Minggu, 08 Juni 2008

I. Transaction Process System

Sistem akuntansi
Dari Wikipedia Indonesia, ensiklopedia bebas berbahasa Indonesia.
Langsung ke: navigasi, cari
Metode dan prosedur untuk mencatat dan melaporkan informasi keuangan yang disediakan bagi perusahaan atau suatu organisasi bisnis disebut sistem akuntansi. Sistem akuntansi yang diterapkan dalam perusahaan besar sangat kompleks. Kompleksitas sistem tersebut disebabkan oleh kekhususan dari sistem yang didisain untuk suatu organisasi bisnis sebagai akibat dari adanya perbedaan kebutuhan akan informasi oleh manajer, bentuk dan jalan transaksi laporan keuangan. Sistem akuntansi terdiri atas dokumen bukti transaksi, alat-alat pencatatan, laporan dan prosedur yang digunakan perusahaan untuk mencatat transaksi-transaksi serta melaporkan hasilnya. Operasi suatu sistem akuntansi meliputi tiga tahapan:
Harus mengenal dokumen bukti transaksi yang digunakan oleh perusahaan, baik mengenai jumlah fisik mupun jumlah rupiahnya, serta data penting lainnya yang berkaitan dengan transaksi perusahaan.
Harus mengelompokkan dan mencatat data yang tercantum dalam dokumen bukti transaksi kedalam catatan-catatan akuntansi.
Harus meringkas informasi yang tercantum dalam catatan-catatan akuntansi menjadi laporan-laporan untuk manajemen dan pihak-pihak lain yang berkepentingan.
Disain Sistem
Sistem akuntansi di disain harus memenuhi spesifikasi informasi yang dibutuhkan oleh perusahaan, asalkan informasi tersebut tidak terlalu mahal. Dengan demikian, pertimbangan utama dalam mendisain sistem akuntansi adalah keseimbangan antara manfaat dan biaya yang dikeluarkan untuk memperoleh informasi tersebut.
Agar efektif, laporan yang disajikan oleh sistem akuntansi harus dibuat secara tepat waktu, jelas dan konsisten. Laporan yang disajikan dengan pengetahuan dan kebutuhan pemakai agar dapat digunakan sebagai pertimbangan didalam pengambilan keputusan.
Disainer (perancang) sistem harus memiliki pengetahuan untuk membedakan sistem akuntansi dan metode pemrosesan data baik pemrosesan data secara manual maupun dengan menggunakan komputerisasi. Kemampuan untuk membedakan pemrosesan transaksi secara manual dan komputer cukup penting, karena pada organisasi bisnis tertentu tidak semua transaksi dapat di proses dengan komputer dan kemampuan disainer sistem dalam mengevaluasi alternatif-alternatif yang dipertimbangkan pengetahuan akan prinsip-prinsip dasar sistem akuntansi. Singkatnya, prinsip dasar yang terkandung dalam sistem akuntansi yang baik kemungkinan besar sistem yang didisain pada perusahaan tertentu akan mengalami kesulitan ketika diterapkan.
Implementasi Sistem
Implementasi sistem bukan hanya merupakan tanggung jawab personel yang ada pada bagian tertentu, tetapi semua personil harus bertanggung jawab terhadap pengoperasian sistem. Pengoperasian sistem harus secara hati-hati dan selalu dilakukan supervisi atas sistem tersebut sebelum dioperasikan sepenuhnya.
Buku Besar Pembantu
Buku ini biasa juga disebut buku tambahan. Buku pembantu ini disediakan untuk rekening-rekening buku besar yang membutuhkan perincian, misalnya: piutang dagang, utang dagang dan persediaan barang dagangan. Dari buku pembantu ini dapat disusun daftar mengenai rekening yang bersangkutan pada setiap tanggal yang dikehendaki (biasanya akhir bulan atau akhir tahun).
Jurnal Khusus
Sesuai dengan namanya, jurnal khusus adalah jurnal yang digunakan khusus untuk mencatat kelompok transaksi-transaksi yang sejenis. Pengelompokkan transaksi-transaksi yang sejenis bergantung pada aktivitas perusahaan yang bersangkutan.
Meskipun telah disediakan jurnal-jurnal khusus, perusahaan tetap membutuhkan jurnal umum yang digunakan untuk mencatat transaksi-transaksi yang tidak dapat dicatat didalam jurnal khusus, dan juga untuk keperluan membuat jurnal penyesuaian, jurnal penutupan dan koreksi pembukuan. Format dan cara pemakaian jurnal-jurnal khusus berbeda dengan jurnal umum. Perubahan tersebut dimaksudkan agar pengerjaan jurnal dan pembukuan dari jurnal ke buku besar dapat dilakukan secara lebih efisien. Berikut adalah beberapa jurnal khusus yang biasa diguankan:
Jurnal Penjualan merupakan jurnal yang khusus digunakan untuk mencatat transaksi-transaksi yang dilakukan secara kredit. Penjualan secara tunai biasanya tidak dimasukkan dalam jurnal ini karena dalam transaksi penjualan tunai terjadi penerimaan kas, sehingga penjualan tunai biasanya dicatat dalam jurnal penerimaan kas.
Jurnal Penerimaan Kas merupakan jurnal yang disediakan khusus untuk mencatat transaksi penerimaan kas. Untuk menghemat waktu pencatatan, maka jurnal ini dirancang dengan meanyediakan sejumlah kolom dan hanya total setiap rupiah yang dibukukan kedalam buku besar.
Jurnal Umum digunakan untuk mencatat penyesuaian pembukuan, penutupan pembukuan, koreksi dan transaksi-transaksi lainnya yang tidak dapat dicatat didalam jurnal khusus.
Pustaka
Yusuf Haryono. Dasar-dasar Akuntansi. STIE YKPN. Yogyakarta.1997.
Sugiarto. Pengantar Akuntansi. Pusat Penerbitan Universitas Terbuka. Jakarta. 2002.
id.wikipedia.org/wiki/Sistem_akuntansi - 23k

II. Transaction Process System

PERSYARATAN DAN KLASIFIKASI
SISTEM PERDAGANGAN DI INTERNET
Sebelum membahas secara mendalam mengenai sistem keamanan, akan dianalisis dan dirinci kembali kebutuhan dari suatu sistem perdagangan di Internet (SPI) secara umum. Analisis kebutuhan dari suatu SPI memang harus dibuat secara matang agar SPI tersebut dapat memenuhi kebutuhan keamanan pihak-pihak yang melakukan transaksi di Internet. Bab ini akan membahas mengenai kebutuhan dan klasifikasi-klasifikasi sistem perdagangan.
Kebutuhan Umum
Secara umum, suatu transaksi perdagangan seyogyanya dapat menjamin:
1. Kerahasiaan (confidentiality): Data transaksi harus dapat disampaikan secara rahasia, sehingga tidak dapat dibaca oleh pihak-pihak yang tidak diinginkan.
2. Keutuhan (integrity): Data setiap transaksi tidak boleh berubah saat disampaikan melalui suatu saluran komunikasi.
3. Keabsahan atau keotentikan (authenticity), meliputi:
• Keabsahan pihak-pihak yang melakukan transaksi: Bahwa sang konsumen adalah seorang pelanggan yang sah pada suatu perusahaan penyelengara sistem pembayaran tertentu (misalnya kartu kredit Visa dan MasterCard, atau kartu debit seperti Kualiva dan StarCard misalnya) dan keabsahan keberadaan pedagang itu sendiri.
• Keabsahan data transaksi: Data transaksi itu oleh penerima diyakini dibuat oleh pihak yang mengaku membuatnya (biasanya sang pembuat data tersebut membubuhkan tanda tangannya). Hal ini termasuk pula jaminan bahwa tanda tangan dalam dokumen tersebut tidak bisa dipalsukan atau diubah.
4. Dapat dijadikan bukti / tak dapat disangkal (non-repudiation): catatan mengenai transaksi yang telah dilakukan dapat dijadikan barang bukti di suatu saat jika ada perselisihan.
Klasifikasi-klasifikasi Sistem Perdagangan
Berikut ini akan dijelaskan beberapa macam klasifikasi dari sistem perdagangan yang kita kenal:
1. Berdasarkan Kesiapan Pembayaran
Semua alat pembayaran berdasarkan kesiapan konsumen saat membayar, dapat dikategorikan dalam [Frie 97]:
a. Sistem debit, dimana konsumen harus terlebih dahulu memiliki cadangan dana di suatu tempat, biasanya berupa rekening di suatu bank. Contohnya adalah penggunaan kartu debit dan cek.
b. Sistem kredit, dimana seorang pembeli dapat berhutang dahulu kepada sebuah pihak saat pembelian. Konsumen akan ditagih melalui mekanisme tertentu. Biasanya ada pihak ketiga yang menjadi perantara antara pedagang dengan konsumen. Pedagang akan melakukan proses capture, yakni proses meminta pembayaran dari pihak ketiga yang menjadi perantara tersebut. Contoh pembayaran dengan sistem kredit ini adalah charge card (misalnya American Express) dan kartu kredit (misalnya Visa dan MasterCard).
c. Sistem pre-paid, sesuai dengan namanya, konsumen harus ‘membeli’ dan ‘memiliki’ uang tersebut sebelum membeli sesuatu. Uang logam dan kertas yang diedarkan pemerintah, emas, traveler’s cheque, kupon dan digital cash (seperti CyberCoin, Ecash/CAFE dan Mondex) adalah contoh pembayaran dengan sistem pre-paid. Pembelian uang elektronik pre-paid dapat dilakukan dengan uang kontan, mendebit dari account bank, atau bahkan dengan kartu kredit. Perhatikan bahwa meskipun pembelian awal dilakukan dengan kartu kredit, namun uang elektronik yang dibelinya dengan kartu kredit itu tetaplah dikategorikan dalam sistem pre-paid.
2. Berdasarkan Keterlacakan Transaksi
Kemudian, alat pembayaran – tidak peduli elektronik atau tidak – dapat pula dikategorikan berdasarkan diketahui atau tidaknya identitas pihak-pihak yang melakukan transaksi. Dalam hal ini memang terjadi tarik tambang antara konsumen dengan lembaga pengawas keuangan. Di satu sisi, konsumen ingin privasi mereka terjaga. Konsumen tak ingin orang lain (bahkan lembaga pengawas keuangan) tahu apa yang dibelanjakannya, karena itu sudah dianggap mencampuri urusan rumah tangga orang lain. Sedangkan pihak lembaga pengawas keuangan tentunya ingin segala macam transaksi berjalan sesuai hukum. Jika peredaran uang sulit dilacak, maka ada kemungkinan terjadi pencucian uang (money laundring). Adapun pembagiannya – meskipun dapat terjadi variasi dalam implementasinya – adalah sebagai berikut:
a. Transaksi teridentifikasi terlacak. Keterlacakan transaksi penting dalam transaksi dengan nilai uang yang besar, karena jika terjadi penipuan, maka transaksi tersebut harus bisa dilacak dengan mudah. Jadi, transaksi tersebut meninggalkan jejak. Dengan kartu kredit misalnya, sudah jelas pihak issuer dan aquirer kartu kredit mengetahui identitas konsumen dan pedagang. Dalam kasus tertentu, memang bisa saja konsumen tetap anonim (tidak teridentifikasi) oleh pedagang, namun lembaga keuangan pengelola kartu kredit tetap mengetahui identitas konsumen.
b. Transaksi anonim. Dalam transaksi jenis in, pedagang tidak mengetahui identitas konsumen. Transaksi yang dilakukan seseorang bertopeng yang membeli permen dari seorang pedagang kaki lima dengan uang logam, dapat dikategorikan transaksi anonim. Pedagang kaki lima itu tidak peduli siapa yang membeli permen. Pedagang itupun tidak bisa melacak dari mana uang logam itu berasal. Uang kertas memang agak sedikit berbeda, karena dapat diberi nomor seri. Kadang-kadang dalam pemberian uang tembusan untuk suatu kejahatan seperti penculikan, polisi mencatat urutan nomor seri uang yang diberikan. Dalam beberapa SPI, pihak penerbit uang pun tak pernah mengetahui bagaimana uang elektronik yang diedarkannya dipergunakan oleh konsumen, bahkan pada SPI Ecash/CAFE pihak penerbit uangpun tidak tahu nomor seri uang yang pernah dicetaknya. Transaksi anonim biasanya hanya digunakan untuk pembayaran dengan jumlah uang yang kecil, seperti karcis transportasi kota, membeli minuman kaleng, membeli perangko dan sebagainya.
3. Berdasarkan Status Hukum Pihak-pihak yang Bertransaksi
Yang dimaksud dengan status hukum di sini adalah apakah status pihak-pihak yang melakukan transaksi itu dapat dibedakan menjadi konsumen dan pedagang, dilihat dari kaca mata lembaga keuangan yang menciptakan sistem transaksi.
a. Pada sistem pedagang-konsumen, secara hukum jelas terlihat siapa yang menjadi pedagang dan siapa yang menjadi konsumen. Contohnya sistem transaksi dengan kartu kredit, terlihat jelas ada pedagang (yang menerima merek kartu kredit tertentu) dan konsumen yang menggunakan kartu kredit itu. Pedagang harus terdaftar pada aquirer kartu kredit (umumnya bank yang menyimpan rekening sang pedagang), sedangkan konsumen harus terdaftar pada issuer kartu kredit (yakni lembaga keuangan atau bank yang menerbitkan kartu kredit untuk konsumen). Konsumen sesama pemegang kartu kredit tidak dapat bertransaksi satu sama lain dengan menggunakan kartu kredit yang mereka miliki.
b. Pada sistem peer-to-peer, transaksi tidak perlu dilakukan dengan pedagang yang ‘resmi’ menerima jenis alat pembayaran tertentu, namun bisa dilakukan dengan siapa saja yang mau menerima alat pembayaran tersebut, bahkan antarkonsumen. Dengan sistem pembayaran peer-to-peer, seseorang dapat berhutang pada teman, memberi ‘amplop’ ulang tahun kepada keponakan, mengganti kerugian untuk rekan dan sebagainya. Jadi uang tersebut tidak harus dibelanjakan di ‘toko resmi’. Contoh yang paling jelas adalah uang logam dan uang kertas yang diedarkan bank sentral.
4. Berdasarkan Waktu Konfirmasi Keabsahan Transaksi
Namun khusus untuk perdagangan elekronik, ternyata ada pembagian menjadi sistem perdagangan elekronik yang on-line dan off-line [DaLe 96], yakni:
a. Dengan sistem pembayaran elektronik on-line, setiap dilakukan transaksi, pedagang dapat melakukan pemeriksaan terhadap keabsahaan alat pembayaran yang dipergunakan konsumen sebelum konsumen dapat mengambil barang yang diinginkannya. Jadi minimal ada tiga pihak yang terlibat dalam sistem pembayaran on-line, yakni konsumen, pedagang dan pihak yang melakukan proses otorisasi atau otentikasi transaksi. Pada sistem pembayaran on-line, terjadi proses authorize & wait response, yang durasinya relatif singkat.
b. Kemudian, ada juga sistem pembayaran elekronik off-line. Konsumen dan pedagang dapat melakukan transaksi tanpa perlu ada pihak ketiga untuk melakukan proses otentikasi dan otorisasi saat berlangsungnya transaksi. Sebagai contoh, digital cash yang baik, seharusnya dapat dilakukan off-line, sama halnya dengan uang kontan biasa. Memang pada sistem yang off-line, pedagang dapat menanggung resiko jika sudah menyerahkan dagangannya kepada konsumen dan ternyata hasil otorisasi atau otentikasi membuktikan bahwa pembayaran oleh konsumen yang bersangkutan itu tidak sah. Jadi meskipun dapat dilakukan proses pemeriksaan, namun konsumen dan pedagang umumnya tidak menunggu konfirmasi keabsahan transaksi.
5. Berdasarkan Bagaimana Kepercayaan Diberikan
Yang dimaksud dengan pembagian berdasarkan jenis kepercayaan adalah klasifikasi atas bagaimana satu pihak mempercayai pihak-pihak yang lain dalam suatu sistem transaksi. Sebenarnya tidak ada batasan yang jelas antara sistem yang membutuhkan kepercayaan tinggi satu pihak kepada pihak lain, dengan yang kurang membutuhkan kepercayaan. Pasti ada bagian pada alur transaksi yang membutuhkan kepercayaan satu pihak kepada pihak yang lain. Tidak mungkin membuat suatu sistem transaksi dimana pihak-pihak yang bertransaksi hanya perlu mempercayai diri sendiri dan tidak perlu mempercayai pihak lain sama sekali. Sekalipun suatu sistem transaksi mengklaim bahwa pihak-pihak yang bertransaksi hanya perlu mempercayai diri sendiri, tapi pastilah pihak-pihak yang bertransaksi itu sebelumnya pernah memberikan kepercayaan kepada pihak tertentu (biasanya pihak penjamin).
Dalam realita, umumnya konsumen harus mempercayai sistem yang dibangun oleh pedagang, pihak lembaga keuangan, pihak pengembang atau pihak perantara. Guna memperjelas klasifikasi ini, ada baiknya diberikan sedikit gambaran:
a. Sistem yang memerlukan kepercayaan tinggi kepada pihak lain yang terlibat transaksi. Pada penggunaan kartu debit/ATM misalnya, seorang konsumen harus percaya kepada bank mengenai jumlah uang yang dilaporkan setiap bulan kepadanya. Sangat sulit bagi konsumen untuk membantah bukti bahwa ia telah mengambil sejumlah uang dari ATM, karena ia tidak bisa membuktikan bahwa ia telah mengambilnya atau tidak.
b. Sistem transaksi yang tidak memerlukan kepercayaan tinggi kepada pihak lain yang terlibat transaksi. Selain itu ada pula sistem dimana semua pihak bisa membuktikan keterkaitan/ketidakterkaitannya dalam suatu transaksi, baik itu konsumen, pedagang, maupun bank. Contohnya adalah penggunaan tanda tangan digital pada transaksi elektronik. Jika dilakukan perubahan jenis kartu ATM dari kartu magnetik menjadi kartu chip yang bisa membubuhkan tanda tangan digital, maka dalam sistem baru tersebut setiap transaksi dengan kartu chip itu dapat dijadikan barang bukti yang sah.


Beberapa Syarat Tambahan Untuk SPI
Ada beberapa syarat lagi dari sistem perdagangan di Internet – meskipun tidak mutlak – hal ini sangat tergantung dari berbagai faktor lain yang ikut dipertimbangkan oleh perusahaan pengembang SPI, sehingga dapat berbeda-beda untuk setiap SPI:
1. Jika menggunakan protokol HTTP, dapat berjalan dengan baik pada web browser yang populer seperti Netscape Navigator atau Microsoft Internet Explorer
2. Open, artinya perangkat lunak ataupun perangkat keras sistem perdagangan di Internet tersebut tidak dibuat hanya untuk kepentingan satu pedagang saja, namun sistem perdagangan di Internet tersebut dapat dipergunakan oleh berbagai pedagang.
3. Pada SPI yang membutuhkan perangkat lunak klien khusus, perangkat lunak tersebut harus dibuat pada banyak platform agar pemakaiannya dapat meluas.
4. Sistem perdagangan di Internet tersebut sebaiknya dapat menerima sebanyak mungkin cara pembayaran.
5. Jika proses pembayaran dilakukan secara interaktif (yang tidak/kurang interaktif biasanya menggunakan surat elektronik), proses pengolahan data secara aman tersebut dapat berlangsung dalam waktu yang dapat ditolerir. Jika proses untuk melakukan pengamanan data transaksi yang dikirim saja sudah sangat lama, mungkin metoda yang diterapkan tidak cocok.
6. Ada beberapa SPI yang berusaha untuk tidak terikat pada sebuah protokol perangkat lunak maupun perangkat keras tertentu. Memang pada akhirnya harus ada implementasi lebih kongkrit yang harus dijabarkan. Di sisi lain, ada pula beberapa SPI yang memang dirancang sedemikian rupa untuk memanfaatkan protokol-protokal yang sudah ada.
7. Dalam kasus tertentu, transaksi diharapkan supaya anonim dan tidak dapat dilacak. Sedangkan pada kasus lainnya, justru transaksi tersebut diharapkan jati diri pihak-pihak yang bertransaksi dapat diidentifikasi dan dapat dilacak dengan baik.
www.geocities.com/amwibowo/resource/komparasi/bab2.html - 18k -

III. Transaction Process System

Transaction Processing
Pemrosesan transaksi berbasis computer
Dua aspek fundamental system informasi adalah : organisasi data dan pemrosesan data, data haruis disusun secara sistematis : store, process, dan retrieve data. Untuk melakukan hal tersebut tersedia dua pendekatan yaitu file orientasi dan data base system.
Fungsi mendasar dari SIA adalah memproses transaksi-transaksi yang mempengaruhi perusahaan. Pemrosesan transaksi meliputi tiga tahapan yaitu:
Pemrosesan input
Pemrosesan data untuk memelihara data yang ada
Memproses output
Pemahaman atas cara-cara pemrosesan transaksi dan penyimpanan data sangat berguna, setidaknya dalam dua hal, yang pertama dpat mengenali kelebihan dan keterbatasan dalam system pemrosesan transaksi yang sekarang digunakan, yang kedua dapat merekomendasikan cara pemrosesan yang baru atau yang telah diperbaiki dan metode penyimpanan data yang lebih baik sesuai dengan kebutuhan para pemakai.

Pemrosesan
Pemrosesan data berpengaruh pada pelaksanaan suatu prosedur tertentu, biasanya meliputi serangkaian tugas. Bila serangkaian tugas tersebut dilakukan dengan computer disebut computer base system, sedangkan program computer yang didesain untuk menjalankan tugas tertentu disebut program aplikasi. Program aplikasi dapat didesain untuk menangkap data, proses input, proses data untuk memutahirkan atau memodifikasi data yang ada, ataupun memproses data untuk menghasilkan output

Menangkap data

Data dapat dimasukan ke dalam system melalui berbagai cara, data dapat dimasukan melalui kertas atau layer computer,atau juga dapat diinput secara langsung dari system computer.

On-line data entry terjadi apabila suatu data transaksi masuk secara langsung ke system computer ketika transaksi itu terjadi, hal ini dapat terjadi karena data masuk melalui on-line device. On-line device adalah suatu alat yang terhubung secara langsung dan terus-menerus ke system computer. On-line data entry dapat dikombinasikan dengan off-line data entry agar dapat menangkap data yang dibutuhkan secara lengkap.

Off-line data entry menunjuk ke data yang diinput melalui alat yang tidak tersambung langsung ke computer.


Dokumen input

Adalh formulir atau dokumen asal, darimana data dikumpulkan dan dimasukan ke system. Dokumen input berguna untuk :
Otorisasi transaksi berikutnya
Mendorong transaksi yang diinginkan
Merefleksikan akuntabilitas

Menyediakan data untuk ouput dan referensi
Dokumen input akan menjadi dasar untuk memasukan data ke file.
Desain dokumen input
Proses data input akan menjadi rumit dan dapat menimbulkan pekerjaan yang berpotensi timbulnya kesalahan. Untuk menghindari hal itu proses entry data harus dirancang sedemikian rupa sehingga pekerjaan manual dapat diminimalkan dan kesalahan dapat diminimalkan.
Dokumen dan formulir yang dirancang secara baik sangat membantu dalam mencatat data transaksi, selanjutnya inputan yang dirancang secara baik juga memudahkan fungsi system pemrosesan transaksi.
Langkah-langkah perancangan formilir :

Identifikasi untuk apa formulir dibuat
Siapa penggunanya, dan
Siapa yang menyiapkan

Judul yang jelas harus dipilih
Identifikasi data dan sumbernya
Elemen data kemudian ditetapkan dalam formulir
Mempertimbangkan aspek pengendalinya

Metode pemrosesan data
Batch data processing
Real-time processing

gogo21.wordpress.com/2008/05/14/sistem-informasi-manajemen-1/ - 13k –

I. Enterprise Resource Planning

Modul Enterprise Resource Planning (ERP)

Sistem ERP adalah sebuah terminologi yang secara de facto adalah aplikasi
yang dapat mendukung transaksi atau operasi sehari-hari yang berhubungan
dengan pengelolaan sumber daya sebuah perusahaan, seperti dana, manusia,
mesin, suku cadang, waktu, material dan kapasitas.
Sistem ERP dibagi atas beberapa sub-sistem yaitu sistem Financial, sistem
Distribusi, sistem Manufaktur, sistem Maintenance dan sistem Human Resource.

Untuk mengetahui bagaimana sistem ERP dapat membantu sistem operasi bisnis
kita, mari kita perhatikan suatu kasus kecil seperti di bawah ini:

Katakanlah kita menerima order untuk 100 unit Produk A. Sistem ERP akan
membantu kita menghitung berapa yang dapat diproduksi berdasarkan segala
keterbatasan sumber daya yang ada pada kita saat ini. Apabila sumber daya
tersebut tidak mencukupi, sistem ERP dapat menghitung berapa lagi sumberdaya
yang diperlukan, sekaligus membantu kita dalam proses pengadaannya. Ketika
hendak mendistribusikan hasil produksi, sistem ERP juga dapat menentukan
cara pemuatan dan pengangkutan yang optimal kepada tujuan yang ditentukan
pelanggan. Dalam proses ini, tentunya segala aspek yang berhubungan dengan
keuangan akan tercatat dalam sistem ERP tersebut termasuk menghitung berapa
biaya produksi dari 100 unit tersebut.

Dapat kita lihat bahwa data atau transaksi yang dicatat pada satu
fungsi/bagian sering digunakan oleh fungsi/bagian yang lain. Misalnya daftar
produk bisa dipakai oleh bagian pembelian, bagian perbekalan, bagian
produksi, bagian gudang, bagian pengangkutan, bagian keuangan dan
sebagainya. Oleh karena itu, unsur 'integrasi' itu sangat penting dan
merupakan tantangan besar bagi vendor vendor sistem ERP.

Pada prinsipnya, dengan sistem ERP sebuah industri dapat dijalankan secara
optimal dan dapat mengurangi biaya-biaya operasional yang tidak efisien
seperti biaya inventory (slow moving part, dll.), biaya kerugian akibat
'machine fault' dll. Dinegara-negara maju yang sudah didukung oleh
infrastruktur yang memadaipun, mereka sudah dapat menerapkan konsep JIT
(Just-In-Time). Di sini, segala sumberdaya untuk produksi benar-benar
disediakan hanya pada saat diperlukan (fast moving).
Termasuk juga penyedian suku cadang untuk maintenance, jadwal perbaikan
(service) untuk mencegah terjadinya machine fault, inventory, dsb.

Bagi industri yang memerlukan efisiensi dan komputerisasi dari segi
penjualan, maka ada tambahan bagi konsep ERP yang bernama Sales Force
Automation (SFA). Sistem ini merupakan suatu bagian
penting dari suatu rantai pengadaan (Supply Chain) ERP. Pada dasarnya, Sales
yang dilengkapi dengan SFA dapat bekerja lebih efisien karena semua
informasi mengenai suatu pelanggan atau
produk yang dipasarkan ada di databasenya.

Khusus untuk industri yang bersifat assemble-to-order atau make-to-order
seperti industri pesawat, perkapalan, automobil, truk dan industri berat
lainnya, sistem ERP dapat juga dilengkapi dengan Sales Configuration System
(SCS). Dengan SCS, Sales dapat memberikan penawaran serta proposal yang
dilengkapi dengan gambar, spesifikasi, harga berdasarkan keinginan/pesanan
pelanggan. Misalnya saja seorang calon pelanggan menelpon untuk mendapatkan
tawaran sebuah mobil dengan berbagai kombinasi yang mencakup warna biru,
roda racing, mesin V6 dengan spoiler sport dan lain-lain. Dengan SCS, Sales
dapat menberikan harga mobil dengan kombinasi tersebut pada saat itu juga.

Sistem ERP dirancang berdasarkan proses bisnis yang dianggap 'best practice'
proses umum yang paling layak di tiru. Misalnya, bagaimana proses umum
yang sebenarnya berlaku untuk pembelian (purchasing), penyusunan stok di
gudang dan sebagainya.

Untuk mendapatkan manfaat yang sebesar-besarnya dari sistem ERP, maka
industri kita juga haurs mengikuti 'best practice process' (proses umum
terbaik) yang berlaku. Disini banyak timbul masalah dan tantangan bagi
industri kita di Indonesia. Tantangannya misalnya, bagaimana merubah proses
kerja kita menjadi sesuai dengan proses kerja yang dihendaki oleh sistem
ERP, atau, merubah sistem ERP untuk menyesuaikan proses kerja kita.

Proses penyesuaian itu sering disebut sebagai proses Implementasi. Jika
dalam kegiatan implementasi diperlukan perubahan proses kerja yang cukup
mendasar, maka perusahaan ini harus melakukan Business Process Reengineering
(BPR) yang dapat memakan waktu berbulan bulan.

Sebagai kesimpulan, sistem ERP adalah paket software yang sangat dibutuhkan
untuk mengelola sebuah industri secara efisien dan produktif. Secara de
facto, sistem ERP harus menyentuh segala aspek sumber daya perusahaan yaitu
dana, manusia, waktu, material dan kapasitas. Untuk lebih meningkatkan kemapuan
Sistem ERP perlu ditambah modul CRM, SRM, PLM dan juga Project Management.
Karena sistem ERP dirancang dengan suatu proses kerja 'best practice',
maka hal ini merupakan tantangan implementor ERP untuk melakukan implementasi
sistem ERP di suatu perusahaan.

Modul-modul Enterprise Resource Planning (ERP) Systems :

1. Item Master Management (IMM)
2. Bill Of Material (BOM)
3. Demand Management (DM)
4. Sales and Order Management (SOM)
5. Master Production Scheduling (MPS)
6. Material Requirements Planning (MRP)
7. Capacity Requirement Planning
8. Inventory Mangement (INV)
9. Shop Floor Control (SFC)
10. Purchasing Management (PUR)
11. General Ledger (GL)
12. Account Payable (AP)
13. Account Receivable (AR)
14. Cost Control (CO)
15. Financial Reporting (FIR)

rsteve.sitompul.net/index.php?/archives/211-Modul-Enterprise-Resource-Planning-ERP.html - 43k –

II. Enterprise Resource Planning

Enterprise Resource Planning (ERP):

Mengintegrasikan Data, Meningkatkan Kinerja
Ketika perusahaan semakin tumbuh dan berkembang, kehadiran solusi aplikasi yang memungkinkan integrasi data dan informasi menjadi sebuah keharusan. Solusi aplikasi ERP dapat menjadi jawaban untuk menjawab kebutuhan tersebut.
ENTERPRISE RESOURCE PLANNING (ERP) merupakan solusi aplikasi yang mampu mengintegrasikan berbagai divisi atau unit di dalam perusahaan berdasarkan proses bisnis yang dikehendaki. Tujuan penerapan ERP di perusahaan adalah terciptanya optimalisasi dalam pengelolaan sumber daya yang dimiliki perusahaan, misalnya dalam hal informasi, biaya, tenaga kerja, material, bahan baku, mesin-mesin produksi, produk jadi, dan lain sebagainya. Sedangkan proses bisnis yang dimaksud di sini, antara lain, proses pengadaan, penyimpanan, distribusi, pemasaran, penjualan, perencanaan, dan sebagainya.
Dalam berbagai skala dan jenis industri, pengelolaan dan strategi yang baik terhadap penerapan solusi aplikasi ERP akan mendatangkan keunggulan kompetitif bagi perusahaan. Implementasi ERP secara efektif akan membuat proses bisnis di dalam perusahaan menjadi lebih cepat, efisien, dan murah. Namun agar perusahaan mampu menerapkan ERP secara efektif, dituntut kemauan dan upaya sungguh-sungguh dari jajaran manajemen dan karyawan perusahaan dalam penerapannya – termasuk dalam menyiapkan sikap dan perubahan budaya kerja setelah implementasi ERP dilakukan.

Implementasi Solusi ERP
Aplikasi ERP pada dasarnya bekerja berdasarkan proses yang berkaitan dengan mekanisme penciptaan informasi dan penyebarannya ke berbagai entitas organisasi yang membutuhkannya. Ambil contoh implementasi solusi ERP untuk mengitegrasikan lini produksi, pemasaran dan akuntasi pada PT Sinar Sosro yang memproduksi minuman Teh Botol Sosro. Dari proses yang serba manual Sosro menerapkan sistem informasi perusahaan terpadu berbasis teknologi informasi ini. Hasilnya, pengambilan keputusan menjadi lebih cepat karena ditunjang data – mulai dari data permintaan pasar, persediaan barang hingga produksi – yang mutakhir dan akurat. Kinerja produksi dan penjualannya terus melejit sementara biaya bisa ditekan.

Tentu saja, di balik keberhasilan ini, ada kerja keras dan dukungan teknologi informasi untuk mendistribusikan produknya ke seluruh wilayah Nusantara secara berkesinambungan – agar para penggemar fanatiknya tak sampai kecewa karena kehabisan minuman kegemarannya ini.
Untuk memperlancar proses distribusi produk minumannya, Sosro mempunyai sejumlah pabrik, kantor perwakilan wilayah, hingga unit penjualan. “Saat ini, Sosro memiliki delapan pabrik dan sembilan kantor perwakilan,” jelas Hugo Winanto, manajer TI PT Sinar Sosro. Pabrik Sosro tersebar di Medan, Jakarta, Pandeglang, beberapa kota di Jateng, Jatim, dan Kalimantan. Sementara pemasaran dan distribusi dilakukan melalui kantor penjualan, kantor perwakilan penjualan, hingga stockist (gudang penyimpanan) yang tersebar di banyak kota.
Mengelola begitu banyak unit yang berbagai di berbagai lokasi terpisah jelas bukan hal mudah. Untuk itu Sosro sudah sejak lama memanfaatkan TI. Namun sistem TI yang digunakan perusahaan ini masih konvensional, berupa electronic data processing (EDP) yang masih dikelola di bawah bagian accounting. Perkembangan bisnis dan teknologi yang semakin cepat membuat manajemen Sosro sadar pentingnya layanan data dan informasi yang terintegrasi. Sejak itu, rencana untuk menggabungkan seluruh aktivitas EDP mulai dipikirkan dan dilakukan secara bertahap.

Rencana pun dibuat dengan matang. Cetak biru implementasi TI, khususnya dalam pemanfaatan solusi ERP (Enterprise Resources Planning) di Sosro disiapkan sejak 1999 dan mulai diterapkan pada 2000. Targetnya, pada 2005 bagian produksi dan distribusi harus sudah on-line. Sistem ERP yang dibangun manajemen Sosro ini juga memungkinkan akses data dari kantor cabang Sosro di luar negeri.
Setelah solusi ERP diterapkan, banyak perubahan mendasar yang terjadi di tingkatan operasi dan administrasi. “Dulu perlu waktu lama untuk sekadar mendapatkan data terbaru perusahaan, kini semua data bisa diperoleh dengan cepat,” ungkap Hugo. Proses konsolidasi antar pabrik dan antar unit distribusi pun bisa dijalankan secara efisien. “Kami bahkan mampu menargetkan sebelum tengah malam data dari seluruh unit produksi sudah masuk,” jelasnya. Dengan demikian manajemen di kantor pusat bisa mengetahui perkembangan yang terjadi di setiap pabrik sepanjang hari itu.
Salah satu kendala yang dihadapi perusahaan saat menerapkan solusi ERP adalah kesiapan SDM dalam menjalankan berbagai prosedur baru yang selaras dengan tujuan pencapaian efisiensi di perusahaan. Namun, jika solusi ini diimplementasikan dengan tahapan-tahapan yang pasti, disosialisasikan dengan baik, dan didukung sepenuhnya oleh jajaran manajemen dan karyawan, maka solusi ini mampu mengintegrasikan proses bisnis secara efektif dan efisien, sehingga kinerja perusahaan pun akan meningkat.
www3.lintasarta.net/content.asp?id=77 - 34k -

III. Enterprise Resource Planning

Enterprise Resource Planning (ERP):

Mengintegrasikan Data, Meningkatkan Kinerja
Ketika perusahaan semakin tumbuh dan berkembang, kehadiran solusi aplikasi yang memungkinkan integrasi data dan informasi menjadi sebuah keharusan. Solusi aplikasi ERP dapat menjadi jawaban untuk menjawab kebutuhan tersebut.
ENTERPRISE RESOURCE PLANNING (ERP) merupakan solusi aplikasi yang mampu mengintegrasikan berbagai divisi atau unit di dalam perusahaan berdasarkan proses bisnis yang dikehendaki. Tujuan penerapan ERP di perusahaan adalah terciptanya optimalisasi dalam pengelolaan sumber daya yang dimiliki perusahaan, misalnya dalam hal informasi, biaya, tenaga kerja, material, bahan baku, mesin-mesin produksi, produk jadi, dan lain sebagainya. Sedangkan proses bisnis yang dimaksud di sini, antara lain, proses pengadaan, penyimpanan, distribusi, pemasaran, penjualan, perencanaan, dan sebagainya.
Dalam berbagai skala dan jenis industri, pengelolaan dan strategi yang baik terhadap penerapan solusi aplikasi ERP akan mendatangkan keunggulan kompetitif bagi perusahaan. Implementasi ERP secara efektif akan membuat proses bisnis di dalam perusahaan menjadi lebih cepat, efisien, dan murah. Namun agar perusahaan mampu menerapkan ERP secara efektif, dituntut kemauan dan upaya sungguh-sungguh dari jajaran manajemen dan karyawan perusahaan dalam penerapannya – termasuk dalam menyiapkan sikap dan perubahan budaya kerja setelah implementasi ERP dilakukan.

Implementasi Solusi ERP
Aplikasi ERP pada dasarnya bekerja berdasarkan proses yang berkaitan dengan mekanisme penciptaan informasi dan penyebarannya ke berbagai entitas organisasi yang membutuhkannya. Ambil contoh implementasi solusi ERP untuk mengitegrasikan lini produksi, pemasaran dan akuntasi pada PT Sinar Sosro yang memproduksi minuman Teh Botol Sosro. Dari proses yang serba manual Sosro menerapkan sistem informasi perusahaan terpadu berbasis teknologi informasi ini. Hasilnya, pengambilan keputusan menjadi lebih cepat karena ditunjang data – mulai dari data permintaan pasar, persediaan barang hingga produksi – yang mutakhir dan akurat. Kinerja produksi dan penjualannya terus melejit sementara biaya bisa ditekan.

Tentu saja, di balik keberhasilan ini, ada kerja keras dan dukungan teknologi informasi untuk mendistribusikan produknya ke seluruh wilayah Nusantara secara berkesinambungan – agar para penggemar fanatiknya tak sampai kecewa karena kehabisan minuman kegemarannya ini.
Untuk memperlancar proses distribusi produk minumannya, Sosro mempunyai sejumlah pabrik, kantor perwakilan wilayah, hingga unit penjualan. “Saat ini, Sosro memiliki delapan pabrik dan sembilan kantor perwakilan,” jelas Hugo Winanto, manajer TI PT Sinar Sosro. Pabrik Sosro tersebar di Medan, Jakarta, Pandeglang, beberapa kota di Jateng, Jatim, dan Kalimantan. Sementara pemasaran dan distribusi dilakukan melalui kantor penjualan, kantor perwakilan penjualan, hingga stockist (gudang penyimpanan) yang tersebar di banyak kota.
Mengelola begitu banyak unit yang berbagai di berbagai lokasi terpisah jelas bukan hal mudah. Untuk itu Sosro sudah sejak lama memanfaatkan TI. Namun sistem TI yang digunakan perusahaan ini masih konvensional, berupa electronic data processing (EDP) yang masih dikelola di bawah bagian accounting. Perkembangan bisnis dan teknologi yang semakin cepat membuat manajemen Sosro sadar pentingnya layanan data dan informasi yang terintegrasi. Sejak itu, rencana untuk menggabungkan seluruh aktivitas EDP mulai dipikirkan dan dilakukan secara bertahap.

Rencana pun dibuat dengan matang. Cetak biru implementasi TI, khususnya dalam pemanfaatan solusi ERP (Enterprise Resources Planning) di Sosro disiapkan sejak 1999 dan mulai diterapkan pada 2000. Targetnya, pada 2005 bagian produksi dan distribusi harus sudah on-line. Sistem ERP yang dibangun manajemen Sosro ini juga memungkinkan akses data dari kantor cabang Sosro di luar negeri.
Setelah solusi ERP diterapkan, banyak perubahan mendasar yang terjadi di tingkatan operasi dan administrasi. “Dulu perlu waktu lama untuk sekadar mendapatkan data terbaru perusahaan, kini semua data bisa diperoleh dengan cepat,” ungkap Hugo. Proses konsolidasi antar pabrik dan antar unit distribusi pun bisa dijalankan secara efisien. “Kami bahkan mampu menargetkan sebelum tengah malam data dari seluruh unit produksi sudah masuk,” jelasnya. Dengan demikian manajemen di kantor pusat bisa mengetahui perkembangan yang terjadi di setiap pabrik sepanjang hari itu.
Salah satu kendala yang dihadapi perusahaan saat menerapkan solusi ERP adalah kesiapan SDM dalam menjalankan berbagai prosedur baru yang selaras dengan tujuan pencapaian efisiensi di perusahaan. Namun, jika solusi ini diimplementasikan dengan tahapan-tahapan yang pasti, disosialisasikan dengan baik, dan didukung sepenuhnya oleh jajaran manajemen dan karyawan, maka solusi ini mampu mengintegrasikan proses bisnis secara efektif dan efisien, sehingga kinerja perusahaan pun akan meningkat.
www3.lintasarta.net/content.asp?id=77 - 34k -

I. Intelegent Artificial

Artificial Intellegence
Apakah AI itu?
Ada beberapa definisi yang diajukan oleh para ahli mengenai Artificial Intellegence. Salah satu definisi yang cukup jelas adalah :
Artificial Intellegence adalah sebagian dari komputer sains yang mempelajari (dalam arti merancang) sistem komputer yang berintelegensi, yaitu sistem yang memiliki karakteristik berpikir seperti manusia. (Avron Barr dan Edward E. Feigenbaum dalam bukunya "The handbook of AI").
Sementara ini komputer memang sudah sangat pandai dalam menghitung atau proses numerik. Kehebatan lainnya adalah kemampuan menyimpan data dan kemampuan mengerjakan operasi yang berulang dengan cepat dan tidak bosan-bosannya. Sejauh itu komputer belum memiliki intelegensi. Dimana dalam intelegensi ini terdapat komponen yang paling vital yang tidak dimiliki oleh komputer, yaitu ‘common sense’. Sense = kemengertian; common = umum. Secara sederhana, common sense adalah sesuatu yang membuat kita tidak sekedar memproses informasi, namun kita mengerti informasi tersebut. Kemengertian ini dimiliki oleh umum atau semua orang (normal), jadi disebut ‘kemengertian umum’.
Bagaimana caranya kita dapat membuat komputer yang berintelegensi ?
Bila kita melihat perbandingan antara otak manusia dengan mikroprosesor (otak komputer) pada tabel yang pernah digambarkan oleh Prof. Samaun Samadikun, otak manusia ‘kalah’ dalam hal waktu tunda propagasi, oleh karena itu manusia kalah dalam kecepatan perhitungan numerik. Dalam aspek lainnya otak manusia jauh di atas angin, terutama dalam tata letak dan jumlah elemennya. Sedangkan metoda pemrosesan secara paralel dalam komputer kini sudah dikembangkan untuk menggantikan kedudukan metoda pemrosesan yang diperkenalkan oleh Jon von Neumann, yaitu metoda pemrosesan sekuensial.



Lay Out
Jumlah device
Volume
Kerapatan
Disipasi daya
Fan in
Waktu tunda propagasi
Arsitektur
Bahan dasar Mikroprosesor
Dua Dimensi
± 5 juta transistor
± 0,01 cm3
50 juta device/cm3
7 watt
<10
10 nanodetik/gate
Von Neumann
Silicon Otak Manusia
Tiga dimensi
± 10 milyar neuron
1000 cm3
10 juta device/cm3
10 watt
1 s/d 100 ribu
1 milidetik/neuron
non Von Neumann
Organik
Sekarang ini Artificial Intellegence, dalam usahanya menirukan intelegensi manusia, belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini disebut ‘Cognitive Science’. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan pada komputer. Model ini masih mempunyai unsur pendugaan yang hasilnya nanti harus dites keabsahannya terhadap teori dasar yang mendukungnya tadi, apakah sudah dapat menirukan intelegensi atau belum.
Simbolik dan Non-Algoritmik
Bila kita melihat bagaimana cara kerja komputer modern sekarang ini yang belum berlandaskan AI. Mula-mula kita memberikan suatu program. Lalu, komputer akan mengerjakan dengan proses secara numerik setahap demi setahap setiap instruksi dari awal sampai akhir sesuai dengan program yang kita berikan. Di sini ada dua hal penting yang berbeda dengan cara kerja otak manusia. Pertama, komputer memproses secara numerik, sedangkan manusia cenderung memproses secara simbolik. Manusia memanipulasi simbol-simbol, sehingga ia bisa menurunkan rumus-rumus, suatu kemampuan yang belum dimiliki komputer. Dapat kita rasakan kapan kita berpikir dengan cara memanipulasi bilangan, tentu saja hanya ketika menghitung saja, selebihnya kita selalu memanipulasi simbol. Kedua, komputer memproses secara algoritmik, yaitu setahap demi setahap mengikuti suatu prosedur yang menuju suatu solusi. Sedangkan proses intelegensi lebih dari sekedar mengikuti prosedur yang setahap demi setahap, non-algoritmik. Arsitektur komputer konvensional memang dibuat untuk dapat memproses setahap demi setahap, dan bahasa-bahasa pemrogramannya juga berlandaskan algoritma. Bahasa-bahasa demikian disebut bahasa prosedural, misalnya Basic, Pascal, C, dan sejenisnya. Di lain pihak, AI tidak menggunakan bahasa prosedural, melainkan bahasa deklaratif. Dalam bahasa deklaratif, misalnya PROLOG, yang perlu adalah kita memberikan sejumlah fakta dan aturan-aturan yang mengkaitkan fakta tersebut, ia akan memecahkan masalah secara deduktif.
Metoda memproses informasi dalam AI adalah heuristik. Heuristik adalah petunjuk praktis yang membantu kita untuk memutuskan apa yang akan kita lakukan. Dengan heuristik kita tidak perlu berpikir secara lengkap dalam menghadapi masalah-masalah. Sadar atau tidak sadar kita seringkali menggunakan heuristik. Jika kita memegang suatu petunjuk praktis untuk menghadapi suatu situasi, kita akan dapat bertindak.
Pemrosesan Simbol
Telah disebutkan bahwa bahasa pemrograman AI harus berdasarkan bahasa yang memproses simbol. Bahasa pemroses simbol yang populer adalah LISP (List Processor). Yang sangat penting dalam pemrosesan simbol adalah konsep asosiasi. Dalam pikiran, kita membuat relasi antar kelompok-kelompok simbol yang satu dengan yang lain, dengan kata lain kita membuat asosiasi. Dalam LISP asosiasi antara simbol dilaksanakan dengan membentuk suatu struktur yang diberi nama list. Sebuah list terdiri dari sekelompok sel. Setiap sel terdiri dari dua bagian. Bagian awal berisi simbol, bagian lain berisi pointer yang berfungsi menghubungkan sel ini dengan sel yang lain. Dalam list yang lebih kompleks sel-sel dapat terdiri hanya dari pointer-pointer yang menghubungkan dia dengan sel lainnya.
Satu keistimewaan dengan menggunakan struktur list adalah kita tidak perlu tahu besarnya data ketika kita menulis program. Bahasa konvensional mengharuskan kita memesan suatu blok memori untuk menyimpan sejumlah data. Dalam list setiap sel dapat menunjukkan sel lain, sehingga besarnya data dapat berubah-ubah, dengan kata lain LISP memproses secara dinamik. Keistimewaan lain adalah mengerjakan secara rekursif. Sebuah list adalah sederetan elemen-elemen, dimana elemen ini boleh juga adalah list. Sehingga, sebuah list adalah sederetan list. Rekursif adalah istilah untuk definisi yang didalamnya terdapat kata yang didefinisikan. Contoh populer dari proses rekursif adalah pengerjaan faktorial. Faktorial mengikuti dua definisi :
o Faktorial satu adalah satu.
o Faktorial bilangan bulat adalah bilangan itu dikali faktorial bilangan bulat sebelum itu
Untuk menghitung faktorial sebuah bilangan harus dikerjakan dahulu faktorial "bilangan sebelum itu", dan seterusnya. Akhirnya akan berjumpa dengan faktorial satu yang adalah satu. Bahasa-bahasa lain dalam AI adalah :
o PROLOG, dari Universitas Marseiles
o POP-2, dari Universitas Edinburg
o SAIL, dari Universitas Stanford
o Smalltalk, dari Xerox PARC
Bidang-bidang AI
Ada beberapa bidang yang menjadi penyelidikan AI :
1. Expert System



Expert System adalah program komputer yang didisain untuk berlaku sebagai seorang ahli dalam suatu bidang khusus. Namun sekarang ini Expert System ‘hanya’ digunakan untuk membantu para ahli dalam memecahkan suatu masalah. Bahkan banyak orang yang tidak percaya bahwa Expert System dapat menggantikan para ahli, karena harus sedemikian banyaknya pengetahuan yang harus dimiliki oleh Expert System.

2. Natural Language Processing (NLP)



NLP dimaksudkan untuk mengenal makna dari bentuk kalimat yang berbeda-beda. Selain mampu mengerti bahasa kita sehari-hari, NLP juga mencakup kemampuan membentuk kalimat dalam bahasa sehari-hari

3. Speech Recognition



Dengan speech recognition ini suatu komputer dapat mengenali suara kita, dan sekaligus bisa membedakan berbagai macam bentuk sinyal

4. Computer Vision



Kalau kita melihat, sebenarnya bukan hanya melihat, tapi kita juga tahu apa yang kita lihat. Komputer yang berintelegensi juga harus mempunyai kemampuan ini.

5. Robotic



Robot adalah mesin yang dapat diprogram untuk melaksanakan tugas-tugas mekanik. Robot yang berintelegensi dapat memberi respon terhadap perubahan lingkungan.

6. Intelligent Computer Assisted Instruction



Komputer dimaksudkan untuk membantu dalam pendidikan, sehingga dapat mengajar dengan cara sesuai keadaan pelajar

7. Automatic Programming



Komputer dapat membuat program sendiri sesuai dengan spesifikasi yang diinginkan oleh programmer.

8. Planning and Decision Support
Komputer ini khusus membantu manager secara aktif dalam perencanaan dan pengambilan keputusan.

www.elektroindonesia.com/elektro/el0400c.html - 13k -

II. Intelegent Artificial

Artificial Intelligence : Intelligent Databases
In order to discuss the concept of intelligent database systems it is first useful to briefly examine what is meant by "intelligent". Dictionary definitions of intelligence contain references to concepts such as "intellectual skill" (Chambers 1999), being "endowed with the faculty of reason" or having "the capacity for understanding" and the "ability to perceive and comprehend meaning" (Collins 1994). Other, more general definitions of intelligence often take into account ideas of learning from mistakes. These definitions cannot be credibly applied to even the most advanced machine intelligences currently available so a different interpretation of the term in the context of databases must be sought.
Minsky (1968) concisely defines artificial intelligence as "The science of making machines do things that would require intelligence if done by men" while Eysenck (1990) gives us a way forward into the domain of intelligent databases with the statement, "Artificial intelligence is concerned with the attempt to develop complex computer programs that will be capable of performing difficult cognitive tasks." The tasks that an intelligent database must address are potentially extremely difficult, if not impossible, for a human mind to cope with. Tasks such as these involve searching for and deriving meaningful information across a huge data set. It would be almost impossible for human minds to deduce, induce or infer any significant new data from the vast data repositories with the efficiency or speed that machine intelligences in the form of "intelligent" databases do. Artificial intelligence is very good at addressing the problems that people are very bad at and it is in this context perhaps, that "intelligent" databases should be viewed.
Recent writers in the field such as Bertino, Catania and Zarri (2001) make this marriage between the two technologies explicit; "Intelligent database systems (IDBS) derive from the integration of database (DB) technology with techniques developed in the field of artificial intelligence (AI)". They also point out the inherent weaknesses of the technologies used in isolation, traditional databases lacking any semantic value and the inability of artificial intelligence methods to deal with large-data sets.
Encyclopaedic sources can offer more simplistic definitions. The World Wide Web reference TechEncyclopeadia (2002) describes an intelligent database as "a database that contains knowledge about the content of its data. A set of validation criteria are stored with each field of data, such as the minimum and maximum values that can be entered or a list of all possible entries" whilst Ralston and Reilly (1993) touch upon the role of rules, "In an intelligent database, the rules governing these functions can be stored within the database itself. This allows the database to react with its environment."
It is also useful to highlight some of the differences between traditional database systems and intelligent systems. A traditional database built around the relational data model for instance can only represent facts. Kannan and Geetha (1976) point out strengths from the area of knowledge based systems that traditional databases could benefit from; " facilities for knowledge representation, deductive reasoning, search with backtracking, control structures for deductive, plausible and inductive reasoning, knowledge refinement and validation, automatic classification of knowledge, explanation and dynamic human intervention".
Many of the sources researched for this paper originate from the 1980’s and early 1990’s and therefore attempt to define the concept of "Intelligent" databases in terms of the technologies available at the time. Parsaye et al (1989) write, "Intelligent databases represent the evolution and merger of several technologies including automatic discovery, hypermedia, object orientation, expert systems and traditional databases’. This is the essence of what has become to be known as the "evolutionary" approach; the amalgamation or extension of existing technologies into hybrid forms. An example of this is Ricardo’s (1990) five architectures proposal for a "Knowledge Based Management system":
1. Adding some database features to an expert system
2. Adding some intelligence to a database management system
3. Incorporating a database management system within an expert system
4. Loose coupling of an expert system and a database management system
5. Tight coupling of an expert system and an external database management system
Several authors, however, have also pointed out a fundamental incompatibility between expert systems and database systems when used as subsystems of the same system i.e. the relational data model in traditional systems and the frames and semantic network knowledge representation structures used in KBS.
Expert systems themselves are considered by some to have characteristics that qualify them as a form of "intelligent" database. "There is an obvious connection between expert systems and databases, because the knowledge base is simply a type of database. It differs from most databases in that it contains rules about facts rather than just facts" Fabbri and Schwab (1992).
Also known as Knowledge Based Systems, Expert Systems are designed to emulate an expert in a specialised knowledge domain such as medicine for instance, or any other area of knowledge where there is a shortage of expert knowledge or a "knowledge bottleneck". Commonly an expert system would consist of two components: a database of facts and rules, known as a knowledge base, and an inference engine, a program that can apply those rules and facts and come up with an "expert" solution to the question of a novice. The knowledge base (rules and facts) elicited from the expert by a trained "knowledge engineer" using various methods that can include methodical interviews and the repertory grid technique. Often the expert knowledge area is "fuzzy" in nature and contains a great deal of procedural knowledge (knowledge of how to do things as opposed to declarative, or fact based knowledge) so the knowledge engineer must be an expert in Knowledge elicitation themselves. Hart (1981) provides a definition of expert systems in this context, "A KBS is a computer system which is designed to help people w1th tasks involving uncertainty and imprecision, and which require judgment and knowledge. "
Ricardo (1999) gives us an example of how an expert system could be shown to be more useful than a traditional database, "while a database might be able to tell us whether an inventory item has reached its~ reorder point, an expert system could help us decide what the reorder point should be. Similarly, a database may tell us whether a student has a in each course this semester, but an expert system could suggest alternative course of action to be taken if the student's grade in a major course or grade-point average is below a C"
The classic expert system is MYCIN. Developed at Stanford University by Buchanan and Shortcliffe in 1974 as a research project, MYCIN is an attempt to systemise medical decision making for practical day-to-day use. Its main function is to help doctors, medical students and paramedics to select antimicrobial therapies for patients with serious infections such as meningitis and bacteraemia by identifying the responsible organisms. To this end, MYCIN instigates a dialogue with a user by asking a series of questions that can be answered with simple single word answers, circumventing the need for a complex language recognition subsystem. Questions and responses deal with results of body fluid analyses, symptoms displayed, and general patient characteristics such as age and gender and lead in the first instance to a diagnosis, and then to prescribe a course of drugs that should in theory control the infection and work favourably together. Provision for user uncertainty on test results is built into the system, as MYCIN will accept "unknown" as an input alongside a numerical degree of confidence factor within the range -1 to +1. In this way the system can reason with incomplete data. By inputting "Why" a user can also request MYCIN to explain which hypotheses it is currently testing and how the user response to the current question will support or rule out that line of enquiry. It was noted that in a series of double blind tests that MYCIN performed on a par with human medical experts.
MYCIN's underlying data or knowledge base is very detailed, being as comprehensive as most human medical specialists within the domain. Containing as it does the distilled knowledge of a wide range of these specialists MYCIN considers every disease that it holds data on where human neglect may cause an incorrect diagnosis and treatment. Data and rule maintenance is performed at a major medical centre covering developments in the field from journals that only specialists would normally look at, therefore promoting complete currency.
The inference engine that deals with reasoning is a completely separate module from the knowledge base and allows the easy modification and addition of rules that are immediately implemented through an English like language. This is part of a production system called EMYCIN that represents a collection of bilateral rules consisting of a pattern part and an action part. On rule activation, pattern parts are tested for matches in the knowledge base and when found the action part of the rule is triggered using variable values determined by the pattern. This production system operates on a backward chaining control strategy.
Although being the first to "address the problems of reasoning with uncertain or incomplete information" and provide "a clear and logical explanation of the reasoning" (Luger and Stubblefield 1998) it must be remembered that MYCIN was purely a research project and was never tested or used in a real world environment. MYCIN did however set standards for future developments in expert systems and is still studied as archetypal for the genre.
Some of the disadvantages of expert systems are detailed by Hart (1989). She mentions that some problems are too complex, for instance where experts disagree in a given domain, for an expert system to adequately handle. Some expert knowledge may suffer from too much uncertainty and there may be knowledge missing or the knowledge may be updating too quickly to capture it for machine representation. Other commentators have pointed out that expert systems are expensive to develop, maintain and run in terms of both computer power (not such a big problem with recent advances in PCs) and human resource time (expert time being at a premium in the first place). Sleight (1993) also points out deficiencies in computer experts; "Computers have problems with ambiguous words, and words that have multiple meanings. Currently it is impossible to build into a knowledge base a broad sense of the world, so context is a problem".
Abel, Castilho and, Campbell (1998) describe an intelligent database system that represents a "tight-coupled hybrid" similar in architecture to item 5 of Ricardo's proposals. PetroGrapher provides for petrographic analysis in the field of sedimentary geology, a domain encompassing large amounts of diverse data and complex knowledge. It aims to be a system that integrates the symbolic knowledge representation and inferencing strengths of an expert system and the large scale data handling abilities of a relational database i.e. storage, management and consultation. PetroGrapher takes as input a user generated case that describes a sedimentary geological feature through a sophisticated visual interface that that supports the user driven process of description by suggesting data input structure and making sedimentary petrography terminology available. The forward-chaining inferencing sub-system then attempts to find a best match between the parts of that case and "knowledge graph" nodes in the relational database subsystem that have been elicited from geology experts. The system eventually provides the user with a geologic interpretation of the described features according to knowledge extracted from an expert.
This is achieved by three tiered approach to knowledge modelling that involves relational and object oriented methods, AI frame techniques and inferential components termed "Knowledge graphs" which capture the associations between petrographic features and geological interpretations and represent the influence each feature has on interpretation. The graphs are mapped and stored alongside other data in the relational database as a special form of table used for consultation.
The main disadvantages of PetroGrapher are large overheads in terms of processing speed in periods of high interaction between the various sub-systems, most noticeable during the interpretation process where inferencing is performed. The developers comment that this is momentary and justifiable as the system architecture allows data to remain independent, as they desire. Multi-user access is also an area where performance is less than adequate and it is speculated that future research would be justified.
An alternative perspective to the evolutionary approach comes in the form of the revolutionary. Revolutionary systems propose new architectures integrating the rules for integrity constraints into the actual database leaving associated applications free to concentrate resources on their primary tasks. Ralston and Reilly (1993) give an example of integrity constraint as "one that specifies that oil suppliers have only one store from which they sell their products. A rule might specify that if a supplier supplies screwdrivers, they must also supply screws. This rule obviates the need to list screws explicitly in the database." When application programs handle integrity constraints there can often be inconsistency. For instance, one application may validate data where another may not. For the sake of consistency it would make the best sense that all validation and integrity functions are done in the same place i.e. in the database itself.
A revolutionary approach is detailed by Bertino, Catania and Zarri (2001) where they describe an intelligent database as a system characterised by the existence of a large database of several million persistent facts coupled with an extensive rule base that stores rules encoding "intensional domain knowledge". Where earlier attempts at expert systems produced applications that worked off very small fact bases often loaded into volatile memory at execution time, they describe contemporary systems as separate phenomena in that the facts remain persistent. By persistent they mean that the fact base must be maintained permanently even when the intensional rule base is not making inferences about those facts, and adding to the fact base with those inferences.
Examples of these types of databases can be found in deductive databases, sometimes referred to as Logic Databases due to their reliance on mathematical logic to define: rules that are expressed declaratively. Deductive rules are most useful when in possession of all the required information needed in order to reach a valid conclusion or decision. Rules in deductive databases can be used to infer new information about facts at ready stored i.e. they permit data to be defined by other data. They can also provide query functions that can operate on facts and rules as well as testing for consistency in the fact base. One of the disadvantages of deductive databases is that they can perform slowly when faced with recursive rule firing, that is, when a rule references itself and does so repeatedly until an escape condition is met. This problem is commented upon in the example of TEMIBASE, given below.
Eaglestone and Ridley (1998) conclude that despite little market impact there is great potential for deductive reasoning in databases and that "Few applications have been identified which can fully exploit the expressive power of deductive database technology." Bertino, Catania and Zarri (2001) confirm this, but also point to some successes in deductive database technology in scientific and medical information systems.
Deductive principles are used in what are termed temporal databases. These are database systems that deal not only with current data forms, as do conventional databases, but also maintain past, present and future data and support storage and query of information that may vary in time. Deficiencies in conventional databases for storing and manipulating temporal data are succinctly expressed by Kannan and Geetha (1996) : "Conventional databases capture only a snapshot of reality". They remark on the need for systems in areas such as forest information, weather monitoring and population statistics that can perform tasks using temporal reasoning in order to provide maximum utility where prediction, planning, explanation and learning from often incomplete, large scale time based data is crucial. To this end they have developed a system called TEMIBASE that "maintains past, present and future data effectively and allows querying on them with provisions for deductive inferencing to perform non-monotonic temporal reasoning on incomplete temporal data".
TEMIBASE provides a database query language that extends the commercially available Structured Query Language (SQL) to be able to process queries that deal with the change in data over time coupled with a separate rule manager and inference engine to perform the temporal reasoning. Using these tools conclusions can be drawn from incomplete data in a way that would be impossible for a conventional database system. This is also achieved by TEMIBASE's use of active rules alongside deductive rules. In TEMIBASE, passive deductive rules are used to handle recursion on data in historical systems, population statistics for example, and active rules are used to continuously monitor and respond to events in real time systems such as these used in banking.
TEMIBASE has been tested with data taken from the Tamil Nadu Forest Department and observations on system performance compared favourably with existing commercial database systems when not using the temporal reasoning subsystem or using only a few rules. It was shown however, that system performance suffered a speed deficit when many rules were used in reasoning. This performance lag argue Kannan and Geetha, is counterbalanced by the reduction in application development time offered by TEMIBASE and its extended functionality in terms of its temporal reasoning capabilities.
A different form of logic is implemented in a system developed by the Smart Medical Database (Xoetronics 2002). Xoetronics claim that their Smart Medical Database uses inductive rather that deductive logic to produce a database that is dynamic and capable of interaction in real time and that this jump in logic approaches is only really possible until recently due to advances in hardware and software technology. In contrast to the use of deductive rules, inductive rules are used when it is impractical or impossible to gather all of the information that would be required for deductive reasoning.
The Smart Medical Database (SMDB) addresses a need for an immediate, practical way for a doctor to compare treatment choices and relative outcomes for large numbers (1000 or so) of patients to support a well founded diagnosis from a readily accessible compilation of collective, but incomplete (hence the use of induction), medical wisdom. To this end, the SMDB is an integrated software tool based on artificial intelligence and Bayesian probability statistics seeking to enable the doctor with statistical information from a wide range of statistically significant relevant patient cases. The patient data is integrated with hospital management data such as cost, payment data and strategic planning which enables one outcome of using SMDB to be the lowering of health care expenses by up to 25%. This is made possible by the SMDB as it gives doctors access to the relevant information that can help to avoid making costly mistakes such as ineffective courses of treatment. SMDB is different to previously developed databases or expert systems, such as MYCIN in that it relies on a range of heterogeneous actual clinical data rather than static lists of weighted symptoms. Existing systems based on static list processing would produce differing results influenced by minute changes to single data field values whereas SMDB makes diagnoses based on probability of correctness functions based on a large collection of accumulated clinical data. For a particular patient subsequent medical data is used to refine the diagnosis and that updated data is itself added .to the database. SMDB does not rely on a particular diagnosis model as previous systems did but instead dynamically gives the doctor a set of probabilities and outcomes adapting in real time to help each individual patient case. In this capacity SMDB acts not as an imitation expert as discussed previously with reference to expert systems but as "a very sophisticated portal that allows access to data". It does not recommend decision actions but functions support tool for doctors to arrive at their own decisions based on clinical statistics.
Whether or not we can describe the database systems discussed in this paper as truly "intelligent" or not depends on how "intelligence" is actually defined. What we can say is that by incorporating various techniques of rule implementation from the domain of Artificial Intelligence it is possible to create advanced database systems that are capable of performing tasks that it would be impossible for a human to achieve unaided. Hardware advances in disk storage and memory alongside new developments in rule algorithms, such as those in the field of inductive reasoning, will bring new opportunities for progression in the area of databases, upgrading utility and providing us with increasingly advanced toolkits for information and knowledge management.
Lee Jorgensen Jan 2003
References
1. Chambers Dictionary, by Chambers Harrap Publishers, Ltd. 1994
2. Collins Dictionary, Harper Collins, 1994
3. Minsky, M.L., ed., "Semantic information processing". Cambridge, MA: MIT Press 1968 4. Eysenck, Michael W., "Artificial Intelligence," in M. W. Eysenck (ed.), The Blackwell Dictionary of Cognitive Psychology, Oxford, Basil Blackwell, 1990
5. Bertino, B. Catania, G.P. Zarri, "Intelligent Database Systems", Addison Wesley, 2001
6. TechEncyclopedia 2002
7. Ralston and E.D. Reilly, "Encyclopaedia of Computer Science", Chapman and Hall, 1993
8. Kannan and Geetha : "Temporal Reasoning with Intelligent Databases": 1996
9. Parsaye et al: "Intelligent Databases: Object Oriented, Deductive Hypermedia Technologies" : John Wiley and Sons: 1989
10. Ricardo, C. M: "Database Systems: Principles Design and Implementation" : Prentice Hall (Sd) (Mar 1, 1990)
11. Fabbri and Schwab: "Practical Database Management" :PWS-KENT: 1992
12. A. Hart: "Knowledge Acquisition for Expert Systems", Kogan Page, 1989
13. Luger G.F., and Stubblefield, W.A.: "Artificial Intelligence: Structures and strategies for Complex Problem Solving" : London: Addison-Wesley: 1998
14. D. Sleight : Intelligent Databases: Easing Access~ to Information": Michigan State University : 1993
15. Abel, J M V Castilho and J A Campbell: "PetroGrapher: a solution in intelligent database system for petrographic analysis" : 1998
16. Eaglestone and Ridley: "Object Databases: An introduction": McGraw Hill: 1998
17. Xoetronics : "Smart Medical Database": 2002
© 2005 AKRI Ltd. Applied Knowledge Research & Innovation
Website by funzig web design : Ribble Valley, Blackburn & Lancashire

III. Intelegent Artificial

Kecerdasan Buatan
Istilah kecerdasan buatan sebenarnya berasal dari bahasa Inggris: “Artificial Intelligence”. Jika diartikan tiap kata, artificial artinya buatan, sedangkan intelligence adalah kata sifat yang berarti cerdas. Jadi artificial intelligence maksudnya adalah sesuatu buatan atau suatu tiruan yang cerdas. Cerdas di sini kemungkinan maksudnya adalah kepandaian atau ketajaman dalam berpikir, seperti halnya otak manusia dalam menyelesaikan suatu masalah.
Secara awam kecerdasan buatan diterjemahkan sebagai sebuah sistem saraf, atau sensor atau otak yang diciptakan oleh sebuah mesin. Sebenarnya kecerdasan buatan merujuk kepada mesin yang mampu untuk berpikir, menimbang tindakan yang akan diambil, dan mampu mengambil keputusan seperti yang dilakukan oleh manusia.

Alan Turing, ahli matematika berkebangsaan Inggris yang dijuluki bapak komputer modern dan pembongkar sandi Nazi dalam era Perang Dunia II tahun 1950, dia menetapkan definisi Artificial Intelligent : Jika komputer tidak dapat dibedakan dengan manusia saat berbincang melalui terminal komputer, maka bisa dikatakan komputer itu cerdas, mempunyai intelegensi.
Kecerdasan buatan itu sesuatu yang diciptakan oleh manusia, untuk menggantikan manusia. Jadi bisa jadi kecerdasan buatan itu merupakan suatu ancaman.
Walau pun menyadari bahwa kecerdasan buatan bisa jadi adalah suatu ancaman untuk manusia, tapi manusia masih saja mengembangkan apa yang disebut dengan kecerdasan buatan. Manusia masih saja mencoba mengembangkan / mendapatkan sesuatu (teknologi) yang baru, yang dapat berpikir seperti manusia. Hal ini terjadi karena adanya ketidakpuasan dalam diri manusia, manusia ingin mendapatkan sesuatu dengan cara yang lebih mudah. Lagipula memang ada keterbatasan-keterbatasan dalam diri manusia, seperti otak manusia yang hanya mampu berpikir dengan frekuensi kira-kira 100 Hz dan karena manusia mempunyai rasa capai. Bandingkan dengan komputer sekarang yang mampu mengolah data dengan frekuensi 4 GHz. Komputer juga tidak mempunyai rasa capai walau pun harus mengolah data yang sama berulang-ulang.
Walaupun terasa sangat futuristik dan terlihat berbahaya, karena mesin nantinya akan memiliki kecerdasan dan emosi, para pakar AI menganggap pengembangan disiplin ilmu ini penting karena bisa diterapkan di Internet nantinya. Misalnya saja, di masa mendatang ketika Anda mengunjungi sebuah situs agen perjalanan, maka di layar komputer akan muncul wajah seorang wanita yang sangat sempurna karena semuanya berupa ciptaan komputer. Uniknya, Anda akan mampu bercakap-cakap dengan wanita artifisial ini, seperti layaknya Anda berbicara dengan staff wanita beneran di counter biro perjalanan. Kalau ini tercapai, maka pelayanan dapat diberikan 100% online, dengan akurasi yang sangat tinggi. Terutama dari konsistensi, keramahan, kecepatan dan akurasi pelayanan. Lain kalau kita menggunakan staff manusia asli yang konsistensinya tidak bisa akurat karena terpengaruh kepada kondisi fisik dan emosi saat itu.
Saat ini sudah banyak teknologi kecerdasan buatan yang dihasilkan dan dipakai oleh manusia. Misalnya saja pada robot Asimo yang bisa menari dan berjalan, atau pada permainan komputer yang dirancang untuk membuat manusia berpikir keras untuk mengalahkannya. Contoh lain ada di industri otomotif. Adanya teknologi komputer yang mampu mengolah data dengan cepat dipakai untuk memberikan peringatan pada pengemudi mobil untuk menghindari terjadinya tabrakan.
Yak… begitulah sedikit cerita tentang Kecerdasan Buatan. Hope you enjoy i
kampustembalang.web.id/2007/06/03/kecerdasan-buatan/ - 27k –

I. Decision Support System

Definitions
Because there are many approaches to decision-making and because of the wide range of domains in which decisions are made, the concept of decision support system (DSS) is very broad. A DSS can take many different forms. In general, we can say that a DSS is a computerized system used for supporting rather than automating decisions. A decision is a choice between alternatives based on estimates of the values of those alternatives. Supporting a decision means helping people working alone or in a group gather intelligence, generate alternatives and make choices. Supporting the choice making process involves supporting the estimation, the evaluation and/or the comparison of alternatives. In practice, references to DSS are usually references to computer applications that perform such a supporting role.[1]
The term decision support system has been used in many different ways (Alter 1980, Power, 2002) and has been defined in various ways depending upon the author's point of view [2]. Finlay [3] and others define a DSS rather broadly as "a computer-based system that aids the process of decision making." Turban [4] defines it more specifically as "an interactive, flexible, and adaptable computer-based information system, especially developed for supporting the solution of a non-structured management problem for improved decision making. It utilizes data, provides an easy-to-use interface, and allows for the decision maker's own insights."
Other definitions fall between these two extremes. For Little [5], a DSS is a "model-based set of procedures for processing data and judgments to assist a manager in his decision-making." For Keen [6], a DSS couples the intellectual resources of individuals with the capabilities of the computer to improve the quality of decisions ("DSS are computer-based support for management decision makers who are dealing with semi-structured problems"). Moore and Chang [7] define DSS as extendible systems capable of supporting ad hoc data analysis and decision modeling, oriented toward future planning, and used at irregular, unplanned intervals. For Sprague and Carlson [8], DSS are "interactive computer-based systems that help decision makers utilize data and models to solve unstructured problems." In contrast, Keen [9] claims that it is impossible to give a precise definition including all the facets of the DSS ("there can be no definition of decision support systems, only of decision support"). Nevertheless, according to Power [10], the term decision support system remains a useful and inclusive term for many types of information systems that support decision making. He humorously adds that every time a computerized system is not an on-line transaction processing system (OLTP), someone will be tempted to call it a DSS. As you can see, there is no universally accepted definition of DSS. [11]
Recommended reading: Druzdzel and Flynn (1999), Power (2000), Sprague and Watson (1993), the first chapter of Power (2002), the first chapter of Marakas (1999), the first chapter of Silver (1991), the first two chapters of Sauter (1997), and Holsaple and Whinston (1996).
[edit] A brief history
In the absence of an all-inclusive definition, we focus on the history of DSS (see also Power[11]). According to Keen [6], the concept of decision support has evolved from two main areas of research: the theoretical studies of organizational decision making done at the Carnegie Institute of Technology during the late 1950s and early 1960s, and the technical work on interactive computer systems, mainly carried out at the Massachusetts Institute of Technology in the 1960s. It is considered that the concept of DSS became an area of research of its own in the middle of the 1970s, before gaining in intensity during the 1980s. In the middle and late 1980s, executive information systems (EIS), group decision support systems (GDSS), and organizational decision support systems (ODSS) evolved from the single user and model-oriented DSS. Beginning in about 1990, data warehousing and on-line analytical processing (OLAP) began broadening the realm of DSS. As the turn of the millennium approached, new Web-based analytical applications were introduced.
It is clear that DSS belong to an environment with multidisciplinary foundations, including (but not exclusively) database research, artificial intelligence, human-computer interaction, simulation methods, software engineering, and telecommunications.
DSS also have a weak connection to the user interface paradigm of hypertext. Both the University of Vermont PROMIS system (for medical decision making) and the Carnegie Mellon ZOG/KMS system (for military and business decision making) were decision support systems which also were major breakthroughs in user interface research. Furthermore, although hypertext researchers have generally been concerned with information overload, certain researchers, notably Douglas Engelbart, have been focused on decision makers in particular.
[edit] Characteristics and Capabilities of DSS
Because there is no exact definition of DSS, there is obviously no agreement on the standard characteristics and capabilities of DSS. Turban, E.,Aronson, J.E., and Liang, T.P. [12] constitute an ideal set of characteristics and capabilities of DSS. The key DSS characteristics and capabilities are as follows:
1. Support for decision makers in semistructured and unstructured problems.
2. Support managers at all levels.
3. Support individuals and groups.
4. Support for interdependent or sequential decisions.
5. Support intelligence, design, choice, and implementation.
6. Support variety of decision processes and styles.
7. DSS should be adaptable and flexible.
8. DSS should be interactive and provide ease of use.
9. Effectiveness balanced with efficiency (benefit must exceed cost).
10. Complete control by decision-makers.
11. Ease of development by (modification to suit needs and changing environment) end users.
12. Support modeling and analysis.
13. Data access.
14. Standalone, integration and Web-based.
[edit] Taxonomies
As with the definition, there is no universally accepted taxonomy of DSS either. Different authors propose different classifications. Using the relationship with the user as the criterion, Haettenschwiler [13] differentiates passive, active, and cooperative DSS. A passive DSS is a system that aids the process of decision making, but that cannot bring out explicit decision suggestions or solutions. An active DSS can bring out such decision suggestions or solutions. A cooperative DSS allows the decision maker (or its advisor) to modify, complete, or refine the decision suggestions provided by the system, before sending them back to the system for validation. The system again improves, completes, and refines the suggestions of the decision maker and sends them back to her for validation. The whole process then starts again, until a consolidated solution is generated.
Using the mode of assistance as the criterion, Power [14] differentiates communication-driven DSS, data-driven DSS, document-driven DSS, knowledge-driven DSS, and model-driven DSS.
• A model-driven DSS emphasizes access to and manipulation of a statistical, financial, optimization, or simulation model. Model-driven DSS use data and parameters provided by users to assist decision makers in analyzing a situation; they are not necessarily data intensive. Dicodess is an example of an open source model-driven DSS generator [15].
• A communication-driven DSS supports more than one person working on a shared task; examples include integrated tools like Microsoft's NetMeeting or Groove[16]
• A data-driven DSS or data-oriented DSS emphasizes access to and manipulation of a time series of internal company data and, sometimes, external data.
• A document-driven DSS manages, retrieves and manipulates unstructured information in a variety of electronic formats.
• A knowledge-driven DSS provides specialized problem solving expertise stored as facts, rules, procedures, or in similar structures.[14]
Using scope as the criterion, Power [10] differentiates enterprise-wide DSS and desktop DSS. An enterprise-wide DSS is linked to large data warehouses and serves many managers in the company. A desktop, single-user DSS is a small system that runs on an individual manager's PC.
[edit] Architectures

This article may require cleanup to meet Wikipedia's quality standards.
Please improve this article if you can. (December 2007)

Once again, different authors identify different components in a DSS. For example, Sprague and Carlson [8] identify three fundamental components of DSS: (a) the database management system (DBMS), (b) the model-base management system (MBMS), and (c) the dialog generation and management system (DGMS).
• Haag et al. [17] describe these three components in more detail:
The Data Management Component stores information (which can be further subdivided into that derived from an organization's traditional data repositories, from external sources such as the Internet, or from the personal insights and experiences of individual users); the Model Management Component handles representations of events, facts, or situations (using various kinds of models, two examples being optimization models and goal-seeking models); and the User Interface Management Component is, of course, the component that allows a user to interact with the system.
• According to Power [14], academics and practitioners have discussed building DSS in terms of four major components: (a) the user interface, (b) the database, (c) the model and analytical tools, and (d) the DSS architecture and network.
• Hättenschwiler [13] identifies five components of DSS:
(a) users with different roles or functions in the decision making process (decision maker, advisors, domain experts, system experts, data collectors),
(b) a specific and definable decision context,
(c) a target system describing the majority of the preferences,
(d) a knowledge base made of external data sources, knowledge databases, working databases, data warehouses and meta-databases, mathematical models and methods, procedures, inference and search engines, administrative programs, and reporting systems, and
(e) a working environment for the preparation, analysis, and documentation of decision alternatives.
• arakas [18] proposes a generalized architecture made of five distinct parts:
(a) the data management system,
(b) the model management system,
(c) the knowledge engine,
(d) the user interface, and
(e) the user(s).
[edit] Development Frameworks
DSS systems are not entirely different from other systems and require a structured approach. A framework was provided by Sprague and Watson (1993). The framework has three main levels. 1. Technology levels 2. People involved 3. The developmental approach
1. Technology Levels
Sprague has suggested that there are three levels of hardware and software that has been proposed for DSS.
a) Level 1 – Specific DSS
This is the actual application that will be used to by the user. This is the part of the application that allows the decision maker to make decisions in a particular problem area. The user can act upon that particular problem.
b) Level 2 – DSS Generator
This level contains Hardware/software environment that allows people to easily develop specific DSS applications. This level makes use of case tools or systems like Crystal
c) Level 3 – DSS Tools
Contains lower level hardware/software. DSS generators including special languages, function libraries and linking modules
2. People Involved
Sprague suggests there are 5 roles involved in a typical DSS development cycle.
a) The end user.
b) An intermediary.
c) DSS developer
d) Technical supporter
e) Systems Expert
3. Developmental
The developmental approach for a DSS system should be strongly iterative. This will allow for the application to be changed and redesigned at various intervals. The initial problem is used to design the system on and then tested and revised to ensure the desired outcome is achieved.
[edit] Classifying DSS
There are several ways to classify DSS applications. Not every DSS fits neatly into one category, but a mix of two or more architecture in one.
Holsapple and Whinston [19] classify DSS into the following six frameworks: Text-oriented DSS, Database-oriented DSS, Spreadsheet-oriented DSS, Solver-oriented DSS, Rule-oriented DSS, and Compound DSS.
A compound DSS is the most popular classification for a DSS. It is a hybrid system that includes two or more of the five basic structures described by Holsapple and Whinston [19].
The support given by DSS can be separated into three distinct, interrelated categories [20]: Personal Support, Group Support, and Organizational Support.
Additionally, the build up of a DSS is also classified into a few characteristics. 1) inputs: this is used so the DSS can have factors, numbers, and characteristics to analyze. 2) user knowledge and expertise: This allows the system to decide how much it is relied on, and exactly what inputs must be analyzed with or without the user. 3) outputs: This is used so the user of the system can analyze the decisions that may be made and then potentially 4) make a decision: This decision making is made by the DSS, however, it is ultimately made by the user in order to decide on which criteria it should use.
DSSs which perform selected cognitive decision-making functions and are based on artificial intelligence or intelligent agents technologies are called Intelligent Decision Support Systems (IDSS)[21].
[edit] Applications
As mentioned above, there are theoretical possibilities of building such systems in any knowledge domain.
Some of the examples is Clinical decision support system for medical diagnosis. Other examples include a bank loan officer verifying the credit of a loan applicant or an engineering firm that has bids on several projects and wants to know if they can be competitive with their costs.
DSS is extensively used in business and management. Executive dashboard and other business performance software allow faster decision making, identification of negative trends, and better allocation of business resources.
A growing area of DSS application, concepts, principles, and techniques is in agricultural production, marketing for sustainable development. For example, the DSSAT4 package[22][23], developed through financial support of USAID during the 80's and 90's, has allowed rapid assessment of several agricultural production systems around the world to facilitate decision-making at the farm and policy levels. There are, however, many constraints to the successful adoption on DSS in agriculture[24].
A specific example concerns the Canadian National Railway system, which tests its equipment on a regular basis using a decision support system. A problem faced by any railroad is worn-out or defective rails, which can result in hundreds of derailments per year. Under a DSS, CN managed to decrease the incidence of derailments at the same time other companies were experiencing an increase.
DSS has many applications that have already been spoken about. However, it can be used in any field where organization is necessary. Additionally, a DSS can be designed to help make decisions on the stock market, or deciding which area or segment to market a product toward.
[edit] Benefits of DSS
1. Improving Personal Efficiency
2. Expediting Problem Solving
3. Facilitating Interpersonal Communication
4. Promoting Learning or Training
5. Increasing Organizational Control
[edit] References
1. ^ Alter, S. L. (1980). Decision support systems: current practice and continuing challenges. Reading, Mass., Addison-Wesley Pub.
2. ^ Druzdzel, M. J. and R. R. Flynn (1999). Decision Support Systems. Encyclopedia of Library and Information Science. A. Kent, Marcel Dekker, Inc.
3. ^ Finlay, P. N. (1994). Introducing decision support systems. Oxford, UK Cambridge, Mass., NCC Blackwell; Blackwell Publishers.
4. ^ Turban, E. (1995). Decision support and expert systems: management support systems. Englewood Cliffs, N.J., Prentice Hall. ISBN 0-024-21702-6
5. ^ Little, J.D.C.(1970, April). "Models and Managers:The Concept of a Decision Calculus." Management Science, Vol.16,NO.8
6. ^ a b Keen, P. G. W. (1978). Decision support systems: an organizational perspective. Reading, Mass., Addison-Wesley Pub. Co. ISBN 0-201-03667-3
7. ^ Moore, J.H.,and M.G.Chang.(1980,Fall)."Design of Decision Support Systems." Data Base,Vol.12, Nos.1 and 2.
8. ^ a b Sprague, R. H. and E. D. Carlson (1982). Building effective decision support systems. Englewood Cliffs, N.J., Prentice-Hall. ISBN 0-130-86215-0
9. ^ Keen, P. G. W. (1980). Decision support systems: a research perspective. Decision support systems : issues and challenges. G. Fick and R. H. Sprague. Oxford ; New York, Pergamon Press.
10. ^ a b Power, D. J. (1997). What is a DSS? The On-Line Executive Journal for Data-Intensive Decision Support 1(3).
11. ^ a b Power, D.J. A Brief History of Decision Support Systems DSSResources.COM, World Wide Web, version 2.8, May 31, 2003.
12. ^ Turban, E., Aronson, J.E., and Liang, T.P.(2005). Decision Support Systems and Intelligent Systems. New Jersey, Pearson Education, Inc.
13. ^ a b Haettenschwiler, P. (1999). Neues anwenderfreundliches Konzept der Entscheidungsunterstützung. Gutes Entscheiden in Wirtschaft, Politik und Gesellschaft. Zurich, vdf Hochschulverlag AG: 189-208.
14. ^ a b c Power, D. J. (2002). Decision support systems: concepts and resources for managers. Westport, Conn., Quorum Books.
15. ^ Gachet, A. (2004). Building Model-Driven Decision Support Systems with Dicodess. Zurich, VDF.
16. ^ Stanhope, P. (2002). Get in the Groove: building tools and peer-to-peer solutions with the Groove platform. New York, Hungry Minds
17. ^ Haag, Cummings, McCubbrey, Pinsonneault, Donovan (2000). Management Information Systems: For The Information Age. McGraw-Hill Ryerson Limited: 136-140. ISBN 0-072-81947-2
18. ^ Marakas, G. M. (1999). Decision support systems in the twenty-first century. Upper Saddle River, N.J., Prentice Hall.
19. ^ a b Holsapple, C.W., and A. B. Whinston. (1996). Decision Support Systems: A Knowledge-Based Approach. St. Paul: West Publishing. ISBN 0-324-03578-0
20. ^ Hackathorn, R. D., and P. G. W. Keen. (1981, September). "Organizational Strategies for Personal Computing in Decision Support Systems." MIS Quarterly, Vol. 5, No. 3.
21. ^ Gadomski A.M. et al. (1998). Integrated Parallel Bottom-up and Top-down Approach to the Development of Agent-based Intelligent DSSs for Emergency Management,TIEMS98, Washington, CiteSeerx - alfa:
22. ^ DSSAT4 (pdf)
23. ^ The Decision Support System for Agrotechnology Transfer
24. ^ Stephens, W. and Middleton, T. (2002). Why has the uptake of Decision Support Systems been so poor? In: Crop-soil simulation models in developing countries. 129-148 (Eds R.B. Matthews and William Stephens). Wallingford:CABI.
[edit] References not yet tagged in text
• Delic, K.A., Douillet,L. and Dayal, U. (2001) "Towards an architecture for real-time decision support systems:challenges and solutions.
• Gadomski, A.M. et al.(2001) "An Approach to the Intelligent Decision Advisor (IDA) for Emergency Managers.Int. J. Risk Assessment and Management, Vol. 2, Nos. 3/4.
• Gomes da Silva, Carlos; Clímaco, João; Figueira, José. European Journal of Operational Research.
• Ender, Gabriela (2005-2007) E-Book about the OpenSpace-Online Real-Time Methodology: Knowledge-sharing, problem solving and results-oriented group dialogs in real-time about topics that matter. Download http://www.openspace-online.com/OpenSpace-Online_eBook_en.pdf
• Jiménez, Antonio; Ríos-Insua, Sixto; Mateos, Alfonso. Computers & Operations Research.
• Jintrawet, Attachai (1995). A Decision Support System for Rapid Assessment of Lowland Rice-based Cropping Alternatives in Thailand. Agricultural Systems 47: 245-258.
• Matsatsinis, N.F. and Y. Siskos (2002), Intelligent support systems for marketing decisions, Kluwer Academic Publishers.
• Power, D. J. (2000). Web-based and model-driven decision support systems: concepts and issues. in proceedings of the Americas Conference on Information Systems, Long Beach, California.
• Reich, Yoram; Kapeliuk, Adi. Decision Support Systems., Nov2005, Vol. 41 Issue 1, p1-19, 19p.
• Sauter, V. L. (1997). Decision support systems: an applied managerial approach. New York, John Wiley.
• Silver, M. (1991). Systems that support decision makers: description and analysis. Chichester ; New York, Wiley.
• Sprague, R. H. and H. J. Watson (1993). Decision support systems: putting theory into practice. Englewood Clifts, N.J., Prentice Hall.

II. Decision Support System

DSS Basics
A Decision Support System (DSS) is an interactive computer-based system or subsystem intended to help decision makers use communications technologies, data, documents, knowledge and/or models to identify and solve problems, complete decision process tasks, and make decisions. Decision Support System is a general term for any computer application that enhances a person or group’s ability to make decisions. Also, Decision Support Systems refers to an academic field of research that involves designing and studying Decision Support Systems in their context of use. In general, Decision Support Systems are a class of computerized information system that support decision-making activities. Five more specific Decision Support System types include:


Overview: DSS Web Tour
Background: What is a DSS?, A Brief History of DSS, A Brief History of Spreadsheets
Framework: Supporting Decision-Makers

III. Decision Support System

13/04: Overview Tugas Kuliah Decision Support System
Category: General
Posted by: ardi
Decision Support System merupakan salah satu mata kuliah pilihan yang diberikan di Jurusan Teknik Industri Universitas Indonesia khusunya untuk mahasiswa yang berada di semester ke-enam. Pada dasarnya mata kuliah ini sangat berguna terutama untuk menganalisa tentang suatu keputusan yang akan di ambil baik itu pada level perusahaan ataupun pada realita yang terjadi sehari-hari. Dalam mata kuliah ini kita mempelajari dua tools tentang analisa keputusan yang baik, yang pertama adalah AHP yang diberikan sampai mid-term dan ANP yang diberikan dari akhir mid-term sampai akhir masa kuliah..Dari kuliah tentang AHP yang telah dilakukan, Dosen kita memberikan 6 tugas mengenai Dasar-dasr AHP, Implementasi, hingga penggunaan software Expert Choice..Berikut ini saya akan coba sedikit mereview tentang tugas-tugas tersebut.

Tugas 1
Pada tugas pertama, kita diwajibkan untuk mencari jurnal yang berhubungan dengan Decision Support System. Pada tugas ini saya mendapatkan jurnal dengan tema A Decision Support System for Group Buying based on Buyers’ Preferences in Electronic Commerce. Jurnal ini sangat menarik dimana penulis memaparkan tentang konsep group buying dengan sangat detail. Ternyata konsep group buying ini tanpa kita sadari telah banyak kita praktekkan pada kehidupan sehari-hari. Di samping itu penulis juga memberikan contoh pengolahan data yang menggunakan AHP. Bermula dari sini pula saya sudah mengerti tentang konsep AHP dan mulai tertarik untuk mempelajari konsep tersebut lebih jauh.

nTugas 2

Pada tugas ke dua ini, kita diminta untuk mencari jurnal ataupun artikel tentang AHP. Menurut saya tugas yang kedua ini sangat bagus karena kita langsung memahami lebih jauh tentang konsep AHP baik itu cara pembobotannya, mendefinisikan tujuan, kriteria, maupun alternatif. dan juga melihat hasil pengolahan data dalam bentuk diagram dan barchart.

Tugas 3

Pada tugas ketiga, kita juga diminta untuk mencari jurnal tentang pengambilan keputusan secara kualitatif. dan pada tuga sini saya mendapatkan jurnal tentang Intelligent Decision Support System for Eye-Hand Coordination. Jurnal ini juga tidak kalah bagusnya dari jurnal-jurnal sebelumnya, dimana pada jurnal ini kita disajikan informasi mengenai sebuah tes yang sangat rumit untuk menilai kemampuan koordinasi antara mata dan tangan seorang anak, dimana untuk mencapai pendekatan optimal dari tes tersebut tidak bisa dengan menggunakan metode kuantitatif. Jadi mau gak mau, digunakanlah metode kualitatif. dan metode kualitatif yang digunakan disini yaitu LOGIKA FUZZY. Ternyata logika fuzzy itu tidak sesusah namanya lho..

Tugas 4

Pada tugas keempat kita kembali mencari Jurnal tentang AHP dan juga ditambah dengan dua buah file AHP yang dikerjakan dengan Expert Choice. ANALYTIC HIERARCHY PROCESS AS A DECISION-SUPPORT SYSTEM IN THE PETROLEUM PIPELINE INDUSTRY merupakan judul dari jurnal yang saya peroleh yang bercerita tentang pemilihan rute jalur pipa untuk menghubungkan antara sumber minyak mentah atau gas dengan kilang minyak atau perusahaan pengolah. Jalur yang dipilih adalah jalur yang terpendek, namun ada tujuan-tujuan lain yang muncul secara besamaan bahkan ada yang bertentangan, seperti: Geophysical, environmental, political, social, economic, dan regulatory factors.
Akan tetapi untuk tugas yang kedua yaitu mencari file AHP, kita sempat dibuat kelabakan soalnya mencari file AHP di internet itu susah banget..Sebernarnya alasannya cuma satu yaitu orang gak mungkin donk mengupload file yang sangat penting untuk dishare ke orang rame..mungkin ditakutkan file tersebut akan disalahgunakan oleh pengguna. Sebagai jalan keluar dari masalah ini, saya mencoba sendiri membuat file AHP berbekal pengalaman sendiri. disini saya membuat dua file AHP yang pertama tentang memilih ISP terbaik dan yang kedua tentang Menentukan kebijakan untuk pembangunan LADIAGALASKA di Leuser.

Tugas 5

Pada tugas kelima, kita kembali diminta untuk mencari jurnal tentang cara pembobotan di AHP. disini saya mendapatkan jurnal dengan judul Selecting a Weighting Criteria for System Allocation. Pada jurnal ini dijelaskan cara pembobotan di AHP dengan perbandingan berpasangan,dimana salah satu karakteristiknya adalah adanya hubungan timbal balik yaitu jika A dibandingkan dengan B = 2, maka B dibandingkan dengan A = 1/2.

Tugas 6

Yah ini dia tugas terakhir kita sebelum memasuki jadwal mid-test, tapi bukan mid-test untuk DSS lho. soalnya dosen mata kuliah DSS tidak mengadakan mid-test. Tugas keenam ini adalah membuat file AHP mengenai case study yang kita tentuin sendiri. disini saya membuat keputusan tentang memilih notebook terbaik yang layak diperoleh oleh kawan-kawan mahasiswa. dan dari file ini diperoleh hasil yaitu ternyata notebook yang paling bagus untuk dibeli oleh rekan-rekan mahsaiswa adalah THOSIBA.


ijarsunardi.com/index.php?itemid=24 - 15k –