari masukan dan keluaran
yang diinginkan yang diidentifikasi oleh manusia sebelumnya.
 Neural Networks
Jaringan saraf terdiri dari unit-unit yang saling berhubungan yang disebut
neuron. Setiap neuron dapat mengambil data dari neuron lain, dan mentransfer
 data ke neuron lain dalam sistem. Neuron buatan bukanlah entitas fisik biologis
seperti di otak manusia, tetapi merupakan program perangkat lunak dan model
matematika yang melakukan fungsi input dan output neuron.
Jaringan saraf menemukan pola dan hubungan dalam jumlah data yang
sangat besar yang akan terlalu rumit dan sulit untuk dianalisis oleh manusia
dengan menggunakan algoritme pembelajaran mesin dan model komputasi yang
secara longgar didasarkan pada cara kerja otak biologis manusia. Jaringan saraf
adalah program deteksi pola. Jaringan saraf mempelajari pola dari sejumlah besar
data dengan memilah-milah data, dan akhirnya menemukan jalur melalui jaringan
ribuan neuron.
 Deep Learning
Jaringan saraf "deep learning" lebih kompleks, dengan banyak lapisan
transformasi data masukan untuk menghasilkan keluaran target. Kumpulan
neuron disebut node atau lapisan. Jaringan pembelajaran mendalam masih dalam
tahap awal, dan digunakan hampir secara eksklusif untuk deteksi pola pada data
tak berlabel di mana sistem tidak diberi tahu apa yang harus dicari secara khusus
tetapi hanya untuk menemukan pola dalam data.
 Genetic Algorithms
Algoritme genetik adalah bentuk lain dari pembelajaran mesin. Algoritme
genetik berguna untuk menemukan solusi optimal untuk masalah tertentu dengan
memeriksa solusi alternatif yang sangat banyak untuk masalah tersebut. Metode
pemecahan masalah mereka didasarkan pada ide-ide yang terinspirasi oleh
biologi evolusioner seperti pewarisan, mutasi, seleksi, dan persilangan
(rekombinasi). Algoritme genetika bekerja dengan mencari populasi dari string
digit biner yang dibuat secara acak untuk mengidentifikasi string yang tepat yang
mewakili solusi terbaik untuk masalah tersebut. Ketika solusi berubah dan
digabungkan, yang terburuk dibuang dan yang lebih baik bertahan untuk terus
menghasilkan solusi yang lebih baik.
 Natural Language Processing, Computer Vision Systems, and Robotics
Bahasa manusia tidak selalu tepat. Seringkali ambigu, dan arti kata dapat
bergantung pada variabel kompleks seperti bahasa gaul, dialek daerah, dan
konteks sosial. Natural Language Processing (NLP) memungkinkan komputer
untuk memahami dan menganalisis bahasa alami — bahasa yang digunakan
 manusia secara naluriah, bukan bahasa yang diformat secara khusus untuk
dipahami oleh komputer.
Computer Vision Systems berurusan dengan bagaimana komputer dapat
meniru sistem visual manusia untuk melihat dan mengekstrak informasi dari
gambar dunia nyata. Sistem tersebut menggabungkan pemrosesan gambar,
pengenalan pola, dan pemahaman gambar. Robotics berurusan dengan desain,
konstruksi, operasi, dan penggunaan mesin bergerak yang dapat menggantikan
manusia bersama dengan sistem komputer untuk kontrol, umpan balik sensorik,
dan pemrosesan informasi. Robot tidak dapat sepenuhnya menggantikan orang
tetapi diprogram untuk melakukan serangkaian tindakan tertentu secara otomatis.
Mereka sering digunakan di lingkungan berbahaya (seperti deteksi dan
penonaktifan bom), proses manufaktur, operasi militer (drone), dan prosedur
medis (robot bedah).
 Intelligent Agents
Intelligent Agents adalah program perangkat lunak yang bekerja di
belakang tanpa campur tangan manusia secara langsung untuk menjalankan tugas
tertentu bagi pengguna individu, proses bisnis, atau aplikasi perangkat lunak.
Agen tersebut menggunakan basis pengetahuan bawaan atau pengetahuan yang
terbatas untuk menyelesaikan tugas atau membuat keputusan atas nama
pengguna, seperti menghapus email sampah, menjadwalkan janji temu, atau
menemukan tiket pesawat termurah ke California.

11.3 Jenis Sistem Apa yang Digunakan Untuk Manajemen Pengetahuan di Seluruh
Perusahaan, dan Bagaimana Sistem Memberikan Nilai Untuk Bisnis?

A. Sistem Manajemen Konten Perusahaan

Bisnis saat ini perlu mengatur dan mengelola aset pengetahuan terstruktur
dan semistructured. 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.
 Masalah utama dalam mengelola pengetahuan adalah penciptaan skema
klasifikasi yang tepat, atau taksonomi, untuk mengatur informasi ke dalam
kategori yang bermakna sehingga mudah diakses. Perusahaan dalam penerbitan,
periklanan, penyiaran, dan hiburan memiliki kebutuhan khusus untuk menyimpan
dan mengelola data digital tidak terstruktur seperti foto, gambar grafis, video, dan
konten audio. Sistem manajemen aset digital membantu perusahaan
mengklasifikasikan, menyimpan, dan mendistribusikan benda digital ini.
B. Mencari dan Berbagi Keahlian
Alat pencarian khusus memudahkan karyawan menemukan expert yang
sesuai di perusahaan. Untuk sumber daya pengetahuan di luar perusahaan,
jejaring sosial dan alat bisnis sosial memungkinkan pengguna untuk menandai
halaman web yang diminati, menandai penanda ini dengan kata kunci, dan
berbagi tag dan tautan halaman web dengan orang lain.
C. Sistem Manajemen Pembelajaran
Perusahaan membutuhkan cara untuk melacak dan mengelola pembelajaran
karyawan dan untuk mengintegrasikannya lebih penuh ke dalam manajemen
pengetahuan dan sistem perusahaan lainnya. Sistem manajemen pembelajaran
(LMS) menyediakan alat untuk pengelolaan, penyampaian, pelacakan, dan
penilaian berbagai jenis pembelajaran dan pelatihan karyawan. LMS kontemporer
mendukung berbagai mode pembelajaran, termasuk CD-ROM, video yang dapat
diunduh, kelas berbasis web, instruksi langsung di kelas atau online, dan
pembelajaran kelompok di forum online dan sesi obrolan. LMS menggabungkan
pelatihan media campuran, mengotomatiskan pemilihan dan administrasi kursus,
mengumpulkan dan menyampaikan konten pembelajaran, dan mengukur
efektivitas pembelajaran.

11.4 Apa Jenis Utama dari Sistem Kerja Pengetahuan, dan Bagaimana Mereka Memberikan
Nilai Bagi Perusahaan

A. Pekerja Pengetahuan dan Pekerjaan Pengetahuan

Pekerja berpengetahuan biasanya memiliki tingkat pendidikan dan
keanggotaan yang tinggi dalam organisasi profesional dan sering diminta untuk
melakukan penilaian independen sebagai aspek rutin pekerjaan mereka. Misalnya,
pekerja pengetahuan menciptakan produk baru atau menemukan cara untuk
meningkatkan produk yang sudah ada. Pekerja berpengetahuan melakukan tiga
 peran kunci yang penting bagi organisasi dan manajer yang bekerja dalam
organisasi:
 Menjaga organisasi tetap terkini dalam pengetahuan saat berkembang di
dunia luar — dalam teknologi, sains, pemikiran sosial, dan seni
 Melayani sebagai konsultan internal terkait bidang pengetahuan mereka,
perubahan yang terjadi, dan peluang
 Bertindak sebagai agen perubahan, mengevaluasi, memulai, dan
mempromosikan proyek perubahan
B. Persyaratan Sistem Kerja Pengetahuan

Gambar 11.9 merangkum persyaratan sistem kerja pengetahuan. Sistem ini

membutuhkan daya komputasi yang cukup untuk menangani grafik canggih atau
kalkulasi kompleks yang diperlukan untuk pekerja pengetahuan seperti peneliti
ilmiah, insinyur, dan perancang produk. Karena pekerja pengetahuan
membutuhkan pengetahuan dari dunia luar, sistem ini juga harus memberi pekerja
akses cepat dan mudah ke database eksternal. Mereka biasanya menampilkan
antarmuka yang ramah pengguna yang memungkinkan pengguna untuk
melakukan tugas-tugas yang diperlukan tanpa harus menghabiskan banyak waktu
untuk mempelajari cara menggunakan sistem. Pekerja pengetahuan dibayar tinggi
— membuang-buang waktu pekerja pengetahuan terlalu mahal.
C. Contoh 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 virtual reality
memiliki kemampuan visualisasi, rendering, dan simulasi yang jauh melampaui
sistem CAD konvensional. Mereka menggunakan perangkat lunak grafis
interaktif untuk membuat simulasi yang dihasilkan komputer yang sangat dekat
dengan kenyataan sehingga pengguna hampir yakin bahwa mereka berpartisipasi
dalam situasi dunia nyata.
Augmented reality (AR) adalah teknologi terkait untuk meningkatkan
visualisasi. AR menyediakan pandangan langsung atau tidak langsung tentang
lingkungan dunia nyata fisik yang elemennya diperkuat oleh citra buatan
komputer virtual. Pengguna beralasan di dunia fisik yang sebenarnya, dan gambar
virtual digabungkan dengan tampilan nyata untuk membuat tampilan yang
disempurnakan.
Aplikasi virtual reality yang dikembangkan untuk Web menggunakan
standar yang disebut Virtual Reality Modeling Language (VRML). VRML adalah
seperangkat spesifikasi untuk pemodelan 3 dimensi interaktif di World Wide Web
yang dapat mengatur beberapa jenis media, termasuk animasi, gambar, dan audio
untuk menempatkan pengguna di lingkungan dunia nyata yang disimulasikan.
VRML adalah platform independen, beroperasi di atas komputer desktop, dan
membutuhkan sedikit bandwidth. Industri keuangan menggunakan workstation
investasi khusus untuk memanfaatkan pengetahuan dan waktu dari broker,
pedagang, dan manajer portofolio.