LANSKAP MANAJEMEN PENGETAHUAN

Manajemen pengetahuan dan sistem kolaborasi di antara pertumbuhan yang tercepat dari area
investasi perangkat lunak korporat dan pemerintah. Pada dekade yang lalu telah memperlihatkan
lonjakan pertumbuhan dalam penelitian mengenai pengetahuan dan manajemen pengetahuan dalam
bidang ekonomi, manajemen, dan sistem informasi.

Manajemen pengetahuan dan kolaborasi sangat erat terkait. Pengetahuan yang tidak dapat
dikomunikasikan dan dibagikan dengan orang lain menjadi hampir tidak berguna. Pengetahuan menjadi
bermanfaat dan ditindaklanjuti ketika dibagikan ke seluruh perusahaan.

Kita hidup dalam suatu perekonomian informasi yang mana sumber utama dari kekayaan dan
kemakmuran adalah produksi serta distribusi informasi dan pengetahuan. Diperkirakan 37% dari tenaga
kerja di AS terdiri atas pekerja bagian pengetahuan dan informasi, yang mana merupakan segmen
tenaga kerja tunggal terbesar. Sekitar 45% dari produk domestik bruto-PDB (gross domestic product-
GDP) Amerika Serikat dihasilkan oleh sektor pengetahuan dan informasi (U.S. Department of Commerce,
2012).

nilai perusahaan mereka bergantung pada kemampuan perusahaan untuk menciptakan dan mengelola
pengetahuan. Penelitian-penelitian telah menemukan bahwa bagian yang cukup besar dari nilai pasar
saham perusahaan terkait dengan aset tak berwujud, yang mana pengetahuan merupakan salah satu
unsur penting, seiring dengan merek, reputasi, dan proses bisnis yang unik. Proyek-proyek yang
didasarkan pada pengetahuan yang diselenggarakan dengan baik telah diketahui akan menghasilkan
tingkat pengembalian atas investasi yang luar biasa, meskipun dampak dari investasi berdasar
pengetahuan tersebut sangat sulit untuk mengukurnya. (Gu dan Leev, 2001).

DIMENSI PENGETAHUAN YANG PENTING

Untuk mengubah data menjadi suatu informasi yang bermanfaat, maka perusahaan harus mencurahkan
sumber daya untuk mengorganisasikan data ke dalam kategori-kategori pemahaman. Misalnya, total
penjualan dibagi menjadi per bulan, per hart, per daerah, atau berdasarkan laporan per toko. Untuk
mengubah informasi menjadi pengetahuan (knowledge) maka perusahaan harus mengeluarkan sumber
daya tambahan untuk menemukan pola-pola, aturan, dan konteks di mana pengetahuan dapat bekerja.
Terakhir, kebijaksanaan (wisdom) diartikan sebagai pengalaman kolektif dan individual dalam
menerapkan pengetahuan untuk memecahkan permasalahan-permasalahan. Kebijaksanaan melibatkan
di mana, kapan, dan bagaimana menerapkan pengetahuan.

pengetahuan adalah aset perusahaan dalam bentuk yang berbeda dari aset lainnya, seperti aset
bangunan atau keuangan, pengetahuan merupakan fenomena yang rumit; dan ada banyak aspek dalam
proses-proses manajemen pengetahuan. Kita dapat menyadari juga bahwa kompetensi inti berbasis
pengetahuan dari perusahaan-dua atau tiga hal yang dapat dilakukan dengan sangat baik oleh
perusahaan-adalah aset-aset organisasional yang sangat penting. Mengetahui bagaimana melakukan
sesuatu secara efektif dan efisien dengan cara yang tidak dapat ditiru perusahaan lain dapat menjadi
sumber keuntungan yang utama, juga merupakan keunggulan yang tidak dapat dibeli oleh pesaing
lainnya di pasar.

Sebagai contoh, memiliki sistem produksi khusus berdasarkan pesanan membutuhkan pengetahuan dan
mungkin juga aset tersendiri yang tidak dapat ditiru oleh perusahaan lainnya. Dengan pengetahuan,
perusahaan akan lebih efisien dan efektif dalam memanfaatkan sumber dayanya yang terbatas. Tanpa
pengetahuan, perusahaan akan kurang efisien dan kurang efektif dalam memanfaatkan sumber daya
dan terancam gagal

Pembelajaran Organisasional dan Manajemen Pengetahuan

Seperti manusia, organisasi-organisasi menciptakan dan mengumpulkan pengetahuan dengan

menggunakan berbagai macam mekanisme pembelajaran organisasional Melalui pengumpulan data,
pengukuran yang teliti atas aktivitas yang direncanakan, uji coba (percobaan eksperimen). dan umpan
balik dari pelanggan dan lingkungan pada umumnya, maka organisasi akant memperoleh pengalaman.
Organisasi yang belajar untuk menyesuaikan perilaku mereka mencerminkan pembelajaran tersebut
dengan menciptakan proses bisnis yang baru dan dengan mengubah pola dalam pengambilan keputusan
manajemen. Proses perubahan ini disebut dengan pembelajaran organisasional (organizational
learning). Dapat dikatakan, organisasi-organisasi yang dapat merasakan dan memberikan tanggapan
terhadap lingkungan mereka secara cepat akan bertahan hidup lebih lama daripada organisasi-
organisasi yang memiliki mekanisme pembelajaran yang buruk.

RANTAI NILAI MANAJEMEN PENGETAHUAN

Manajemen pengetahuan (knowledge management) mengacu pada serangkaian proses bisnis yang
dikembangkan dalam suatu organisasi untuk menciptakan, menyimpan, memindahkan. dan
menerapkan pengetahuan. Manajemen pengetahuan akan meningkatkan kemampuan dari organisasi
unntuk belajar dari lingkungannya dan untuk memadukan pengetahuan ke dalam proses bisnisnya.
mengilustrasikan 5 langkah yang memberikan nilai tambah dalam rantai nilai manajemen pengetahuan.

modal organisasional dan modal manajemen sebagai suatu rangkaian dari proses bisnis, budaya, dan
perilaku yang diperlukan untuk memperoleh nilai dari investasi dalam sistem informasi. Dalam kasus
manajemen pengetahuan, seperti halnya investasi dalam sistem informasi lainnya, nilai yang
mendukung, struktur, dan pola perilaku harus dibentuk untuk memaksimalkan tingkat pengembalian
atas investasi dalam proyek manajemen pengetahuan.

Penguasaan Pengetahuan

Organisasi dapat memperoleh pengetahuan dengan berbagai cara, bergantung pada tipe dari
pengetahuan yang mereka cari. Sistem manajemen pengetahuan yang pertama berupaya untuk
membangun gudang dokumen perusahaan, laporan, presentasi, dan praktik pelaksanaan yang terbaik.
Upaya-upaya ini telah diperluas hingga mencakup dokumen-dokumen yang tidak terstruktur (misalnya,
surel). Dalam kasus lainnya, organisasi dapat memperoleh pengetahuan dengan mengembangkan
jaringan ahli secara online dengan demikian para karyawan tersebut dapat "menemukan ahli" dalam
perusahaan yang merupakan pribadi yang memiliki pengetahuan luas.

Dalam kasus lainnya, perusahaan dapat menciptakan suatu pengetahuan yang baru dengan menemukan
pola-pola dalam data korporat atau dengan menggunakan sentra kerja pengetahuan di mana para
insinyur dapat menemukan pengetahuan yang baru. Berbagai macam upaya tersebut akan digambarkan
di sepanjang bab ini. Sistem pengetahuan yang koheren (jelas) dan terorganisasi juga memerlukan data
yang sistematis dari sistem pemrosesan transaksi perusahaan yang dapat menelusuri penjualan,
pembayaran, persediaan, pelanggan, dan data penting lainnya, demikian pula halnya dengan data dari
sumber-sumber eksternal seperti kabar berita, laporan industri, opini legal, penelitian ilmiah, dam
statistik pemerintah.

Penyimpanan Pengetahuan

Setelah berbagai dokumen, pola, dan aturan pakar terkumpul, data tersebut harus disimpan sehingga
dapat diambil kembali dan digunakan oleh para karyawan. Penyimpanan pengetahuan pada umumnya
melibatkan penciptaan suatu database. Sistem manajemen dokumen yang dibuat dalam bentuk digital,
indeks, dan memberikan label pada dokumen yang disesuaikan dengan kerangka kerja yang jelas
merupakan database yang besar yang mahir dalam menyimpan kumpulan dokumen. Sistem ahli juga
membantu perusahaan dalam menjaga pengetahuannya yang diperoleh dengan menggabungkan
pengetahuan tersebut ke dalam proses dan budaya organisasional.

Manajemen harus mendukung pengembangan sistem penyimpanan pengetahuan, mendukung

pengembangan skema yang dapat digunakan di seluruh perusahaan dalam membuat indeks dokumen,
dan memberikan penghargaan kepada karyawan yang telah meluangkan waktu untuk memperbarui dan
menyimpan dokumen tersebut dengan cara yang benar. Sebagai contoh, manajemen harus memberikan
penghargaan kepada bagian penjualan yang memasukkan nama calon pelanggan ke dalam basis data
perusahaan di mana seluruh petugas penjualan dapat mengidentifikasi data dari setiap calon yang
tersimpan dan mengulasnya.

Penyebarluasan Pengetahuan

Teknologi kontemporer tampaknya telah membanjiri dunia informasi dan pengetahuan. Bagaimana
seorang karyawan atau manajer dapat menemukan sesuatu yang benar-benar penting dan berguna bagi
mereka dari lautan informasi dan pengetahuan yang begitu luas? Di sinilah program pelatihan, jaringan
informal, dan pengalaman manajemen yang dibagikan dapat membantu para manajer agar tetap dapat
memfokuskan perhatian mereka dalam informasi dan pengetahuan yang penting.

Penerapan Pengetahuan

Tanpa memperhatikan apakah tipe dari sistem manajemen pengetahuan yang dilibatkan, tetapi
pengetahuan yang tidak dibagikan dan diterapkan dalam permasalahan praktis yang dihadapi oleh
perusahaan dan para manajer tidak akan menambah nilai dari bisnis. pengetahuan yang baru harus
dibangun di dalam proses bisnis suatu perusahaan dan sistem aplikasi kunci, meliputi penerapan
perusahaan untuk mengelola proses bisnis internal yang utama serta hubungan dengan pelanggan dan
pemasok. Pihak manajemen akan mendukung proses ini dengan menciptakan praktik pelaksanaan bisnis
baru yang didasarkan pada pengetahuan baru, produk dan jasa baru, dan pasar baru bagi perusahaan.

Membangun Modal Organisasional dan Modal Manajemen: Kolaborasi, Komunitas Praktik, dan
Lingkungan Perkantoran
Selain aktivitas yang telah dijelaskan, para manajer dapat membantu dengan cara mengembangkan
peranan dan tanggung jawab baru dalam organisasi untuk memperoleh pengetahuan. Termasuk di
dalamnya adalah menciptakan posse posisi baru, seperti direktur eksekutif manajemen pengetahuan,
staf yang ditugaskan untuk membantu manajer pengetahuan, dan membentuk komuniti praktik
Komunitas praktik (community of practice-COP) adalah jaringan umum informal yang terdiri atas para
profesional dan karyawan baik di dalam maupun di luar perusahaan dengan minat dan kegiatan yang
sama. Kegiatan komunitas ini termasuk pendidikan perorangan atau kelompok, konferensi, newsletter
online, serta setiap harinya saling berbagi pengalaman dan teknik untuk menyelesaikan masalah dalam
pekerjaan tertentu. Banyak organisasi, seperti IBM. US Federal Highway Administration, dan Bank Dania
mendorong penciptaan ribuan komunitas online yang serupa. Praktik komunitas tersebut sangat
bergantung pada lingkungan perangkat Junak (perangkat lunak) yang memungkinkan terciptanya
kolaborasi dan komunikasi.

COP dapat memudahkan orang dalam menggunakan kembali pengetahuan yang telah digunakan
sebelumnya dengan cara mengarahkan anggota komunitasnya kepada dokumen tertentu, menciptakan
tempat penyimpanan dokumen, dan menyaring informasi untuk para anggota baru. Anggota COP
bertindak sebagai fasilitator yang mendorong kontribusi dan diskusi di antara para anggotanya. COP juga
dapat mengurangi waktu yang diperlukan dalam proses pembelajaran karyawan baru dengan
memberikan nama-nama pakar, Judul pembahasan materi tertentu, dan akses ke metode dan perangkat
komunitas tersebut. Terakhir, COP dapat berfungsi sebagai tempat bertumbuhnya banyak ide, teknik,
dan perilaku pengambilan keputusan yang baru.

TIPE SISTEM MANAJEMEN PENGETAHUAN

Terdapat 3 tipe dari sistem manajemen pengetahuan yang sangat penting: memperlihatkan penerapan
dari sistem manajemen pengetahuan untuk masing-masing 3 kategori utama tersebut.

Sistem manajemen pengetahuan keseluruhan perusahaan (enterprise-wide knowledge management

system) merupakan upaya keseluruhan perusahaan yang bertujuan umum untuk mengumpulkan,
menyimpan, mendistribusikan, serta menerapkan isi dan pengetahuan digital. Sistem-sistem ini meliputi
kapabilitas untuk mencari informasi, menyimpan data yang terstruktur dan yang tidak terstruktur, serta
menempatkan keahlian dari karyawan di dalam perusahaan. Sistem manajemen pengetahuan
keseluruhan perusahaan juga termasuk teknologi pendukung, seperti portal, mesin pencari, kolaborasi
dan alat bantu sosial bisnis, dan sistem manajemen pembelajaran.
Perkembangan perangkat lunak dan workstation canggih yang terhubung ke jaringan untuk membantu
teknisi dan ilmuwan dalam menemukan pengetahuan baru telah menciptakan sistem kerja pengetahuan
baru seperti perancangan yang dibantu komputer, visualisasi, simulasi, dan sistem realitas virtual. Sistem
kerja pengetahuan (knowledge work systems-KWS) adalah sistem yang dikembangkan khusus untuk
para teknisi, ilmuwan, dan para pekerja di bidang pengetahuan lainnya yang bertugas memperoleh dan
menciptakan pengetahuan baru bagi perusahaan mereka.

kecerdasan (intelligent techniques) seperti penelusuran data, sistem ahli, jaringan neural, logika fuzzy,
algoritme genetika, dan agen intelegen. Teknik-teknik ini memiliki tujuan yang berbeda- beda, dari yang
menitikberatkan pada penemuan pengetahuan (penelusuran data dan jaringan neural/jaringan syaraf),
hingga penyaringan informasi dalam bentuk aturan untuk suatu program komputer (sistem ahli dan
logika fuzzy), untuk menemukan solusi yang optimal bagi permasalahan

SISTEM MANAJEMEN PENGETAHUAN KESELURUHAN PERUSAHAAN

Perusahaan akan berhadapan dengan setidaknya 3 jenis pengetahuan. Beberapa pengetahuan yang ada
di dalam perusahaan dalam bentuk dokumen teks yang terstruktur (laporan dan presentasi). Para
pengambil keputusan juga memerlukan pengetahuan yang semi terstruktur, seperti misalnya surel,
pesan suara (voice mail), pertukaran ruang obrolan (chat room exchange), video, foto digital, brosur,
atau postingan pada papan buletin. Masih dalam kasus yang lainnya, tidak terdapat informasi yang
formal atau digital, dan pengetahuan berada di dalam kepala para karyawan. Banyak dari pengetahuan
ini adalah pengetahuan tersirat yang jarang dituliskan. Sistem manajemen pengetahuan keseluruhan
perusahaan akan berurusan dengan 3 jenis pengetahuan tersebut.

SISTEM MANAJEMEN KONTEN PERUSAHAAN

Para pebisnis saat ini perlu untuk mengatur dan mengelola aset pengetahuan terstruktur maupun semi
terstruktur. Pengetahuan terstruktur (structured knowledge) merupakan pengetahuan secara eksplisit
ada dalam dokumen-dokumen formal, sama halnya dengan aturan-aturan formal yang diperoleh
organisasi dengan mengamati para ahli dan perilaku mereka dalam pengambilan keputusan. Tetapi,
menurut para ahli, sedikitnya 80% dari konten bisnis organisasi adalah informasi semi terstruktur atau
tidak terstruktur-yang ada dalam folder, pesan, memo, proposal, surel, grafik, slide presentasi
elektronik, dan bahkan video yang diciptakan dalam format yang berbeda dan disimpan dalam banyak
lokasi.

Sistem manajemen konten perusahaan (enterprise content management systems) membantu organisasi
untuk mengelola kedua tipe informasi tersebut. Mereka memiliki kapabilitas untuk menangkap
pengetahuan, penyimpanan, pemulihan, distribusi, dan pemeliharaan untuk membantu perusahaan
dalam meningkatkan pemrosesan dan keputusan bisnis mereka. Sistem seperti ini meliputi tempat
penyimpanan dokumen korporat, laporan, presentasi, dan praktik terbaik, demikian halnya dengan
kapabilitas untuk mengumpulkan dan mengorganisasikan pengetahuan semi terstruktur, seperti surel
Sistem manajemen konten perusahaan yang utama juga memungkinkan bagi para penggunanya untuk
mengakses sumber eksternal dari informasi, seperti kabar berita dan penelitian, dan untuk
mengomunikasikan melalui surel, chat/ pesan instan, kelompok diskusi, dan konferensi video. Mereka
mulai untuk memadukan blog, wiki, dan alat bantu jejaring sosial perusahaan lainnya. Open Text
Corporation, EMC (Documentum), IBM, dan Oracle Corporation merupakan para pemasok terdepan
dalam bidang perangkat lunak manajemen konten perusahaan.

Barrick Gold, berkantor pusat di Toronto, merupakan penghasil emas yang terkemuka di dunia,
menggunakan alat bantu Open Text bagi, manajemen konten perusahaan dan untuk mendukung
komunitas praktik. Perusahaan memiliki 26 tambang yang beroperasional dan 20.000 orang karyawan di
seluruh dunia, yang menciptakan dan menyimpan informasi dalam banyak lokasi yang berbeda. Barrick
memerlukan suatu cara untuk memusatkan keahlian organisasional tersebut membuatnya menjadi lebih
mudah untuk mengakses informasi perusahaan yang sangat penting, dan memastikan bahwa praktik
terbaik telah didokumentasikan dan dibagikan. Sentra Pengetahuan Barrick merupakan pusat tempat
penyimpanan dari dokumen-dokumen mengenai kebijakan, prosedur, standar, pedoman, gagasan baru,
dan praktik yang terbaik, serta memiliki kapabilitas untuk mengidentifikasi versi terbaru dari tiap-tiap
dokumen. Administrator mengetahui siapa yang mengakses situs dan dokumen manakah yang mereka
pergunakan. Sistem manajemen

konten meliputi alat bantu jejaring sosial, seperti wiki, blog, dan forum, untuk membantu komunitas
praktik berbagi pengetahuan mereka (Open Text, 2012). Sesi Interaktif Organisasi menyediakan contoh
lainnya dari manfaat sistem manajemen konten perusahaan.

Permasalahan pokok dalam mengelola pengetahuan adalah penciptaan skema klasifikasi yang tepat,
atau taksonomi (taxonomy) untuk mengorganisati informasi ke dalam kategori yang bermanfaat
sehingga dapat lebih mudah diakses. Ketika kategori-kategori untuk memilah milah pengetahuan telah
diciptakan, maka tiap-tiap objek pengetahuan perlu untuk "ditandai," atau dikelompokkan sehingga
dapat lebih mudah untuk dipulihkan. Sistem manajemen konten perusahaan memiliki kapabilitas untuk
menandai, berinteraksi dengan database korporat dan tempat penyimpanan konten, serta menciptakan
portal pengetahuan perusahaan yang menyediakan suatu titik akses tunggal terhadap sumber daya
informasi.
Perusahaan yang bergerak dalam bidang penerbitan, periklanan, penyiaran, dan hiburan
(entertainment) memiliki kebutuhan khusus untuk menyimpan dan mengelola data digital tidak
terstruktur, seperti foto, citra grafik, video, dan konten audio. Sebagai contoh, Coca-Cola harus tetap
menelusuri semua citra merek Coca-Cola-nya yang telah diciptakan pada masa yang lalu di semua kantor
di seluruh dunia, untuk mencegah adanya pekerjaan yang redundan dan variasi dari citra merek yang
standar. Sistem manajemen aset digital (digital asset management systems) membantu perusahaan
untuk mengklasifikasi, menyimpan, dan mendistribusikan objek-objek digital tersebut.

SISTEM JARINGAN PENGETAHUAN

Sistem jaringan pengetahuan (knowledge networks systems) membahas mengenai permasalahan yang
timbul ketika pengetahuan yang tepat tidak dalam bentuk dokumen digital, tetapi sebagai gantinya
berada dalam memori para ahli individual dalam perusahaan. Sistem jaringan pengetahuan memberikan
direktori secara online dari para ahli korporat dan profil mereka, dengan perincian mengenai
pengalaman kerja mereka, proyek, publikasi, dan gelar pendidikan. Alat bantu pencarian mempermudah
para karyawan untuk menemukan para ahli yang tepat dalam suatu perusahaan. Sistem jaringan
pengetahuan, seperti Hivemine's AskMe meliputi tempat penyimpanan konten yang dihasilkan oleh
para ahli. Beberapa kapabilitas jejaring pengetahuan termasuk dalam manajemen konten perusahaan
terkemuka, jejaring sosial, dan produk perangkat lunak kolaborasi.

KOLABORASI DAN ALAT BANTU SOSIAL SERTA SISTEM MANAJEMEN PEMBELAJARAN

informasi di dalam perusahaan. Untuk sumber daya pengetahuan di luar perusahaan, social
bookmarking mempermudah untuk mencari dan berbagi informasi dengan memungkinkan bagi para
penggunanya untuk menyelamatkan bookmark mereka pada laman web di situs wb publik dan
menandai bookmark tersebut dengan kata kunci. Penandaan-penandaan ini dapat digunakan untuk
mengatur dan mencari teks dan gambar. Daftar penandaan dapat dibagikan dengan orang lain untuk
membantu mereka dalam menemukan informasi mengenai ketertarikan. Taksonomi yang diciptakan
oleh pengguna dirancang untuk berbagi bookmark yang disebut dengan folksonomies. Delicious,
Slashdot, dan Pinterest merupakan situs social bookmarking yang terkenal.

Bayangkan, sebagai contoh, Anda merupakan bagian dari tim yang melakukan penelitian atas daya
angin. Jika Anda melakukan pencarian dengan web dan menemukan laman web yang relevan mengenai
daya angin, maka Anda akan menekan pada tombol bookmark dari situs bookmark sosial dan
menciptakan penandaan yang mengidentifikasi tiap-tiap dokumen web yang Anda temukan
yang terdapat kaitan dengan daya angin. Dengan menekan pada tombol "penandaan (tag)" pada situs
jejaring sosial, maka Anda akan dapat melihat daftar dari seluruh penandaan yang telah Anda buat dan
pilihlah dokumen yang Anda perlukan.

Perusahaan memerlukan cara-cara untuk tetap menelusuri dan mengelola pembelajaran karyawan dan
untuk mengintegrasikan sepenuhnya ke dalam manajemen pengetahuan mereka dan sistem korporat
lainnya. Sistem manajemen pembelajaran (learning management systems- LMS) menyediakan alat
bantu bagi manajemen, pengiriman, penelusuran, serta penilaian berbagai macam tipe pembelajaran
dan pelatihan bagi karyawan.

LMS kontemporer mendukung berbagai macam mode pembelajaran, meliputi CD-ROM, video yang
dapat diunduh, kelas berbasis web, instruksi secara live dalam kelas atau secara online, serta
pembelajaran kelompok dalam forum online dan sesi obrolan. LMS menggabungkan pelatihan dengan
media yang bermacam-macam, secara otomatis akan memilih dan melaksanakan program-program,
merakit dan mengirimkan isi pembelajaran, dan mengukur keefektifan dari pembelajaran.

CVM Solutions, LLC (CVM) menggunakan sistem manajemen pembelajaran Digitec's Knowledge Direct
untuk menyediakan pelatihan mengenai bagaimana mengelola pemasok bagi klien, seperti Procter &
Gamble, Colgate-Palmolive, dan Delta Airlines. Knowledge Direct akan menyediakan suatu portal untuk
mengakses program konten secara online, sejalan dengan kelengkapan administrasi yang bebas dari
kesulitan, seperti pendaftaran siswa dan alat bantu penilaian, dukungan Bantuan dan Penghubung
(Kontak)yang dilengkapi, surel secara otomatis yang menggerakkan untuk mengingatkan mengenai
program-program atau tenggat waktu kepada pengguna, surel secara otomatis yang memberitahukan
selesainya program, dan pelaporan berbasis web untuk program-program yang diakses. Knowledge
Direct juga menyediakan login masuk bertanda perusahaan bagi klien perusahaan dan memungkinkan
bagi CVM untuk menciptakan dan menugaskan seorang administrator perusahaan yang memiliki akses
pada alat bantu pelaporan siswa bagi perusahaan tersebut.

SISTEM KERJA PENGETAHUAN

Sistem pengetahuan keseluruhan perusahaan yang baru saja kita bahas menyediakan jangkauan
kemampuan menyeluruh yang dapat digunakan oleh banyak orang tidak hanya semua pekerja

dan kelompok di dalam suatu organisasi. Perusahaan juga memiliki sistem yang dikhususkan bagi
pekerja berpengetahuan untuk membantu mereka dalam menciptakan pengetahuan yang baru dan
untuk memastikan bahwa pengetahuan tersebut terintegrasi dengan tepat ke dalam bisnis.

PEKERJA PENGETAHUAN DAN KERJA PENGETAHUAN

Pekerja pengetahuan, meliputi peneliti, perancang, arsitek, ilmuwan, dan insinyur yang bertugas
menciptakan pengetahuan dan Informasi bagi organisasi, Pekerja pengetahuan biasanya memiliki
tingkat pendidikan yang tinggi, memiliki keanggotaan di organisasi profesional, dan kerap diminta untuk
melakukan penilaian sebagai aspek rutin dari pekerjaan mereka. Sebagai contohnya, pekerja
pengetahuan menciptakan produk baru atau mencari cara untuk meningkatkan kualitas produk yang
sudah ada. Pekerja pengetahuan melakukan tiga peran kunci yang sangat penting bagi organisasi dan
untuk manajer yang bekerja dalam organisasi:

• Menjaga aliran pengetahuan dalam perusahaan seiring dengan perkembangan perusahaan- dalam
teknologi, sains, pemikiran sosial, dan seni.

• Bertugas melayani sebagai konsultan internal mengenai pengetahuan khusus mereka, berbagai
perubahan yang terjadi, dan kesempatan yang muncul.

. Bertindak sebagai agen perubahan, mengevaluasi, merintis, dan mendukung proyek-proyek

perubahan.

KEBUTUHAN SISTEM KERJA PENGETAHUAN

Kebanyakan pekerja pengetahuan mengandalkan sistem perkantoran, seperti pengolah kata, voice mail,
e-mail, konferensi video, dan sistem penjadwalan yang dirancang untuk meningkatkan produktivitas di
kantor. Pekerja pengetahuan juga memerlukan sistem kerja pengetahuan yang sangat spesifik dengan
grafis, alat bantu analisis, dan kemampuan komunikasi dan manajemen dokumen yang canggih.
Sistem ini memerlukan kekuatan komputasi mendasar untuk menangani grafik-grafik yang rumit atau
perhitungan yang kompleks yang dibutuhkan oleh pekerja pengetahuan, seperti peneliti ilmiah,
perancang produk, dan analis keuangan. Karena pekerja pengetahuan sangat fokus pada pengetahuan di
dunia eksternal, sistem ini juga harus memberikan kemudahan dan kecepatan mengakses database
eksternal. Umumnya antarmukanya mudah digunakan dan memungkinkan pengguna untuk melakukan
pekerjaan tanpa harus membuang waktu terlalu lama mempelajari cara kerja sistem. Pekerja
pengetahuan dibayar mahal, karenanya pemborosan waktu pekerja akan memakan biaya yang terlalu
mahal. Gambar 11.4 menggambarkan kebutuhan sistem kerja pengetahuan.

Sentra kerja pengetahuan sering kali dirancang dan dioptimalkan untuk tugas-tugas tertentu yang harus
dikerjakan; sehingga, sebagai contoh, seorang insinyur desain memerlukan pengaturan sentral kerja
yang berbeda daripada seorang analis keuangan, Insinyur desain memerlukan grafik dengan daya yang
memadai untuk menangani sistem CAD 3 dimensi (3-D). Namun, para analis keuangan lebih
berkepentingan dalam akses ke sejumlah database eksternal yang banyak sekali dan database besar

untuk secara efisien menyimpan dan mengakses sejumlah data keuangan yang sangat banyak.

CONTOH SISTEM KERJA PENGETAHUAN

Penerapan kerja pengetahuan yang utama meliputi sistem CAD, sistem realitas virtual untuk

simulasi dan permodelan, serta sentra kerja keuangan. Desain berbantuan komputer (computer aided
design-CAD) akan mengotomatisasi penciptaan dan revisi dari desain, dengan menggunakan

komputer dan perangkat lunak grafik yang canggih. Menggunakan metodologi desain fisik yang

tradisional, maka tiap-tiap modifikasi desain memerlukan cetakan yang akan dibuat dan sebuah

prototipe untuk diuji secara fisik. Proses tersebut harus diulang berkali-kali, yang mana merupakan
proses yang sangat mahal dan memerlukan banyak waktu. Dengan menggunakan suatu sentra

kerja CAD, maka perancang hanya memerlukan untuk membuat suatu prototipe fisik menjelang

akhir dari proses desain karena desain dapat dengan mudah diuji dan diubah dengan komputer.

Kemampuan dari perangkat lunak CAD untuk menyediakan spesifikasi desain bagi pemrosesan

alat bantu dan manufaktur juga akan menghemat sejumlah besar waktu dan uang, sementara itu

memproduksi proses manufaktur dengan permasalahan yang jauh lebih sedikit. Sesi Interaktif:

Teknologi mengilustrasikan beberapa dari manfaat-manfaat tersebut, dan memperlihatkan

bagaimana mereka dapat menjadi suatu sumber dari keunggulan kompetitif.

Sistem CAD dapat memasok data untuk pencetakan 3-D (3-D printing) juga diketahui dikenal sebagai
manufaktur aditif, yang menggunakan mesin untuk membuat benda padat, lapisan demi lapisan, dari
spesifikasi dalam suatu file digital. Pencetakan 3-D saat ini telah digunakan untuk memproduksi
prototipe dan barang-barang yang ukurannya kecil, seperti perhiasan dan implan pinggul, demikian pula
suku cadang pesawat. Pada masa mendatang, mungkin akan digunakan untuk pabrikasi suku cadang
khusus bagi mobil dan perlengkapan militer.

Sistem realitas virtual (virtual reality sytems) memiliki kemampuan visualisasi, pengubahan, dan simulasi
yang jauh melampaui sistem CAD konvensional. Mereka memanfaatkan perangkat lunak grafik yang
interaktif untuk menciptakan simulasi yang dihasilkan dengan komputer yang sangat mendekati realitas
yang para penggunanya hampir meyakini bahwa mereka sedang berperan serta dalam situasi dunia
nyata. Dalam banyak sistem realitas secara virtual, pengguna akan menggunakan pakaian, penutup
kepala, dan perlengkapan yang khusus, bergantung pada aplikasinya. Pakaian berisi sensor-sensor yang
merekam pergerakan dari pengguna dan dengan segera mengirimkan informasi tersebut kembali ke
komputer. Sebagai contoh, untuk berjalan melalui simulasi realitas secara virtual dari sebuah rumah.
Anda perlu mengawasi monitor tersebut untuk menggerakkan kaki, tangan, dan kepala Anda. Anda juga
akan memerlukan kacamata yang berisikan layar video dan kadang kala lampiran audio serta sarung
tangan perasaan sehingga Anda dapat tenggelam dalam umpan balik komputer.

Pada NYU Langone Medical Center di Kota New York, para mahasiswa akan mengenakan kacamata 3-D
yang dapat "membedah" mayat virtual yang diproyeksikan pada sebuah layar. Dengan bantuan dari
komputer, mereka dapat memindahkan melalui tubuh virtual, meneliti dengan cermat lapisan-lapisan
dari otot atau mengamati pemompaan jantung dari jarak dekat seiring dengan warna merah terang
arteri dan pembuluh vena biru. Tubuh manusia secara virtual diciptakan oleh BioDigitalSystems, sebuah
perusahaan visualisasi media di Kota New York. Mayat virtual yangdipergunakan di Langone merupakan
versi beta yang BioDigital rencanakan untuk mengembangkan ke dalam peta tubuh manusia yang dapat
ditelusuri, dapat dikustomisasi bagi para pengajar medis dan para dokter. Sekolah medis NYU tidak
memiliki rencana saat ini untuk menghapuskan pembedahan setahap demi setahap, tetapi mayat virtual
3-D merupakan suatu alat bantu pengajaran lengkap yang sangat berharga (Singer, 2012).

Ford Motor Company telah menggunakan realitas virtual untuk membantu merancang kendaraan-
kendaraannya. Dalam salah satu contoh dari Ford Immersive Virtual Environment. seorang perancang
(desainer) akan dihadapkan dengan kursi mobil, roda kemudi, dan dashboard kosong. Mengenakan
kacamata dan sarung tangan realitas virtual yang dilengkapi dengan sensor- sensor, desainer dapat
"duduk" di kursi yang dikelilingi dengan desain kendaraan 3-D untuk mengalami bagaimana interior yang
diusulkan akan terlihat dan dirasakan. Desainer akan dapat mengidentifikasi kekurangan atau melihat
jika tombol-tombol berada dalam tempat yang janggal.

Desainer Ford juga dapat menggunakan teknologi ini untuk melihat dampak dari desain terhadap proses
manufaktur. Sebagai contoh, sekrup yang para karyawan pada lini perakitan perlukan untuk
memperkuat sangat sulit untuk meraihnya (Murphy, 2012)?

Realitas yang ditambahkan (augmented reality-AR) merupakan teknologi terkait untuk mendorong
visualisasi. AR menyediakan suatu pandangan secara live baik langsung ataupun tidak langsung dari
lingkungan fisik dunia nyata yang memiliki elemen yang ditambahkan oleh pencitraan yang dihasilkan
oleh komputer virtual. Pengguna didasarkan dalam dunia fisik yang nyata, dan citra virtual dipadukan
dengan pandangan nyata untuk menciptakan tampilan yang ditambahkan. Teknologi digital
menyediakan informasi tambahan untuk mendorong persepsi dari realita, membuat di sekitar dunia
nyata dari pengguna menjadi lebih interaktif dan bermakna. Penanda kuning yang turun pertama pada
pertandingan sepakbola yang disiarkan di televisi merupakan contoh dari realitas yang ditambahkan
sebagaimana dalam prosedur-prosedur medis, seperti pembedaan yang dibantu dengan gambar, di
mana data diperoleh dari tomografi terkomputerisasi (computerized tomography-CT) dan pemindai
pencitraan resonansi magnetik (magnetic resonance imaging-MRI) atau dari pencitraan ultrasound yang
dilapiskan di atas pasien dalam ruang operasi. Industri-industri lainnya di mana AR telah ditangkap
meliputi pelatihan Penerapan realitas virtual yang dikembangkan untuk web akan menggunakan suatu
standar

kemiliteran, desain rekayasa teknik, robotik, dan desain pelanggan.

yang dinamakan Bahasa Pemodelan Realitas Virtual (Virtual Reality Modeling Language-VRML). VRML
merupakan serangkaian spesifikasi untuk permodelan 3-D, yang interaktif pada World Wide Web yang
dapat mengorganisasi berbagai tipe media, meliputi animasi, gambar, dan audio untuk menempatkan
penggunanya di dalam suatu lingkungan dunia nyata yang disimulasikan. VRML merupakan platform
independen, beroperasi melalui komputer desktop, dan memerlukan bandwidth yang kecil.

DuPont, perusahaan kimia dari Wilmington, Delaware, menciptakan aplikasi VRML yang disebut
HyperPlant, yang memungkinkan pengguna mengakses data tiga dimensi melalui internet menggunakan
perangkat lunak browser web. Para insinyur dapat melihat model tiga dimensi seolah-olah seperti
mereka sedang berjalan dalam pabrik dan melihat objek dengan mata mereka langsung. Tingkat
ketelitian setinggi ini dapat mengurangi jumlah kesalahan yang mereka buat dalam membangun
pengeboran minyak, pabrik minyak, dan bangunan lainnya.

Industri keuangan menggunakan sentra kerja investasi (investment workstation) yang terspesialisasi
seperti misalnya Bloomberg Terminal untuk memengaruhi pengetahuan dan waktu dari para pialangnya,
para pedagang, dan para manajer portofolio. Perusahaan-perusahaan, seperti Merrill Lynch dan UBS
Financial Services telah memasang sentra kerja investasi yang mengintegrasikan suatu kisaran data yang
luas baik dari sumber internal maupun eksternal, meliputi data manajemen penghubung, real-time dan
data pasar historis, serta laporan penelitian. Sebelumnya, para profesional keuangan harus
menghabiskan waktu yang cukup lama untuk mengakses data dari sistem-sistem yang terpisah dan
merangkai informasi yang mereka perlukan. Dengan menyediakan informasi satu atap yang lebih cepat
dan dengan tingkat kesalahan yang lebih sedikit, maka sentra kerja akan mempersingkat keseluruhan
proses investasi dari pemilihan saham hingga memperbarui pencatatan klien. Tabel 11.2. akan
meringkaskan tipe utama dari sistem kerja TEKNIK KECERDASAN

Kecerdasan artifisial dan teknologi database menyediakan sejumlah teknik kecerdasan yang dapat
digunakan organisasi untuk memperoleh pengetahuan dari individual dan kolektif serta untuk
memperluas dasar pengetahuan mereka. Sistem ahli, penalaran berbasis kasus, dan logika fuzzy
digunakan untuk memperoleh pengetahuan tersirat. Jaringan neural dan penelusuran data digunakan
untuk penemuan pengetahuan (knowledge discovery). Mereka dapat menemukan pola- pola yang
mendasari, kategori, dan perilaku dalam data yang besar yang menetapkan bahwa tidak dapat
ditemukan oleh para manajer semata atau hanya melalui pengalaman. Algoritme genetika digunakan
untuk menghasilkan pemecahaan bagi permasalahan yang terlalu besar, dan rumit bagi manusia untuk
menganalisis sendiri. Para agen inteligen dapat melakukan otomatisasi tugas rutin untuk membantu
perusahaan dalam mencari dan menyaring informasi untuk digunakan dalam

untuk memperoleh pengetahuan yang belum ditemukan dalam database yang besar, menyediakan

manajer dengan wawasan yang baru untuk meningkatkan kinerja bisnis. Telah menjadi alat bantu yang
penting bagi pengambilan keputusan manajemen, dan kami memberikan pembahasan yang terperinci
mengenai penelusuran data untuk mendukung pengambilan keputusan bagi manajemen

Teknik kecerdasan lainnya yang dibahas dalam bagian ini didasarkan pada teknologi kecerdasan buatan
(artificial intelligience-AI) yang terdiri atas sistem berbasis komputer (baik perangkat keras maupun
perangkat lunak) yang berupaya untuk menandingi perilaku manusia. Sistem-sistem seperti ini dapat
mempelajari bahasa, menyelesaikan tugas fisik, menggunakan peralatan persepsi, serta menandingi
keahlian manusia dan pengambilan keputusan. Meskipun penerapan Al tidak memperlihatkan luasnya,
kerumitan, keaslian, dan generalisasi kecerdasan manusia, tetapi mereka memegang peranan yang
penting dalam manajemen pengetahuan kontemporer.

MEMPEROLEH PENGETAHUAN: SISTEM AHLI

Sistem ahli (expert systems) merupakan suatu teknik kecerdasan untuk memperoleh pengetahuan
tersirat dalam wilayah yang sangat spesifik dan terbatas dari keahlian manusia. Sistem-sistem ini
memperoleh pengetahuan dari karyawan terampil dalam bentuk serangkaian aturan dalam sistem
perangkat lunak yang dapat digunakan oleh pihak lainnya dalam organisasi. Serangkaian aturan dalam
sistem ahli akan ditambahkan ke dalam memori, atau pembelajaran yang disimpan. pada perusahaan.

Sistem ahli kekurangan pengetahuan yang luas dan pemahaman mengenai prinsip-prinsip fundamental
dari manusia ahli. Mereka umumnya melaksanakan tugas yang sangat terbatas yang dapat dikerjakan
oleh para profesional dalam beberapa menit atau jam, seperti mendiagnosis mesin yang mengalami
malfungsi atau menentukan apakah akan mengabulkan pengajuan kredit suatu pinjaman ataukah tidak.
Permasalahan yang tidak dapat dipecahkan oleh manusia ahli dalam jangka waktu yang pendek jauh
lebih sulit bagi suatu sistem ahli. Namun, dengan memperoleh keahlian manusia dalam area yang
terbatas, maka sistem ahli dapat memberikan manfaat, membantu organisasi untuk mengambil
keputusan yang bermutu tinggi dengan lebih sedikit orang. Saat ini, sistem ahli digunakan secara meluas
dalam bisnis yang berlainan, situasi pengambilan keputusan yang sangat terstruktur.

Bagaimana Sistem Ahli Bekerja

Pengetahuan manusia dapat dibuat model atau direpresentasikan dalam suatu cara yang dapat diproses
oleh komputer. Sistem ahli model pengetahuan manusia merupakan suatu rangkaian aturan yang secara
kolektif disebut dengan basis pengetahuan (knowledge base). Sistem ahli yang memiliki 200 hingga
ribuan aturan tersebut, akan bergantung pada kerumitan dari permasalahan. Aturan-aturan tersebut
lebih jauh saling berkaitan dan bersarang daripada dalam suatu program perangkat lunak tradisional
(lihat Gambar 11.5).

Strategi yang digunakan untuk mencari melalui dasar pengetahuan dinamakan mesin inferensi
(inference engine). Dua strategi yang umumnya digunakan: penalaran maju dan penalaran mundur (lihat
Gambar 11.6).

Dalam penalaran maju (forward chaining), mesin inferensi mulai dengan informasi yang dimasukkan
oleh pengguna dan mencari informasi dalam basis pengetahuan untuk akhirnya

mencapai suatu keputusan. Strateginya adalah untuk menjalankan suatu tindakan sesuai aturan.

saat sebuah kondisi dipenuhi. Dalam Gambar 11.6, mulai dari kiri, jika pengguna memasukkan

nama klien dengan pendapatan lebih besar dari $100.000, mesin akan menggunakan semua

aturan secara berurutan dari kiri ke kanan. Jika pengguna kemudian memasukkan informasi

yang menyatakan bahwa klien tersebut memiliki real estat, nilal lain dari basis pengetahuan akan
muncul dan lebih banyak aturan akan diterapkan. Proses ini berlanjut terus sampai tidak ada lagi

aturan yang dapat digunakan.

Dalam penalaran mundur (backward chaining), strategi untuk mencari dalam basis pengetahuan dimulai
dengan hipotesis dan berlanjut dengan menanyakan pengguna pertanyaan tentang fakta-fakta tertentu
sampai hipotesisnya disetujui atau tidak disetujui. Dalam contoh pada Gambar 11.6, diajukan sebuah
pertanyaan, "Apakah kita harus memasukkan orang ini dalam database calon potensial kita?" Dimulai
dari diagram sebelah kanan dan bergerak ke arah kiri. Anda dapat melihat bahwa orang tersebut harus
dimasukkan dalam database tersebut jika petugas penjualan telah ditugaskan, asuransi berjangka
dikabulkan, atau penasihat keuangan mengunjungi klien tersebut.

Contoh Sistem Ahli yang Berhasil

Sistem ahli menyediakan pebisnis dengan serangkaian manfaat meliputi pengambilan keputusan yang
lebih baik, pengurangan kesalahan, menurunkan biaya, mengurangi waktu pelatihan, dan tingkat
kualitas serta pelayanan yang lebih tinggi. Con-Way Transportation membangun sistem ahli yang
dinamakan Line-haul untuk mengautomatisasikan dan mengoptimalkan perencanaan rute pengiriman
dalam semalam untuk bisnis truk bermuatannya ke seluruh wilayah. Sistem ahli menangkap aturan
bisnis yang pusat akan mengikuti ketika menugaskan para pengemudi, truk. dan trailer untuk
mengangkut 50.000 pengiriman yang muatannya berat setiap malam ke seluruh 25 negara bagian dan
Canada serta ketika merencanakan rute-rute mereka. Line-haul berjalan pada suatu platform komputer
Sun dan menggunakan data pada permintaan pengiriman pelanggan sehari-hari, para pengemudi yang
tersedia, truk, ruang trailer, dan berat yang disimpan dalam suatu database Oracle. Sistem ahli akan
menggunakan ribuan aturan dan 100.000 kode lini program yang ditulis dalam C untuk mengetatkan
angka-angka dan menciptakan rencana-rencana rute yang optimal bagi 95% dari pengiriman muatan
harian. Pusat Con-Way akan melakukan rencana rute yang disediakan oleh sistem ahli dan
menyampaikan spesifikasi rute kepada para petugas di lapangan yang bertanggung jawab untuk
mempersiapkan paket muatan ke dalam trailer untuk operasional mereka pada malam hari. Con-Way
memperoleh kembali biaya investasinya sebesar $3 juta dalam sistem tersebut dalam waktu 2 tahun
dengan mengurangi jumlah para pengemudi, mempersiapkan paket dengan lebih banyak muatan per
trailer, dan mengurangi kerusakan dari penanganan kembali. Sistem juga mengurangi tugas malam yang
sulit dari pusat (operator).

Meskipun sistem ahli kurang kuat dan kecerdasan umum manusia, mereka dapat mendatangkan
manfaat bagi organisasi jika keterbatasan mereka dapat dipahami dengan sangat baik. Hanya jenis-jenis
permasalahan tertentu yang dapat diatasi dengan menggunakan sistem ahli. Pada hakikatnya semua
sistem ahli yang berhasil dalam berurusan dengan klasifikasi permasalahan dalam wilayah pengetahuan
yang terbatas di mana terdapat secara keseluruhan beberapa alternatif hasil dan kemungkinan hasil
tersebut semuanya dapat diketahui di awal. Sistem ahli sangat kurang bermanfaat dalam berhadapan
dengan permasalahan-permasalahan yang tidak terstruktur yang biasanya dihadapi oleh para manajer.

Banyak sistem ahli yang memerlukan upaya pengembangan yang besar, lama, dan mahal. Menyewa
atau melatih lebih banyak ahli akan menjadi lebih murah daripada membangun suatu sistem ahli.
Biasanya, dalam lingkungan sistem ahli yang beroperasional secara terus-menerus akan mengalami
perubahan sehingga sistem ahli juga harus secara terus-menerus melakukan perubahan. Beberapa
sistem ahli, terutama yang besar, akan sangat rumit sehingga dalam beberapa tahun biaya
pemeliharaannya akan sama besarnya dengan biaya pengembangan.

KECERDASAN ORGANISASIONAL: PENALARAN BERBASIS KASUS

Tugas utama sistem ahli adalah menangkap pengetahuan tersirat dari seorang pakar, namun organisasi
juga harus memiliki pengetahuan dan keahlian kolektif yang telah dikembangkan selama beberapa
tahun. Pengetahuan organisasional ini dapat ditangkap dan disimpan dengan menggunakan penalaran
berbasis kasus. Dalam penalaran berbasis kasus (case-based reasoning-CBR), deskripsi dari pengalaman
masa lalu seorang spesialis yang direpresentasikan sebagai contoh kasus disimpan dalam database
untuk digunakan kembali di suatu waktu pada saat seorang pengguna berhadapan dengan kasus baru
dengan parameter yang serupa. Sistem ini mencari dalam database kasus yang memiliki karakteristik
masalah yang serupa dengan kasus baru, menemukan kasus yang paling tepat, dan menerapkan solusi
kasus lama pada kasus baru. Solusi yang sukses diberi tanda untuk digunakan kembali pada kasus baru,
dan keduanya disimpan bersama dengan kasus-kasus lainnya dalam basis pengetahuan. Solusi yang
gagal juga dicatat pada database kasus bersamaan dengan penjelasan mengapa solusi tersebut tidak
dapat digunakan (lihat Gambar 11.7).

Sistem ahli bekerja dengan menerapkan serangkaian aturan IF-THEN-ELSE yang diambil dari para pakar
(manusia). CBR, sebaliknya, merepresentasikan pengetahuan sebagai sederetan kasus, dan pengetahuan
ini terus-menerus dikembangkan dan diperbaiki oleh pengguna. Anda. akan menemukan penalaran
berbasis kasus dalam sistem diagnosis di bidang pengobatan atau dukungan pelanggan, di mana
pengguna dapat mengambil data kasus di masa lalu yang memiliki karakteristik serupa dengan kasus
yang baru. Sistem ini memberikan usulan solusi atau diagnosis berdasarkan kasus paling mirip yang
diperoleh dari database.
SISTEM LOGIKA FUZZY

Kebanyakan orang tidak berpikir dengan menggunakan aturan IF-THEN yang tradisional atau dengan
angka-angka yang tepat. Manusia cenderung mengategorikan hal-hal secara tidak tepat, dengan
menggunakan aturan pengambilan keputusan yang mungkin memiliki banyak perbedaan pengertian.
Sebagai contoh, seorang laki-laki atau perempuan dapat saja kuat atau cerdas Sebuah perusahaan dapat
digolongkan sebagai besar, sedang, atau kecil. Suatu temperatur dapat digolongkan sebagai panas,
sejuk, dingin, atau hangat. Kategori-kategori ini merepresentasikan

suatu rentang nilai. Logika fuzzy (fuzzy logic) merupakan teknologi yang berbasis pada aturan yang dapat
merepresentasikan ketidaktepatan tersebut dengan menciptakan aturan yang menggunakan perkiraan
atau nilai yang subjektif. Ini dapat menggambarkan suatu fenomena tertentu atau proses secara
linguistik dan kemudian merepresentasikan gambaran tersebut di dalam sejumlah kecil aturan yang
fleksibel. Organisasi dapat menggunakan logika fuzzy untuk menciptakan sistem

sistem yang dapat menangkap pengetahuan tersirat di mana terdapat ketidakjelasan linguistik Lihat
bagaimana logika fuzzy merepresentasikan temperatur yang bervariasi dalam suatu

aplikasi komputer untuk mengendalikan temperatur ruangan secara otomatis. Istilah (dikenal sebagai
fungsi keanggotaan) akan ditetapkan dengan tidak tepat sehingga, sebagai contoh, dalam Gambar 11.8,
sejuk berada di antara 45 derajat hingga 70 derajat, meskipun temperatur sangat jelas sejuk di antara 60
derajat hingga 67 derajat. Catatan, bahwa pengertian sejuk tersebut tumpang tindih dengan pengertian
dingin atau normal. Untuk mengendalikan lingkungan ruangan dengan menggunakan logika ini, maka
pemrogam akan mengembangkan definisi yang tidak tepat yang sama untuk kelembaban dan faktor-
faktor lainnya, seperti misalnya angin dan temperatur di luar. Aturan-aturan akan meliputi salah satu
yang menyatakan bahwa: "Jika temperatur adalah sejuk atau dingin dan kelembabannya rendah,
sementara itu angin di luar tinggi dan temperatur di luar rendah, maka akan meningkatkan panas dan
kelembaban di dalam ruangan." Komputer akan menggabungkan pembacaan fungsi keanggotaan dalam
suatu keadaan yang tertimbang dan, dengan menggunakan semua aturan yang ada, akan meningkatkan
dan menurunkan temperatur dan kelembaban.

Logika fuzzy menyediakan pemecahan atas permasalahan-permasalahan yang memerlukan keahlian

yang sulit untuk merepresentasikan dalam bentuk aturan yang ketat IF-THEN. Di Jepang. sistem kereta
api bawah tanah Sendai menggunakan kendali logika fuzzy untuk mempercepat dengan sangat lancar di
mana penumpang yang berdiri tidak perlu mencari pegangan untuk bertahan. Mitsubishi Heavy
Industries di Tokyo telah dapat menurunkan pemakaian daya pada pendingin udaranya sebesar 20%
dengan mengimplementasikan program kendali dalam logika fuzzy. Perangkat autofokus dalam kamera
hanya dimungkinkan karena logika fuzzy. Dalam contoh- contoh tersebut, logika fuzzy akan
memungkinkan perubahan yang bertahap dalam input untuk menghasilkan perubahan yang lancar
dalam output dan tidak terputus-putus, yang membuatnya menjadi berguna bagi elektronik konsumen
dan aplikasi rekayasa teknik.

Manajemen juga telah menemukan logika fuzzy yang berguna bagi pengambilan keputusan dan
pengendalian organisasional. Perusahaan Wall Street menciptakan suatu sistem yang memilih
perusahaan-perusahaan untuk proses pengambilalihan (akuisisi) yang potensial, dengan menggunakan
pemahaman bahasa para pedagang saham. Suatu sistem logika fuzzy telah dikembangkan untuk
mendeteksi kemungkinan penipuan dalam klaim pengobatan yang diserahkan oleh para penyedia
perawatan kesehatan di manapun di Amerika Serikat.

PEMBELAJARAN MESIN

Suatu mesin pembelajaran tersebut adalah mesin yang, menyerupai manusia, dapat mengenali pola-
pola dalam data, dan mengubah perilakunya yang didasarkan pada pengenalan pola-polanya,
pengalaman, atau pembelajaran sebelumnya (database). Sebagai contoh, robot yang mengemudikan
mobil dapat mengenali kehadiran dari mobil lainnya dan objek (orang), serta dengan demikian
mengubah perilakunya (berhenti, berjalan, perlahan, percepat, atau berbelok). Gagasan mengenai
program komputer yang belajar sendiri, memperbaiki sendiri, bukanlah hal baru, dan telah menjadi
bagian dari bidang kecerdasan artifisial setidaknya sejak tahun 1970-an. Hingga tahun 1990-an, namun,
pembelajaran mesin sangat kurang mampu untuk memproduksi perangkat yang berguna atau
memecahkan permasalahan yang menarik, dalam

dunia bisnis. Pembelajaran mesin telah meluas dalam 10 tahun terakhir ini karena pertumbuhan dalam
daya komputansi yang tersedia bagi ilmuwan dan perusahaan serta penurunan dalam biayanya. seiring
dengan kemajuan dalam desain algoritme, database, dan robot. Internet dan data yang besar (lihat Babs
6) yang tersedia di internet membuktikan pengujian yang sangat bermanfaat dan menyediakan dasar
bagi pembelajaran mesin.

Kita menggunakan pembelajaran mesin setiap hari, tetapi tidak mengenalinya. Setiap pencarian dengan
Google yang dipecahkan dengan menggunakan algoritme yang memeringkatkan miliaran laman web
yang didasarkan pada query Anda, dan mengubah hasil didasarkan pada perubahan yang Anda lakukan
dalam pencarian Anda, semuanya dalam beberapa mili per detik. Hasil pencarian juga sangat
disesuaikan dengan pencarian Anda sebelumnya dan hal-hal yang Anda Llik. Setiap kali Anda membeli
sesuatu di Amazon, maka mesin pemberi rekomendasinya akan menyarankan barang lainnya yang
mungkin dapat membuat Anda tertarik dengan didasarkan pada pola dalam pengeluaran Anda
sebelumnya, perilaku pada situs web, dan pembelian lainnya yang "mirip dengan Anda. Setiap saat Anda
mengunjungi Netflix, maka sistem pemberi rekomendasi skan muncul dengan film-film yang mungkin
dapat membuat Anda tertarik dengan didasarkan pada serangkai faktor-faktor yang hampir sama.

Jaringan Neural

Jaringan neural (neuralnetworks) digunakan untuk memecahkan permasalahan yang rumit, sangat sulit
untuk dipahami di mana sejumlah besar data telah dikumpulkan, Jaringan neural menemukan pola-pola
dan hubungan dalam sejumlah data yang sangat besar yang menjadikan terlalu rumit dan sulit bagi
manusia untuk menganalisisnya, Jaringan neural akan menemukan pengetahuan ini dengan
menggunakan perangkat keras dan perangkat lunak yang memperbandingkan pemrosesan dari pola-
pola biologis atau otak manusia. Jaringan neural "mempelajari" pola-pola dari kuantitas data yang besar
dengan menyaring melalui data-data, mencari hubungan, membangun model, dan mengoreksi
kesalahan model itu sendiri berkali-kali.

Jaringan neural memiliki sejumlah besar simpul yang merasakan dan memproses secara terus -menerus
berinteraksi satu sama lain. Gambar 11.9 merepresentasikan salah satu tipe dari jaringan neural yang
terdiri atas suatu lapisan input, dan suatu lapisan pemrosesan yang tersembunyi. Manusia "melatih"
jaringan dengan mengumpankannya serangkaian data pelatihan yang mana input akan memproduksi
suatu rangkaian output yang diketahui atau kesimpulan. Hal ini membantu komputer dalam
mempelajari pemecahan yang tepat dengan contoh. Sebagaimana komputer dimasukkan lebih banyak
data, setiap kasus akan dibandingkan dengan hasil yang diketahui. Jika ini berbeda, maka korelasi akan
dihitung dan diterapkan pada simpul-simpul di dalam lapisan yang tersembunyi. Langkah-langkah ini
akan diulang hingga suatu kondisi, misalnya koreksi menjadi lebih kurang daripada jumlah tertentu, akan
tercapai. Jaringan neural dalam Gambar 11.9 telah mempelajari bagaimana mengidentifikasi pembelian
kartu kredit palsu. Juga, jaringan neural yang mampu mengorganisasikan diri sendiri dapat dilatih
dengan memaparkan kepada mereka sejumlah besar data dan memungkinkan mereka untuk
menemukan pola-pola dan hubungan di dalam data. Tim penelitian Google yang dipimpin oleh ilmuwan
bidang komputer dari Stanford University, Andrew Y. Ng dan rekan dari Google, Jeff Dean baru-baru ini
menciptakan suatu

jaringan neural dengan lebih dari satu miliar koneksi yang dapat mengidentifikasi kucing Jaringan
menggunakan serangkaian 16.000 prosesor dan dimasukkan gambar kecil dari gambar-gambar

secara acak, masing-masing diekstrak dari kumpulan 10 juta video YouTuBe. Jaringan neural

mengajarkan dirinya sendiri untuk mengenali kucing-kucing, tanpa bantuan dari manusia dalam

mengidentifikasi fitur-fitur yang spesifik selama proses pembelajaran. Google meyakini bahwa

jaringan neural ini memiliki aplikasi yang menjanjikan dalam pencarian gambar, pengenalan suara,

dan mesin penerjemahan bahasa (Markoff, 2012).

Sementara itu, sistem ahli berupaya untuk menandingi atau model cara manusia dalam memecahkan
permasalahan, para perancang jaringan neural menyatakan bahwa mereka tidak memprogram
pemecahan dan tidak bertujuan untuk memecahkan permasalahan-permasalahan tertentu. Alih-alih,
para perancang jaringan neural berupaya untuk menempatkan kecerdasan ke dalam perangkat keras
dalam bentuk kemampuan untuk mempelajari yang telah digeneralisasikan. Secara kontras, sistem ahli
sangat spesifik terhadap suatu permasalahan tertentu dan tidak dapat dilatih kembali dengan mudah.

Penerapan jaringan neural dalam pengobatan, ilmu pengetahuan, dan bisnis akan membahas mengenai
permasalahan dalam pola klasifikasi, prediksi, analisis keuangan, dan pengendalian serta optimalisasi.
Dalam dunia pengobatan, penerapan jaringan neural digunakan untuk menyaring para pasien yang
terkena penyakit arteri koroner, untuk mendiagnosis para pasien yang menderita penyakit epilepsi dan
Alzheimer, serta untuk melakukan pengenalan pola dari gambar patologi. Industri keuangan
menggunakan jaringan neural untuk memahami pola-pola dalam sekumpulan data yang sangat banyak
yang dapat membantu dalam memprediksikan kinerja dari ekuitas, pemeringkatan obligasi dari
korporat, atau kepailitan korporat. Visa International menggunakan jaringan neural untuk membantu
dalam mendeteksi penipuan kartu kredit dengan memonitor semua transaksi Visa yang mengalami
perubahan mendadak dalam pola pembelian dari para

pemegang kartunya.
Terdapat banyak aspek yang membingungkan dari jaringan neural. Tidak seperti sistem ahli, yang
umumnya memberikan penjelasan atas pemecahan mereka, jaringan neural tidak selalu dapat
menjelaskan mengapa mereka sampai pada suatu pemecahan tertentu. Lebih lanjut lagi, mereka tidak
selalu dapat menjamin suatu pemecahan yang benar-benar pasti, sampai pada pemecahan yang sama
lagi dengan input data yang sama, atau selalu menjamin pemecahan yang terbaik. Mereka sangat
sensitif dan tidak dapat bekerja dengan baik jika jangkauan pelatihan mereka terlalu kecil atau terlalu
sedikit data. Dalam penerapan-penerapan yang terbaru, maka jaringan neural sangat baik digunakan
sebagai bantuan bagi para pengambil keputusan manusia dan bukannya menggantikan mereka.

Algoritme Genetika

Algoritme genetika (genetic algoritms) bermanfaat untuk menemukan pemecahan yang optimal atas
suatu permasalahan tertentu dengan memeriksa sejumlah besar kemungkinan pemecahan atas
permasalahan tersebut. Mereka didasarkan pada teknik-teknik yang diinspirasikan dengan biologi yang
evolusioner, seperti misalnya turunan, mutasi, seleksi, dan persilangan (digabungkan kembali).

Algoritme genetika bekerja dengan merepresentasikan informasi sebagai suatu deretan dari Os dan 1s.
Algoritme genetika mencari populasi dari deretan yang dihasilkan secara acak dari angka biner untuk
mengidentifikasi deretan yang tepat yang merepresentasikan kemungkinan pemecahan terbaik bagi
permasalahan. Sebagaimana pemecahan akan berubah dan bergabung, maka yang terburuk akan
disingkirkan dan yang lebih baik akan bertahan untuk dilanjutkan dalam menghasilkan pemecahan-
pemecahan yang lebih baik.

Dalam Gambar 11.10, tiap-tiap deretan akan terhubung pada salah satu peubah (variabel) dalam
permasalahan. Salah satu menerapkan ujian bagi kesesuaian, dengan memeringkatkan deretan dalam
populasi disesuaikan dengan tingkat keinginan mereka sebagai kemungkinan pemecahan. Setelah
populasi awal telah dievaluasi kesesuaiannya, maka algoritme kemudian menghasilkan generasi
berikutnya dari deretan, yang terdiri atas deretan-deretan yang melewati ujian kesesuaian ditambah
keturunan deretan yang dihasilkan dari menyilangkan pasangan deretan, dan menguji kesesuaian
mereka. proses tersebut terus-menerus berlanjut hingga suatu pemecahan dapat dicapai.

Algoritme genetika digunakan untuk memecahkan permasalahan yang sangat dinamis dan

rumit, yang melibatkan ratusan atau ribuan peubah atau formula. Permasalahan harus berupa salah
satu di mana kisaran kemungkinan pemecahan dapat direpresentasikan secara genetik dan kriteria

dapat ditentukan untuk mengevaluasi kesesuaian. Algoritme genetika mempercepat pemecahan

karena mereka dapat mengevaluasi banyak alternatif pemecahan dengan cepat untuk menemukan

salah satu yang terbaik. Sebagai contoh, para insinyur pada General Electric menggunakan algoritme pek
membantu dalam mengoptimalkan desain untuk mesin pesawat terbang tarbin je yang mana setiap
perubahan dessin diperlukan perubahan sampai dengan 100 peubah Perangkat Junk maniemen rantal
pkan dari 12 Technologies menggunakan algoritme groetika untuk mengoptimalkan model penindesten
produksi yang memadukan ratusan ribu rincian mengu pesanan pelanggan, beterendian bahan material
dan mimber daya, kapabilitas manifaktur dan distrito, sets tanggal pengiriman

AGEN INTELIGEN

Teknologi agen inteligen skan membantu pebonix untuk membuat navigasi melalui sejumlah besar data
untuk menempatkan dan bertindak atas informasi yang dianggap penting. Agen inteligen Cntelligent
agent) merupakan program perangkat lunak yang bekerja tamps intervensi secar langsung dari manusia
untuk melaksanakan tugas tertentu bagi seorang pengguna individual, proses hints, sta aplikasi
perangkat lunak Agen menggunakan basis pengetahuan yang dipelajari. atau dibangun untuk
menyelesaikan tugas-tugas atau mengambil keputusan dalam kepentingan pengguna, seperti
menghapus e-mail sampah, menjadwalkan janji pertemuan atas bepergian dengan menggunakan
jaringan yang saling terhubung untuk menemukan tarif pesawat yang paling murah ke Californis

Terdapat banyak penerapan agen inteligen saat ini dalam sistem operasi, perangkat lunak aplikasi,
sistem e-mail, perangkat lunak komputasi mobile, dan alat bantu jaringan. Sebagai contoh. wizard yang
ditemukan dalam alat bantu perangkat lunak Microsoft Office memiliki kapabilitas yang triah ada untuk
menunjukkan kepada para pengguna bagaimana menyelesaikan tugas-tugas yang beraneka macam,
seperti memformat dokumen atau membuat grafik, dan untuk mengantisipasi ketika para penggana
memerlukan bantuan. Bab 10 menggambarkan bagaimana agen inteligen robot belanja dapat
membantu pelanggan untuk menemukan produk yang mereka inginkan dan) membantu mereka dalam
membandingkan harga dan fitur-fitur lainnya. Meskipun beberapa agen inteligen diprogram untuk
mengikuti suatu rangkaian aturan yang

anderhana, tetapi yang lainnya dapat belajar dari pengalaman dan menyesuaikan perilaku mereka. Siri,
suatu aplikasi dari sistem operasi IOS milik Apple untuk iPhone dan iPad, merupakan suatu contoh. Siri
merupakan asisten pribadi yang cerdas yang menggunakan teknologi pengenalan suara untuk menjawab
pertanyaan, membuat rekomendasi, dan melakukan tindakan. Perangkat Junak ini menyesuaikan diri
dengan pilihan individual dari penggunanya dari waktu ke waktu dan mempersonalisasikan hasil,
mengerjakan tugas seperti menemukan restoran-restoran yang dekat, membeli tiket bioskop,
memperoleh petunjuk arah, menjadwalkan janji pertemuan, dan mengirimkan pesan. Siri memahami
suara yang alamiah, dan mengajukan pertanyaan kepada penggunanya jika memerlukan lebih banyak
informasi untuk menyelesaikan suatu tugas. Siri tidak memproses input suara setempat pada perangkat
penggunanya. Sebaliknya, dia mengirimkan perintah melalui server jarak jauh sehingga para
penggunanya harus terhubung dengan Wi-Fi atau sinyal 3G

Banyak fenomena yang rumit yang dapat dimodelkan sebagai sistem dari agen-agen yang mandiri yang
mengikuti aturan sederhana untuk berinteraksi. Aplikasi permodelan berbasis agen (agent-based
modeling) dikembangkan untuk meniru perilaku dari pelanggan, pasar saham, dan rantai pasokan, serta
untuk memprediksi penyebaran dari epidemi.

Procter & Gamble (P&G) menggunakan permodelan berbasis agen untuk meningkatkan koordinasi di
antara para anggota yang berbeda dari rantai pasokannya dalam menanggapi

sebagai suatu kelompok dari "agen" yang semi mandiri merepresentasikan komponen-komponen rantai
pasokan individual, seperti truk, fasilitas produksi, distributor, dan gerai pengecer. Perilaku dari tiap-tiap
agen akan diprogram untuk mengikuti aturan yang meniru perilaku yang sebenarnya. seperti
"melakukan pesanan barang ketika kehabisan persediaan. Simulasi dengan menggunakan agen akan
memungkinkan bagi perusahaan untuk menyelenggarakan analisis "bagaimana-jika" terhadap tingkat
persediaan, kehabisan persediaan di dalam gerai, dan biaya transportasi

Dengan menggunakan model agen, P&G menemukan bahwa truk-truk akan sering diberangkatkan
sebelum terisi penuh. Meskipun biaya transportasi menjadi lebih tinggi dengan menggunakan truk yang
hanya terisi sebagian saja, tetapi simulasi menunjukkan bahwa gerai pengecer yang kehabisan
persediaan tidak sering terjadi, dengan demikian akan menurunkan jumlah penjualan yang hilang, yang
mana akan lebih besar daripada menutup biaya distribusi yang lebih tinggi. Pemodelan berbasis agen
telah membantu P&G menghemat $300 juta setiap tahunnya atas investasi yang nilainya hanya kurang
dari 1 persen dari jumlah tersebut.

SISTEM AI HIBRIDA
Algoritme genetika, logika fuzzy, jaringan neural, dan sistem ahli dapat diintegrasikan ke dalam

aplikasi tunggal untuk memperoleh keunggulan dari fitur teknologi yang terbaik. Sistem-sistem

seperti itu disebut dengan sistem Al hibrida (hybrid Al systems). Aplikasi hibrida dalam bisnis terus

bertumbuh. Di Jepang, Hitachi, Mitsubishii, Ricoh, Sanyo, dan yang lainnya mulai memadukan Al hibrida
dalam produk-produk seperti misalnya peralatan rumah tangga, mesin pabrik, dan peralatan kantor.
Matsushita telah mengembangkan mesin cuci "neurofuzzy" yang memadukan logika fuzzy dengan
jaringan neural. Nikko Securities telah menjalankan sistem neurofuzzy untuk meramalkan
pemeringkatkan obligasi yang dapat dikonversi.