Minggu, 19 Maret 2017

TUTORIAL MEMBUAT ANIMASI 2 DIMENSI MENGGUNAKAN MACROMEDIA FLASH

Tugas Softskill Pengantar Animasi & Desain Grafis

Nama Kelompok :

-         -  Irfani Margi Prakoso
-          - Muhamad Lukmanul Hakim


 Untuk kali ini, kami akan memberikan tutorial bagaimana cara menggerakan suatu objek. Dan tema projek yang akan dibuat ialah “Ketamakan”. Untuk pertama-tama, kita masukkan background animasi (2 dimensi) yang diinginkan pada layer 1. Kita blok frame sampai pada durasi yang diinginkan, lalu kita klik kanan,pilih “insert keyframe”. Untuk menggerakan objek,kita klik kanan,pilih “Create Motion Tween”. Pindahkan gambar awal menuju tempat terakhir yang diinginkan
Jika kita ingin membalikkan objek gambar, kita klik “Modify”,kita pilih “transform”, lalu kita pilih “Flip Horizontal”.

Jika kita ingin mengganti gambar di dalam layer yang sama, kita “cut” bagian yang ingin diganti,lalu kita masukkan gambar yang diinginkan




Dari gambar tersebut, objek dapat berputar selama waktu yang kita atur.


Setelah itu kita buat scene 3. Cara membuat scene 3,sama seperti kita membuat scene 1. Ulangi langkah-langkah tersebut.

Dan pada scene 4, jika kita ingin menambahkan gambar, jangan digabung pada layer yang sama. Karena,hal tersebut dapat mengakibatkan objek bergerak secara bersamaan. Kita harus menambahkan satu layer tambahan



Minggu, 12 Maret 2017

ANALISIS AKSES JARINGAN WEB

Disini saya akan membahas tentang analisis akses jaringan komputer ke salah satu web. Tujuan dari analisis ini adalah untuk mengetahui kecepatan koneksi yang dimiliki untuk bisa mencapai ke website yang akan diakses.

Pertama yang dilakukan adalah mengetahui kecepatan internet,yaitu dengan mengecek lewat speedtest.net

Berikut adalah kecepatan koneksinya :
Dari data diatas didapat, kecepatan akses berkisaran 1mbps dengan ping 29ms. Jadi dapat disimpulkan kecepatan internet yang saya punya adalah lambat. Lalu saya akan mengecek sekaligus mengetahui salah satu domain/website yang Kampus Gunadarma miliki. Salah satunya saya akan mengecek web studentsite.gunadarma.ac.id 
Berikut ulasannya :
Dari sini bisa diketahui ip address dari website studentsite ini adalah 192.168.43.1. kemudian kita akan mengecek traffic dari website tersebut dengan similarweb.com yang notabenenya adalah website untuk mengetahui Backlink pada sebuah website agar mengoptimalisasian SEO dengan baik.


Dilihat pada traffic yang di cek di website bahwa studentsite.gunadarma.ac.id mencapai 146.90 ribu pengunjung dalam kurun waktu 6 bulan terakhir. Dan berdasarkan traffic by countries nya,94% lebih pengunjung websitenya adalah dari Indonesia sementara di tingkat nomor 2 ada United States atau Amerika diikuti dengan Singapura, Jerman, dan beberapa negara lainnya. dengan rata-rata pengunjung selama 4 menit kemungkinan akan menyebabkan beratnya akses ke situs tersebut.

Setelah melihat traffic yang ada pada website tersebut, barulah saya akan mengecek stabilitas internet yang saya miliki menuju website studentsite.gunadarma.ac.id menggunakan Command Prompt pada Windows atau menggunakan terminal pada linux dengan cara mengetik ping(spasi)nama_domain. 

Berikut adalah ulasannya :
Setelah kita melakukan pengecekan ping pada website tersebut, maka kita bisa melihat latency yang kita kirim berbeda dengan apa yang kita lihat pada speedtest tadi. Ini membuktikan bahwa pada website tertentu,stabilitas internet dapat berbeda-beda, Dari data yang kita lihat pada speedtest kita mendapati 29ms dan pada website studentsite, kita mendapati 100-ms yang berarti kestabilannya cukup buruk.


Senin, 16 Januari 2017

FUZZY EXPERT SYSTEM/SISTEM PAKAR FUZZY

         Sistem Pakar Fuzzy merupakan penggabungan sistem pakar dan sistem Fuzzy. Penerapan sistem Fuzzy dalam sistem pakar bertujuan untuk merepresentasikan pengetahuan pakar pada lingkungan yang tidak pasti, tidak lengkap, dan sangat kompleks (Kandel 2001, Marimin 2005). Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamik serta memiliki kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tidak pasti dan tidak tepat. Sistem fuzzy menduga suatu fungsi dengan logika fuzzy yang digunakan untuk menangani konsep derajat kebenaran, yaitu nilai kebenaran antara benar dan salah. Oleh karena itu, logika fuzzy sering menggunakan informasi linguistik dan verbal.

       Sistem Pakar Fuzzy mengembangkan sistem pakar yang menggunakan logika fuzzy secara keseluruhan (Negnevitsky 2005; Bukley dan Siler 2005), yang meliputi gugus fuzzy, aturan fuzzy if- then, serta proses inferensi. Gugus fuzzy merupakan perangkat yang tepat untuk mengekspresikan ke-ambiguity-an yang diperlukan oleh komputer untuk mengerti bahasa manusia yang tidak dapat diselesaikan dengan logika biasa.

        Pada umumnya, sistem Pakar Fuzzy terdiri dari dua modul utama yaitu basis pengetahuan (knowledge base) dan mesin penyimpul (inference engine) serta modul tambahan yang disebut memori kerja (working memory). Basis pengetahuan digunakan untuk menangkap keahlian pakar sedangkan mesin penyimpul mencontoh cara dan proses penalaran pakar. Memori kerja akan menampung fakta yang diberikan oleh pengguna dan menjadi perantara kesimpulan yang diambil dari prosedur inferensi.

        Sistem pakar atau sistem berbasis pengetahuan kecerdasan (Intelligent Knowledge Based System) merupakan salah satu bagian dari kecerdasan buatan (Artificial Intelligent) yang memungkinkan komputer dapat berpikir dan mengambil kesimpulan dari sekumpulan aturan. Tujuan dari pengembangan sistem pakar adalah untuk menghasilkan suatu sistem yang dapat membantu pekerjaan manusia, terutama yang berhubungan dengan pemanfaatan keahlian dan pengalaman di suatu bidang tertentu secara lebih efektif dan efisien.

         Sistem pakar akan menyimpan dan mengelola keahlian atau pengetahuan dari seorang pakar. Pengetahuan yang ada pada sistem pakar juga dapat berasal dari buku, majalah, atau sumber-sumber tertulis lainnya. Pengetahuan yang dimiliki sistem pakar akan digunakan untuk mengolah fakta-fakta dari pengguna sehingga dapat dihasilkan suatu kesimpulan yang akan diberikan kembali kepada penggunanya. Kesimpulan itu dapat dianggap sebagai hasil dari konsultasi yang diberikan oleh seorang pakar.

        Marimin (2005) menyebutkan bahwa pada prinsipnya, sistem pakar tersusun dari beberapa komponen yang mencakup 1) fasilitas akuisisi pengetahuan, 2) sistem berbasis pengetahuan (Knowledge  Based  System)  , 3) mesin inferensi (inference engine), 4) fasilitas untuk penjelasan dan justifikasi, dan 5) penghubung antara pengguna dan sistem pakar (user interface). Tahapan pembentukan sistem pakar pada dasarnya disusun oleh tiga unsur utama sistem yaitu 1) basis pengetahuan, 2) mesin inferensi, dan 3) implementasi.

       Akuisisi pengetahuan merupakan salah satu tahap penting dalam pengembangan sistem pakar. Pada tahap ini, dilakukan proses pengumpulan pengetahuan dari pakar oleh perekayasa pengetahuan (knowledge engineer). Sebagai salah satu elemen dalam sistem pakar, fasilitas akuisisi pengetahuan digunakan sebagai alat untuk mengisi atau mendapatkan pengetahuan, fakta, aturan, dan model yang diperlukan oleh sistem pakar dari berbagai sumber (Marimin  2007) seperti : akuisisi pengetahuan dari para pakar, pengorganisasian dari beberapa buku, jurnal, data, dasar dan media lain yang relevan dengan ruang lingkup sistem pakar yang akan dikembangkan, penyeleksian hasil deduksi dan induksi dari pengetahuan yang sudah tersimpan dalam sistem pakar atau yang berupa pengalaman langsung.

       Terdapat tiga cara akuisisi pengetahuan (Buchanan dan Shorliffe 1984 dalam Fu 1994 di dalam Yuliasih dan Marimin 2003) yaitu : 1) handcrafting, dimana pengembang sistem mengkodekan pengetahuan (knowledge) langsung ke dalam program, 2) knowledge engineering, dimana akuisisi pengetahuan pakar dilakukan dengan cara kerjasama dengan pakar domain baik secara langsung maupun tidak, agar diperoleh pola dan bentuk pengetahuan yang nantinya disusun ke dalam basis pengetahuan, dan 3) machine learning, dimana pengetahuan diekstrak dari contoh-contoh pelatiham yang diujikan pada komputer.

       Representasi pengetahuan merupakan bagian yang memuat obyek-obyek pengetahuan serta hubungan yang dimiliki antar obyek tersebut. Menurut Reichgelt (1991) dalam Fu (1994) di dalam Yuliasih dan Marimin (2003) ada empat tingkat representasi pengetahuan, yaitu : 1) level implementasi, berkaitan dengan kemungkinan pembuatan program pengetahuan bagi bahasa representasi pemrograman, 2) level logic, berhubungan dengan sifat-sifat fisik bahasa pengetahuan (seperti : makna suatu ekspresi, prosedur inferensi yang berkaitan), 3) level epistemologikal, berkaitan dengan struktur pengetahuan (misalnya jaringan semantik) dan strategi inferensi bahasa representasi pengetahuan, dan 4) level konseptual, berkaitan dengan hal-hal dasar yang aktual (misalnya konsep, obyek dan lainnya) dari bahasa representasi pengetahuan.

       Mesin inferensi merupakan komponen dalam sistem pakar yang akan memanipulasi dan mengarahkan pengetahuan pada basis pengetahuan untuk memperoleh kesimpulan. Mesin inferensi dikategorikan dalam dua tipe (Fu, 1994 dalam Yuliasih dan Marimin 2003) yaitu : 1) mesin inferensi yang tidak menghitung tingkat kepercayaan untuk setiap kesimpulan yang dihasilkan, dan 2) mesin inferensi yang menghitung tingkat kepercayaan untuk setiap kesimpulan yang dihasilkan. Kesimpulan yang dihasilkan oleh sistem pakar diperoleh melalui pengujian fakta dan kaidah yang ada pada basis pengetahuan. Jika diperlukan, mesin inferensi juga dapat menambahkan fakta baru ke dalam basis pengetahuan.

       Sistem pakar dapat diterapkan untuk berbagai permasalahan yang bersifat cukup kompleks dan permasalahan yang memiliki algoritma kurang jelas dalam pemecahannya sehingga dibutuhkan kemampuan seorang atau beberapa pakar untuk mencari sistematika penyelesaiannya secara evolutif. Oleh karena itu, sistem pakar dapat digunakan untuk permasalahan bersifat analitik, sintesis, dan integratif yang dihadapi oleh berbagai industri.


Sumber :

Bukley JJ, Siler W. 2005. Fuzzy Expert Systems and Fuzzy Reasoning. New Jersey : John Wiley & Sons.
Kandel A. 2001. Fuzzy Expert System. Florida : CRC Press.
Marimin. 2005. Teori dan aplikasi Sistem Pakar dalam teknologi manajerial. Bogor : IPB Press.
Negnevitsky M. 2005. Artificial Intelligence : A Guide to Intelligent Systems. London : Addison-Wesley.
Yuliasih I,  Marimin.  2003. Desain Perlakuan Pasca Panen Terhadap Kesegaran Bunga Potong Lili Dengan Pendekatan Sistem Pakar Fuzzy. Jurnal Teknik Industri Pertanian 12 (1) : 14 – 22.
http://blog.trisakti.ac.id/triwulandarisd/2012/01/04/sistem-pakar-fuzzy-fuzzy-expert-system/

Jumat, 13 Januari 2017

SISTEM PAKAR : MAIN AREA & PENJELASANNYA

MAIN AREA DARI SISTEM PAKAR

       Sebelumnya,apa sih itu Sistem Pakar? Apa itu Knowledge Base? Apa itu Mesin Inferensi? dan apa saja hal-hal yang mendukung serta aspek faktor dari sistem pakar itu sendiri? Sebelum masuk lebih jauh,kita harus tahu terlebih dahulu pengertian-pengertiannya. Disini akan dibahas secara rinci.

       Jadi, Sistem Pakar (Expert System) adalah usaha untuk menirukan seorang pakar. Kepakaran (expertise) adalah pengetahuan yang ekstensif (meluas) dan spesifik yang diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman. Dalam sistem pakar ada 4 komponen utama menurut Hu et al (1987) meliputi:

Basis Pengetahuan (Knowledge Base)
       Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui.

Mesin Inferensi (Inference Engine)
     Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi penalaran dan strategi pengendalian. Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada keadaan sebaliknya.Strategi pengendalian berfungsi sebagai panduan arah dalam melakukan prose penalaran. Terdapat tiga tehnik pengendalian yang sering digunakan, yaitu forward chaining, backward chaining, dan gabungan dari kedua teknik pengendalian tersebut.

Basis Data (Data Base)
        Basis data terdiri atas semua fakta yang diperlukan, dimana fakta fakta tersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam sistem. Basis data menyimpan semua fakta, baik fakta awal pada saat sistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saat proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan untuk menyimpan data hasil observasi dan data lain yang dibutuhkan selama pemrosesan.

Antarmuka Pemakai (User Interface)
 Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai dengan komputer.

Teknik Representasi Pengetahuan
       Representasi pengetahuan adalah suatu teknik untuk merepresentasikan basis pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi/keterhubungan antara suatu data dengan data yang lain. Teknik ini membantu knowledge engineer dalam memahami struktur pengetahuan yang akan dibuat sistem pakarnya. Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan dalam pengembangan suatu sistem pakar, yaitu

Rule-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules). Bentuk representasi ini terdiri atas premise dan kesimpulan.

Frame-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame.

Object-Based Knowledge
Pengetahuan direpresentasikan sebagai jaringan dari obyek-obyek. Obyek adalah elemen data yang terdiri dari data dan metoda (proses).

Case-Base Reasoning
Pengetahuan direpresentasikan dalam bentuk kesimpulan kasus (cases).

Inferencing dengan Rule : Forward dan Backward Chaining

       Inferensi dengan rules merupakan implementasi dari modus ponen, yang direfleksikan dalam mekanisme search (pencarian). Dapat pula mengecek semua rule pada knowledge base dalam arah forward maupun backward. Proses pencarian berlanjut sampai tidak ada rule yang dapat digunakan atau sampai sebuah tujuan (goal) tercapai. Ada dua metode inferencing dengan rules, yaitu forward chaining atau data-driven dan backward chaining atau goal-driven.

Backward chaining

      Menggunakan pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut.
Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining.
Forward chaining

       Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert konklusi. Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh. Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.

AREA PERMASALAHAN APLIKASI SISTEM PAKAR (DOMAIN SISTEM PAKAR)

Ada beberapa area permasalahan dalam pengaplikasian sistem pakar,diantaranya :

1. Interpretasi
       Yaitu pengambilan keputusan dari hasil observasi, diantaranya : pengawasan, pengenalan ucapan, analisis citra, interpretasi sinyal, dan beberapa analisis kecerdasan.

2. Prediksi
   Memprediksi akibat-akibat yang dimungkinkan dari situasi-situasi tertentu, diantaranya : peramalan, prediksi demografis, peramalan ekonomi, prediksi lalu lintas, estimasi hasil, militer, pemasaran, atau peramalan keuangan.

3. Diagnosis
      Menentukan sebab malfungsi dalam situasi kompleks yang didasarkan pada gejala-gejala yang teramati, diantaranya : medis, elektronis, mekanis, dan diagnosis perangkat lunak.

4. Desain
       Menentukan konfigurasi komponen-komponen sistem yang cocok dengan tujuan-tujuan kinerja tertentu dan kendala-kendala tertentu, diantaranya : layout sirkuit, perancangan bangunan.

5. Perencanaan
       Merencanakan serangkaian tindakan yang akan dapat mencapai sejumlah tujuan dengan kondisi awal tertentu, diantaranya : perencanaan keuangan, komunikasi, militer, pengembangan politik, routing dan manajemen proyek.

6. Monitoring
       Membandingkan tingkah laku suatu sistem yang teramati dengan tingkah laku yang diharapkan darinya, diantaranya : Computer Aided Monitoring System.

7. Debugging dan Repair
     Menentukan dan mengimplementasikan cara-cara untuk mengatasi malfungsi, diantaranya : memberikan resep obat terhadap suatu kegagalan.

8. Instruksi
         Melakukan instruksi untuk diagnosis, debugging dan perbaikan kinerja.

9. Kontrol
       Mengatur tingkah laku suatu environment yang kompleks seperti control terhadap interpretasi-interpretasi, prediksi, perbaikan dan monitoring kelakuan sistem.

10. Seleksi
         Mengidentifikasi pilihan terbaik dari sekumpulan (list) kemungkinan.

11. Simulasi
         Pemodelan interaksi antara komponen-komponen sistem.

Sumber:


Senin, 09 Januari 2017

POHON KEPUTUSAN : MODEL POHON KEPUTUSAN

Model Pohon Keputusan 

       Setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. Contoh di Gambar  adalah identifikasi pembeli komputer,dari pohon keputusan tersebut diketahui bahwa salah satu kelompok yang potensial membeli komputer adalah orang yang berusia di bawah 30 tahun dan juga pelajar. Setelah sebuah pohon keputusan dibangun maka dapat digunakan untuk mengklasifikasikan record yang belum ada kelasnya. Dimulai dari node root, menggunakan tes terhadap atribut dari record yang belum ada kelasnya tersebut lalu mengikuti cabang yang sesuai dengan hasil dari tes tersebut, yang akan membawa kepada internal node (node yang memiliki satu cabang masuk dan dua atau lebih cabang yang keluar), dengan cara harus melakukan tes lagi terhadap atribut atau node daun. Record yang kelasnya tidak diketahui kemudian diberikan kelas yang sesuai dengan kelas yang ada pada node daun. Pada pohon keputusan setiap simpul daun menandai label kelas. Proses dalam pohon keputusan yaitu mengubah bentuk data (tabel) menjadi model pohon (tree) kemudian mengubah model pohon tersebut menjadi aturan (rule)

      Setiap nilai atribut dari predictor variable akan memiliki cabang menuju predictor variable selanjutnya, dan seterusnya hingga tidak dapat dipecah dan menuju pada target variable.
Penentuan apakah diteruskan menuju predictor variable (decision node) atau menuju target variable (leaf node) tergantung pada keyakinan (knowledge) apakah potential customer dengan nilai atribut variable keputusan tertentu memiliki keakuratan nilai target variable 100% atau tidak. Misalnya pada kasus di atas untuk saving medium, ternyata knowledge yang dimiliki bahwa untuk seluruh potential customer dengan saving medium memiliki credit risk yang baik dengan keakuratan 100%. Sedangkan untuk nilai low asset terdapat kemungkinan good credit risk dan bad credit risk.
Jika tidak terdapat pemisahan lagi yang mungkin dilakukan, maka algoritma decision tree akan berhenti membentuk decision node yang baru. Seharusnya setiap branches diakhiri dengan “pure” leaf node, yaitu leaf node dengan target variable yang bersifat unary untuk setiap records pada node tersebut, di mana untuk setiap nilai predictor variable yang sama akan memiliki nilai target variable yang sama. Tetapi, terdapat kemungkinan decision node memiliki “diverse” atributes, yaitu bersifat non‐unary untuk nilai target variablenya, di mana untuk setiap record dengan nilai predictor variable yang sama ternyata memiliki nilai target variable yang berbeda. Kondisi tersebut menyebabkan tidak dapat dilakukan pencabangan lagi berdasarkan nilai predictor variable. Sehingga solusinya adalah membentuk leaf node yang disebut “diverse” leaf node, dengan menyatakan level kepercayaan dari diverse leaf node tersebut. 

Balanced Scorecard

       Konsep Balanced Scorecard selanjutnya akan disingkat BSC. BSC adalah pendekatan terhadap strategi manajemen yang dikembangkan oleh Drs.Robert Kaplan (Harvard Business School) and David Norton pada awal tahun 1990. BSC berasal dari dua kata yaitu balanced (berimbang) dan scorecard (kartu skor). Balanced (berimbang) berarti adanya keseimbangan antara performance keuangan dan non-keuangan, performance jangka pendek dan performance jangka panjang, antara performance yang bersifat internal dan performance yang bersifat eksternal. Sedangkan scorecard (kartu skor) yaitu kartu yang digunakan untuk mencatat skor performance seseorang. Kartu skor juga dapat digunakan untuk merencanakan skor yang hendak diwujudkan oleh seseorang di masa depan.

Keunggulan Balanced Scorecard
Dalam perkembangannya BSC telah banyak membantu perusahaan untuk sukses mencapai tujuannya. BSC memiliki beberapa keunggulan yang tidak dimiliki sistem strategi manajemen tradisional. Strategi manajemen tradisional hanya mengukur kinerja organisasi dari sisi keuangan saja dan lebih menitik beratkan pengukuran pada hal-hal yang bersifat tangible, namun perkembangan bisnis menuntut untuk mengubah pandangan bahwa hal-hal intangible juga berperan dalam kemajuan organisasi. BSC menjawab kebutuhan tersebut melalui sistem manajemen strategi kontemporer, yang terdiri dari empat perspektif yaitu: keuangan, pelanggan, proses bisnis internal serta pembelajaran dan pertumbuhan.
Keunggulan pendekatan BSC dalam sistem perencanaan strategis (Mulyadi, 2001, p.18) adalah mampu menghasilkan rencana strategis, yang memiliki karakteristik sebagai berikut 
(1) komprehensif,
(2) koheren, 
(3) seimbang dan 
(4) terukur

Perspektif dalam Balanced Scorecard

       Adapun perspektif-perspektif yang ada di dalam BSC adalah sebagai berikut:

1. Perspektif Keuangan
        BSC memakai tolak ukur kinerja keuangan seperti laba bersih dan ROI, karena tolak ukur tersebut secara umum digunakan dalam perusahaan untuk mengetahui laba. Tolak ukur keuangan saja tidak dapat menggambarkan penyebab yang menjadikan perubahan kekayaan yang diciptakan perusahaan atau organisasi (Mulyadi dan Johny Setyawan, 2000).
      Balanced Scorecard adalah suatu metode pengukuran kinerja yang di dalamnya ada keseimbangan antara keuangan dan non-keuangan untuk mengarahkan kinerja perusahaan terhadap keberhasilan. BSC dapat menjelaskan lebih lanjut tentang pencapaian visi yang berperan di dalam mewujudkan pertambahan kekayaan tersebut (Mulyadi dan Johny Setyawan, 2000) sebagai berikut:

1. Peningkatan customer 'yang puas sehingga meningkatkan laba (melalui peningkatan revenue).
2. Peningkatan produktivitas dan komitmen karyawan sehingga meningkatkan laba (melalui peningkatan cost effectiveness).
3. Peningkatan kemampuan perusahaan untuk menghasilkan financial returns dengan mengurangi modal yang digunakan atau melakukan investasi dalam proyek yang menghasilkan return yang tinggi.

       Di dalam Balanced Scorecard, pengukuran finansial mempunyai dua peranan penting, di mana yang pertama adalah semua perspektif tergantung pada pengukuran finansial yang menunjukkan implementasi dari strategi yang sudah direncanakan dan yang kedua adalah akan memberi dorongan kepada 3 perspektif yang lainnya tentang target yang harus dicapai dalam mencapai tujuan organisasi.
Menurut Kaplan dan Norton, siklus bisnis terbagi 3 tahap, yaitu: bertumbuh (growth), bertahan (sustain), dan menuai (harvest), di mana setiap tahap dalam siklus tersebut mempunyai tujuan fmansial yang berbeda. Growth merupakan tahap awal dalam siklus suatu bisnis. Pada tahap ini diharapkan suatu bisnis memiliki produk baru yang dirasa sangat potensial bagi bisnis tersebut.
    Untuk itu, maka pada tahap growth perlu dipertimbangkan mengenai sumber daya untuk mengembangkan produk baru dan meningkatkan layanan, membangun serta mengembangkan fasilitas yang menunjang produksi, investasi pada sistem, infrastruktur dan jaringan distribusi yang akan mendukung terbentuknya hubungan kerja secara menyeluruh dalam mengembangkan hubungan yang baik dengan pelanggan. Secara keseluruhan tujuan finansial pada tahap ini adalah mengukur persentase tingkat pertumbuhan pendapatan, dan tingkat pertumbuhan penjualan di pasar sasaran.
Tahap selanjutnya adalah sustain (bertahan), di mana pada tahap ini timbul pertanyaan mengenai akan ditariknya investasi atau melakukan investasi kembali dengan mempertimbangkan tingkat pengembalian yang mereka investasikan. Pada tahap ini tujuan finansial yang hendak dicapai adalah untuk memperoleh keuntungan. Berikutnya suatu usaha akan mengalami suatu tahap yang dinamakan harvest (menuai), di mana suatu organisasi atau badan usaha akan berusaha untuk mempertahankan bisnisnya. Tujuan finansial dari tahap ini adalah untuk untuk meningkatkan aliran kas dan mengurangi aliran dana.

2. Perspektif Pelanggan
       Dalam perspektif pelanggan, perusahaan perlu terlebih dahulu menentukan segmen pasar dan pelanggan yang menjadi target bagi organisasi atau badan usaha. Selanjutnya, manajer harus menentukan alat ukur yang terbaik untuk mengukur kinerja dari tiap unit operasi dalam upaya mencapai target finansialnya. Selanjutnya apabila suatu unit bisnis ingin mencapai kinerja keuangan yang superior dalam jangka panjang, mereka harus menciptakan dan menyajikan suatu produk baru/jasa yang bernilai lebih baik kepada pelanggan mereka (Kaplan, dan Norton, 1996).
      Produk dikatakan bernilai apabila manfaat yang diterima produk lebih tinggi daripada biaya perolehan (bila kinerja produk semakin mendekati atau bahkan melebihi dari apa yang diharapkan dan dipersepsikan pelanggan). Perusahaan terbatas untuk memuaskan potential customer sehingga perlu melakukan segmentasi pasar untuk melayani dengan cara terbaik berdasarkan kemampuan dan sumber daya yang ada. Ada 2 kelompok pengukuran dalam
perspektif pelanggan, yaitu:

1. Kelompok pengukuran inti (icore measurement group).
    Kelompok pengukuran ini digunakan untuk mengukur bagaimana perusahaan memenuhi kebutuhan pelanggan dalam mencapai kepuasan, mempertahankan, memperoleh, dan merebut pangsa pasar yang telah ditargetkan. Dalam kelompok pengukuran inti, kita mengenal lima tolak ukur, yaitu: pangsa pasar, akuisisi pelanggan (perolehan pelanggan), retensi pelanggan (pelanggan yang dipertahankan), kepuasan pelanggan, dan profitabilitas pelanggan.

2. Kelompok pengukuran nilai pelanggan (customer value proposition).
       Kelompok pengukuran ini digunakan untuk mengetahui bagaimana perusahaan mengukur nilai pasar yang mereka kuasai dan pasar yang potensial yang mungkin bisa mereka masuki. Kelompok pengukuran ini juga dapat menggambarkan pemacu kinerja yang menyangkut apa yang harus disajikan perusahaan untuk mencapai tingkat kepuasan, loyalitas, retensi, dan akuisisi pelanggan yang tinggi. Value proposition menggambarkan atribut yang disajikan perusahaan dalam produk/jasa yang dijual untuk menciptakan loyalitas dan kepuasan pelanggan. Kelompok pengukuran nilai pelanggan terdiri dari:

a. Atribut produk/jasa, yang meliputi: fungsi, harga, dan kualitas produk.
b. Hubungan dengan pelanggan, yang meliputi: distribusi produk kepada pelanggan, termasuk respon dari perusahaan, waktu pengiriman, serta bagaimana perasaan pelanggan setelah membeli produk/jasa dari perusahaan yang bersangkutan.
c. Citra dan reputasi, yang menggambarkan faktor intangible bagi perusahaan untuk menarik pelanggan untuk berhubungan dengan perusahaan, atau membeli produk.

3. Perspektif Proses Bisnis Internal
Perspektif proses bisnis internal menampilkan proses kritis yang memungkinkan unit bisnis untuk memberi value proposition yang mampu menarik dan mempertahankan pelanggannya di segmen pasar yang diinginkan dan memuaskan harapan para pemegang saham melalui flnancial retums (Simon, 1999).
Tiap-tiap perasahaan mempunyai seperangkat proses penciptaan nilai yang unik bagi pelanggannya. Secara umum, Kaplan dan Norton (1996) membaginya dalam 3 prinsip dasar, yaitu:

1. Proses inovasi.
       Proses inovasi adalah bagian terpenting dalam keseluruhan proses produksi. Tetapi ada juga perusahaan yang menempatkan inovasi di luar proses produksi. Di dalam proses inovasi itu sendiri terdiri atas dua komponen, yaitu: identifikasi keinginan pelanggan, dan melakukan proses perancangan produk yang sesuai dengan keinginan pelanggan. Bila hasil inovasi dari perusahaan
tidak sesuai dengan keinginan pelanggan, maka produk tidak akan mendapat tanggapan positif dari pelanggan, sehingga tidak memberi tambahan pendapatan bagi perasahaan bahkan perasahaan haras mengeluarkan biaya investasi pada proses penelitian dan pengembangan.

2. Proses operasi.
       Proses operasi adalah aktivitas yang dilakukan perusahaan, mulai dari saat penerimaan order dari pelanggan sampai produk dikirim ke pelanggan. Proses operasi menekankan kepada penyampaian produk kepada pelanggan secara efisien, dan tepat waktu. Proses ini, berdasarkan fakta menjadi fokus utama dari sistem pengukuran kinerja sebagian besar organisasi.

3. Pelayanan purna jual.
Adapun pelayanan purna jual yang dimaksud di sini, dapat berupa garansi, penggantian untuk produk yang rusak, dll.

4. Perspektif Pembelajaran dan Pertumbuhan
       Perspektif ini menyediakan infrastruktur bagi tercapainya ketiga perspektif sebelumnya, dan untuk menghasilkan pertumbuhan dan perbaikan jangka panjang.
Penting bagi suatu badan usaha saat melakukan investasi tidak hanya pada peralatan untuk menghasilkan produk/jasa, tetapi juga melakukan investasi pada infrastruktur, yaitu: sumber daya manusia, sistem dan prosedur. Tolak ukur kinerja keuangan, pelanggan, dan proses bisnis internal dapat mengungkapkan kesenjangan yang besar antara kemampuan yang ada dari manusia, sistem, dan prosedur. Untuk memperkecil kesenjangan itu, maka suatu badan usaha harus melakukan investasi dalam bentuk reskilling karyawan, yaitu: meningkatkan kemampuan sistem dan teknologi informasi, serta menata ulang prosedur yang ada.

Perspektif pembelajaran dan pertumbuhan mencakup 3 prinsip kapabilitas yang terkait dengan kondisi intemal perusahaan, yaitu:

1. Kapabilitas pekerja.
Kapabilitas pekerja adalah merupakan bagian kontribusi pekerja pada perusahaan. Sehubungan dengan kapabilitas pekerja, ada 3 hal yang harus diperhatikan oleh manajemen:

a. Kepuasan pekerja.
Kepuasan pekerja merupakan prakondisi untuk meningkatkan produktivitas, tanggungjawab, kualitas, dan pelayanan kepada konsumen. Unsur yang dapat diukur dalam kepuasan pekerja adalah keterlibatan pekerja dalam mengambil keputusan, pengakuan, akses untuk mendapatkan informasi, dorongan untuk bekerja kreatif, dan menggunakan inisiatif, serta dukungan dari atasan.

b. Retensi pekerja.
Retensi pekerja adalah kemampuan untuk mempertahankan pekerja terbaik dalam perusahaan. Di mana kita mengetahui pekerja merupakan investasi jangka panjang bagi perusahaan. Jadi, keduanya seorang pekerja yang bukan karena keinginan perusahaan merupakan loss pada intellectual capital dari perusahaan. Retensi pekerja diukur dengan persentase turnover di perusahaan.

c. Produktivitas pekerja.
Produktivitas pekerja merupakan hasil dari pengaruh keseluruhan dari peningkatan keahlian dan moral, inovasi, proses internal, dan kepuasan pelanggan. Tujuannya adalah untuk menghubungkan output yang dihasilkan oleh pekerja dengan jumlah pekerja yang seharusnya untuk menghasilkan output tersebut.

2. Kapabilitas sistem informasi.
Adapun yang menjadi tolak ukur untuk kapabilitas sistem informasi adalah tingkat ketersediaan informasi, tingkat ketepatan informasi yang tersedia, serta jangka waktu untuk memperoleh informasi yang dibutuhkan.

3. Iklim organisasi yang mendorong timbulnya motivasi, dan pemberdayaan adalah penting untuk menciptakan pekerja yang berinisiatif. Adapun yang menjadi tolak ukur hal tersebut di atas adalah jumlah saran yang diberikan pekerja.
Stakeholder Analysis

       Pengertian stakeholder adalah pihak-pihak yang terkait, dan Stakeholder Analysis adalah pengkajian terhadap pihak-pihak yang terkait langsung dan tidak langsung terhadap bisnis / proyek / penjualan, dan sebagainya. Di dalam project management, Stakeholder Analysis merupakan sesuatu yang sangat penting, dan ini harus dimulai sebelum proyek itu dimulai.

       Stakeholder analysis merupakan bagian dari Risk Management. Langkah ini lebih bersifat preventif, dibandingkan korektif. Kajian dalam stakeholder analysis di Project Management meliputi paling sedikit:
1. Budaya masyarakat sekitar proyek yang terkena dampak langsung maupun tidak langsung
2. Hubungan kekerabatan masyarakat
3. Hubungan kongsi pelaksana proyek (joint venture, joint operation, dsb)
4. Hubungan kongsi pemberi proyek (joint venture, joint operation, merger, dsb)
5. Instansi pemerintah yang terkait
6. Lembaga-lembaga swadaya masyarakat (LSM/NGO) yang terkait
7. Lembaga-lembaga adat masyarakat
8. Tokoh-tokoh masyarakat

       Stakeholder analysis ini akan menghasilkan pengkategorian,organisasi apakah yang sangat berpengaruh (primary stakeholder) terkait dengan pelaksanaan proyek, dan organisasi apa yang tidak/kurang berpengaruh (secondary stakeholder) terkait dengan pelaksanaan proyek. Dari kedua organisasi tersebut, dikelompokkan kembali siapakah tokoh kunci yang memiliki pengaruh paling besar (key stakeholder). Pengaruh tersebut bisa berupa pengaruh sosial seperti pada ketua adat, maupun kekuasaan seperti penerbit ijin seperti pada pemerintah. Pengelompokan ini lebih mudah disusun apabila menggunakan metoda stakeholder mapping, yaitu metoda menghubungkan-hubungkan kekerabatan, pengaruh, dominasi, kultural, agama, dan sosial lainnya antara satu pihak dengan pihak lainnya seperti pada contoh dibawah ini :

       Dari proses stakeholder analysis & mapping yang paling penting adalah penyusunan dokumen analisis tersebut menjadi sebuah referensi bagi pemilik / pelaksana proyek. Kegunaannya adalah untuk melihat potensi-potensi peluang serta hambatan yang akan terjadi selama pelaksanaan proyek, dan apabila terjadi hambatan dalam proyek, dapat segera dianalisis pihak-pihak mana yang berpengaruh dan untuk segera ditangani. Stakeholder analysis sendiri adalah sesuatu yang tidak terukur, dan dinamis sesuai dengan perubahan yang terjadi di masyarakat itu sendiri. Semua praktisi yang melaksanakan aktivitas proyek apapun harus melakukan stakeholder analysis ini, membukukannya (sebagai referensi), dan membuat Standard Operational Procedure terkait dengan Stakeholder Grievance Handling (penanganan keluhan).

Alat ini dapat digunakan untuk banyak jenis keputusan pada semua tingkatan dalam sebuah organisasi. 

Langkah-langkah :
• Identifikasi kelompok stakeholder tertentu dan sub-kelompok yang terlibat dalam keputusan saat ini 
• Menentukan apa yang mereka berikan kepada organisasi. 
• Pastikan apa keinginan kelompok stakeholder dari organisasi dan seberapa kuat keinginan mereka
• Mungkin perlu untuk memprioritaskan jika stakeholder yang diberikan memiliki lebih dari satu harapan. 
•  Prioritaskan stakeholder berdasarkan pentingnya organisasi dari apa yang mereka sediakan.
• Mereka diprioritaskan lebih tinggi berdasarkan apa yang mereka memberikan organisasi mendapatkan lebih banyak dari apa yang mereka inginkan. 
•  Mungkin perlu mempertimbangkan "kekuatan" dari keinginan berbagai kelompok stakeholder. 
• Jika kelompok diperlukan sama sekali, mungkin perlu untuk memberikan sesuatu, bahkan jika stakeholder prioritas rendah. 

Sumber :
Pramudiono, Iko. Pengantar Data Mining: Menambang Permata Pengetahuan di Gunung Data. http://www.ilmukomputer.com

POHON KEPUTUSAN : KELEBIHAN DAN KEKURANGAN

Kelebihan Pohon Keputusan

Kelebihan dari metode pohon keputusan adalah:
• Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik.
• Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode pohon keputusan maka sample diuji hanya berdasarkan kriteria atau kelas tertentu.
•  Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang sama. Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu tahap yang lebih konvensional
• Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon keputusan dapat menghindari munculnya permasalahan ini dengan menggunakan criteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.

Kekurangan Pohon Keputusan

•  Terjadi overlap terutama ketika kelas-kelas dan criteria yang digunakan jumlahnya sangat banyak. Hal tersebut juga dapat menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memori yang diperlukan.
•   Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon keputusan yang besar.
•   Kesulitan dalam mendesain pohon keputusan yang optimal.
•   Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat tergantung pada bagaimana pohon tersebut didesain.

Sumber :
Pramudiono, Iko. Pengantar Data Mining: Menambang Permata Pengetahuan di Gunung Data. http://www.ilmukomputer.com

POHON KEPUTUSAN : PENGERTIAN & MANFAAT

Pengertian Pohon Keputusan

Pohon keputusan adalah pemetaan mengenai alternatif-alternatif pemecahan masalah yang dapat diambil dari masalah tersebut. Pohon tersebut juga memperlihatkan faktor-faktor kemungkinan/probablitas yang akan mempengaruhi alternatif-alternatif keputusan tersebut, disertai dengan estimasi hasil akhir yang akan didapat bila kita mengambil alternatif keputusan tersebut.

Manfaat Pohon Keputusan

Pohon keputusan adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia. Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. 
Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi
antara sejumlah calon variabel input dengan sebuah variabel target. Pohon keputusan memadukan antara eksplorasi data dan pemodelan, sehingga  sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain.

INFERENCIAL ENGINE : BACKWARD CHAINING

BACKWARD CHAINING

Backward chaining atau Backward Reasoning merupakan salah satu dari metode inferensia yang dilakukan untuk di bidang kecerdasan buatan. Backward chaining dimulai dangan pendekatan tujuan
atau goal oriented atau hipotesa. Pada backward chaining kita akan bekerja dari konsekuen ke antesendent untuk melihat apakah terdapat data yang mendukung konsekuen tersebut. Pada metode inferensi dengan backward chaining akan mencari aturan atau rule yang memiliki konsekuen (Then klausa ..) yang mengarah kepada tujuan yang diskenariokan/diinginkan.

Contoh :
Misalkan terdapat suatu sistem dengan tujuan : Goal_1. Untuk mencapai tujuan Goal_1 tersebut
dibutuhkan fakta A yang bernilai 1 dan fakta B yang bernilai 1. (Asumsi nilai fakta adalah boolean 1
dan 0). Fakta A sendiri akan diperoleh jika ada fakta C yang bernilai 1. Bagaimana rancangan sistem pakar dan aturan yang akan dibuat:

Langkah 1 : Buat aturan standar untuk menyatakan Goal 1

- If A=1 and B=1 Then Goal 1
Langkah 2 : Buat aturan yang menyatakan bahwa jika C bernilai 1 maka A

- If C=1 Then A=1

Terlihat bahwa konsekuen (Then..) tidak harus mengarah kepada Goal 1, akan tetapi ditujukan
kepada antisendent yang dalam hal ini adalah A. Dengan demikian sistem akan mengetahui bahwa

antisendent C akan ditanyakan dengan anisendent B untuk menghasilkan Goal 1.

Atau bisa disebut juga Backward Chaining sebagai strategi pengambilan keputusan atau kesimpulan dengan pencocokan fakta atau pernyataan yang dimulai dari bagian sebelah kanan (THEN terlebih dahulu). Dengan kata lain, penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan.

Sumber :

INFERENCIAL ENGINE : FORWARD CHAINING

FORWARD CHAINING
       Forward chaining adalah metode inferensia yang merupakan lawan dari backward chaining. Forward chaining dimulai dengan data atau data driven. Artinya pada forward chaining semua data dan aturan akan ditelusuri untuk mencapai tujuan / goal yang diinginkan. Mesin inferensia yang menggunakan forward chaining akan mencari antesendent (IF klausa ..) sampai kondisinya benar. Pada forward chaining semua pertanyaan dalam sistem pakar akan disampaikan semuanya kepada pengguna.
       Disebut data-driven karena inference engine menggunakan informasi yang ditentukan oleh user untuk memindahkan ke seluruh jaringan dari logika ‘AND’ dan ‘OR’ sampai sebuah terminal ditentukan sebagai objek. Bila inference engine tidak dapat menentukan objek maka akan meminta informasi lain. Aturan (Rule) di mana menentukan objek,membentuk path (lintasan) yang mengarah ke objek. Oleh karena itu, hanya satu cara untuk mencapai satu objek adalah memenuhi semua aturan.
       Forward chaining disebut juga Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri dulu (IF dulu). Dengan kata lain penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.
NoAturan
R-1IF A & B THEN C
R-2IF C THEN D
R-3IF A & E THEN F
R-4IF A THEN G
R-5IF F & G THEN D
R-6IF G & E THEN H
R-7IF C & H THEN I
R-8IF I & A THEN J
R-9IF G THEN J
R-10IF J THEN K
Sebagai contoh penalaran maju (forward chaining) adalah mendiagnosa penyakit berdasarkan gejala-gejala atau fakta yang dirasakan oleh pasien.

Sumber :