BAB III Pendukung Keputusan Konsep Sistem , Metodologi , dan Teknologi : An
BAB 10 SUPPORTING DECISION MAKING
B. KECERDASAN BUATAN DAN TEKNOLOGI DALAM BISNIS
Kecerdasan buatan (Artificial Inteligence/AI) dipraktekkan dalam bisnis dengan berbagai cara. Kecerdasan Buatan /AI sendir merupakan ranah teknologi dan sains yang berasal dari ilmu komputer, biologu, psikologi, ilmu bahasa, matematika dan ke-teknikan
37
(enginering).Dengan kehadiran kecerdasan buatan tersebut komputer diharapkan memiliki kemampuan untuk berfikir sebaik mungkin seperti halnya manusia. Komputer juga didorong mampu berfungsi layaknya kecerdasan manusia sebagaimana.
Beberapa atribut perilaku cerdas. AI mencoba untuk menduplikasi kemampuan ini dalam sistem berbasis komputer.
Kehadiran teknologi kecerdasan buatan sempat diragukan kemampuannya ketika pertama kali dicetuskan pada tahun 1950an. Banyak pakar dengan berbagai latar belakan mempertanyakan kemampuan dari kecerdasan buatan tersebut. Alan Turing, sebagai pelopor kecerdasan buatan kala itu mengajukan metode untuk mengetahui sejauhmana kemampuan komputer dalam berfikir layaknya manusia. Walaupun penelitian serupa terus dikembangkan, hal tersebut belum dapat meredam berbagai kritik dan keraguan atas teknologi kecerdasan buatan. Salah satu metode turunan dari Turin adalah CAPTCHA (Completely Automated Public Turing test to tell Computer and Human Apart). Test CAPTCHA tersebut pada mulanya berupa serangkaian proses yang diciptakan oleh manusia untuk mengetes komputer, namun saat ini digunakan sebaliknya yaitu diciptakan (create) oleh komputer untuk mengetes manusia. Karena komputer pada umumnya tidak dapat lolos dari tes CAPTCHA, sehingga bisa dipastikan bahwa yang bisa melalui ter tersebut adalah manusia. Praktek semacam ini banyak diimplementasikan pada transaksi melalui Web.
10.16 Ruang Lingkup Kecerdasan Buatan
Ruang lingkup utama dari kecerdasan buatan yang terdiri dari tiga aspek utama yaitu kognitif, robotik dan natural interface, walaupun dimungkinkan adanya aspek lain dan adanya tumpang tindih antar aspek.
38
Gambar 6 Atribut utama kecerdasan buatan.
Perhatikan bahwa banyak aplikasi AI dapat dikelompokkan menjadi tiga bidang utama yaitu kognitif ilmu pengetahuan, robotika, dan interface alami. Untuk itu diperlukan pembahasan terperinci dari tiga aspek tersebut sebagai berikut:
1. Kognitif, merupakan area kecerdasan buatan yang bersumber dari ilmu biologi, neurologi, psikologi matematik dan berbagai disiplin lainnya. Aspek ini berfokus pada upaya bagaimana otak manusia bekerja untuk berfikir dan belajar serta berbasis pada penelitian tentang bagaimana manusia memproses informasi. Penggunaan kecerdasan buatan dalam aspek ilmu kognitif dapat dicontohkan sebagai berikut:
penggunaan expert system dan knowledge based system
sistem logika fuzzy, untuk memproses data yang tidak lengkap, ambigu dan permasalahan yang bersifat semi struktural
Jaringan saraf tiruan mampu bekerja dengan mengenali pola dan mencari solusi dengan pola tersebut
Algoritma genetika bekerja layaknya teori Darwin yang dapat mensimulasikan proses evolusi
Inteligence Agent, menggunakan expert system dan berbagai teknologi dalam kecerdasan buatan untuk menggantikan peran manusia dalam bidang tertentu
39
2. Robotik, berdasar pada ilmu keteknikan, psikologi dan kecerdasan buatan sehingga memungkinkan robot memiliki daya melihat, menilai sesuatu, meraba dan ketangkasan dalam menangani atau memanipulasi. Juga dimungkinkan dalam aktivitas lokomosi dan pergerakan suatu barang dari area satu ke area lain atau menentukan tujuan pergerakan.
3. Natural Interface, Pengembangan natural interface dilandasi keinginan penggunaan komputer secara alami, sebagai contohnya adalah pengenalan bahasa alami dan pengenalan suara. Kedua hal tersebut menjadi objek pengembangan pada aspek natural interface. Keinginan untuk menjadikan komputer dan robot mampu memahami bahasa manusia menjadikan berbagai riset tentang aspek ini berkembang.
10.17 Sistem Pakar (Expert System)
Salah satu penggunaan kecerdasan buatan yang paling populer adalah sistem pakar. Sistem pakar bermula dari sistem informasi pengetahuan (knowledge based), dan digunakan secara spesifik dan pada permasalahan yang kompleks guna berperan layakanya konsultan ahli. Sistem pakar memungkinkan mendukung keputusan karena mampu memberikan sejumlah alasan terhadap suatu permasalahan yang membutuhkan pengetahuan tertentu. Sistem pakar memiliki dua komponen yaitu dasar pengetahuan dan software. Pengetahuan berisi kejadian atau fakta tentang subjek dan tatacara penilaian terhadap subjek. Sedangkan sofware memuat program-program untuk melakukan pendugaan dan media berkomunikasi dengan pengguna.
Sistem pakar bertindak layaknya konsultan. Menanyakan sejumlah pertanyaan kepada pengguna, melakukan pencarian terhadap pengetahuan dan metode yang berkaitan dengan pertanyaan kemudian menyusun sejumlah argumen dan saran terhadap suatu subjek permasalahan. Penggunaan sistem pakar kini kian meluas ke berbagai bidang profesi seperti mendiagnosa penyakit, menganalisa kandungan bahan, memberi saran rekomendasi atas perbaikan, membimbing konsumen atau melakukan perencanaan keuangan. Sehingga dari sudut pandang bisnis, sistem pakar dapat dilibatkan dalam proses atau siklus bisnis.
Sistem pakar mendapatkan pengetahuan dari para ahli, dan bisa melampaui kinerja seorang pakar. Hal tersebut dimungkinkan karena sistem pakar tidak mengenal lelah, dapat menampung informasi dari banyak pakar dengan sekaligus dan bekerja lebih cepat dan konsisten. Sistem pakar mampu melestarikan kepakaran seseorang dan menyimpannya. sehingga perusahaan tidak perlu khawatir kehilangan pakarnya dikarenakan pakar tersebut berhenti dari perusahaan. Terlebih lagi, sistem pakar memungkinkan pengetahuan yang dimiliki dan terekam didalamnya untuk dibagi dan digunakan secara bersama.
40
Kelemahan dari sistem pakar ada pada ketidakmampuan untuk belajar, tidak fokus, perawatan dan pengembangan. Sistem pakar hanya dapat menyelesaikan permasalahan yang spesifik karena keterbatasan bahan pengetahuan yang dimiliki dan tidak dapat menyelesaikan masalah yang bersifat subjektif. Sistem pakar mampu menghasilkan analisisis tajam terhadap objek yang dikuasainya, namun lemah terhadap penunjangan keputusan yang bersifat subjektif. Secara teknis, perawatan dan pengemabngan dari sistem pakar membutuhkan biaya yang tidak sedikit. Juga sistem pakar tidak dapat belajar dari pengetahuan yang dimilikinya secara mandiri melainkan harus diajarkan.
10.18 Pengembangan Sistem Pakar
Expert system shell (ESS) digunakan sebagai alat bantu pengembangan sistem pakar. Metode tersebut meruapakan cara termudah untuk mengembangkan sistem tersebut. ESS merupakan paket software berisis sistem pakar tanpa fasilitas pemrograman, karena inti dari sistem pakar adalah pengetahuan. ESS kadang dilengkapi dengan fitur tambahan seperti editor dan pengolah antar muka. ESS saat ini semakin mudah digunakan, bahkan pengembang yang tidak memiliki latar belakang teknologi informasi dapat mengembangkan sistem pakar. Kemudahan juga diperoleh dari variasi biaya paket software ESS.
Dalam pengembangan sistem pakar dikenal knowledge engineer, yaotu seseorang yang bertugas memasukkan pengetahuan yang didapat dari para pakar kedalam sistem. Proses pengambilan pengetahuan tersebut memerlukan kepakaran tersendiri, oleh karena itu pengetahuan yang telah dimasukkan kedalam sistem oleh engineer harus dites terlebih dahulu. Posisi knowledge engineer mirip dengan analis sistem informasi.
Ketika suatu perusahaan memutuskan untuk membuat suatu sistem pakar, maka diperlukan knowledge engineer dan para ahli. Knowledge engineer membantu para ahli untuk merancang sistem pakar dengan bantuan ESS. Para ahli juga menentukan modul dan metode apa yang digunakan oleh sistem untuk menilai dan menyelesaikan permasalahan berdasarkan kepakaran. Proses tersebut bisa jadi dilakukan berulang-ulang agar sistem pakar dapat menyamai output yang dihasilkan oleh para ahli.
10.19 Jaringan Saraf Tiruan (Neural Network)
Neural network merupakan model komputasi yang menyerupai kerja jejaring interkoneksi pada otak manusia yang disebut neuron. Seperti halnya kerja otak manusia, jejaring sarat tiruan dapat belajar dari data-data yang dimasukkan untuk menghasilkan pola dan hubungan antar data tersebut. Semakin banyak data yang bisa dimasukkan, semakin bagus output yang dihasilkan karena komputer akan terus belajar dari data yang baru diinputkan. Sebagai contoh, dari sejumlah data karakteristik nasabah kredit dan data
41
kualitas pinjaman, memungkinkan bagi sistem yang bekerja dengan jejaring saraf tiruan untuk mengenali karakter peminjam seperti apa yang akan berpotensi masalah, begitu pula sebaliknya. Untuk menghasilkan akurasi yang tinggi, jejaring saraf tiruan harus terus senantiasa dilatih dengan menginput sejumlah data dengan beragam variasi karakter.
10.20 Logika Fuzzy
Walaupun sederhana namun logika fuzzy merupakan aplikasi yang sangat serius digunakan sebagai kecerdasan buatan untuk aplikasi bisnis. Metode fuzzy bekerja layaknya manusia berpendapat, karena seringkali manusia berpendapat yang sifatnya subjektif. Logika fuzzy mampu bekerja dengan data yang sifatnya ambigu, tidak tegas dan menghasilkan keputusan yang sifatnya perkiraan dan berada diantara dua hal yang diperbandingkan.
Bagaimana logika fuzzy dapat menghasilkan output yang sifatnya tidak presisi? Penjelasannya sebagai berikut:
Ketika data yang dinput bersifat ambigu dan tidak sempurnya, metode fuzzy mampu menghasilkan kesimpulan dengan cepat namun dapat diterima dari data tersebut. Sekalipun metode fuzzy bekerja dengan situasi yang tidak presisi, namun logika fuzzy bukanlah suatu yang sifatnya tidak pasti dan tidak presisi, karena logika fuzzy mampu memberi ketepatan yang berguna dalam pengambilan keputusan.
10.21 Algoritma Genetika
Penggunaan algoritma genetika saat ini sedang berkembang. Metode algoritma genetik mengikuti teori seleksi alam Darwin, pengacakan dan beberapa fungsi matematis untuk mensimulasikan proses evolusi yanang nantinya dapat berguna bagi keputusan bisnis. Proses ini dapat menyingkat waktu mengingat proses evolusi yang terjadi dialam berlangsung ribuan tahun, sedangkan melalui algoritma genetikaproses tersebut dapat berjalan dengan singkat. Penggunaan algoritma genetika khususnya berguna bagi perusahaan yang telah memiliki sejumlah solusi yang pernah dipraktekkan namun masih dinilai perlu untuk memilih mana yang terbaik dari sekian banyak solusi tersebut. Algoritma genetik menggunakan sejumlah proses matematis untuk memilih secara acak (random) dan menseleksi output mana yang baik dan mana yang lemah sehingga yang tersisa adalah solusi yang paling baik dan optimal.
10.22 Realita Virtual
Realita virtual merupakan simulasi dunia nyata via komputer. Realita Virtual mengalami peningkatan pengunaan paling cepat dibanding model kecerdasan buatan lainnya karena
42
lebih natural, realistik dan melibatkan interaksi antara indra manusia dan antarmuka komputer. Realita Virtual juga sering dikenal dengan telepresence. Penggunaan multi sensor dalam realita virtual dan memungkinkan bertinteraksi dengan panca indra lainnya menjadikan pengguna realita virtual memberikan pengalaman tersendiri bagi pengguna. Teknologi realita virtual memungkinkan interaksi dan penyajian data dalam kacamata video, earphone dan sensor-sensor yang mendeteksi pergerakan sejumlah organ tubuh.
Penggunaan teknologi realita virtual sangat luas seperti teknik CAD (Computer Aided Design), simulasi penerbangan, diagnosa medis, percobaan ilmiah di bidang fisika dan biologi, hiburan, demo produk, dan games. Teknik CAD paling banyak digunakan dalam bisnis. Teknik tersebut memungkinkan desainer atau arsitek melakukan tes terhadap desain yang telah dibuat tanpa harus membuat rancangan fisiknya terlebih dahulu. Visualisasi yang dihasilkan dapat dimanfaatkan oleh praktisi farmasi untuk mengembangkan bahan pengobatan baru atau menjadi model pengganti tubuh manusia.
Teknologi realita virtual dikatakan telepresence apabila digunakan oleh seorang atau banyak orang di berbagai tempat secara bersamaan.