teknologi informasi 6

Kecerdasan buatan (AI) yaitu  simulasi proses kecerdasan manusia 

oleh mesin, terutama sistem komputer. Proses-proses ini termasuk 

pembelajaran (perolehan informasi dan aturan untuk memakai  

informasi), penalaran (memakai  aturan untuk mencapai perkiraan 

kesimpulan yang pasti) dan koreksi diri. Aplikasi AI tertentu termasuk 

sistem pakar, pengenalan ucapan, dan visi mesin.AI dapat dikategorikan 

lemah atau kuat. AI lemah, juga dikenal sebagai AI sempit, yaitu  sistem 

AI yang dirancang dan dilatih untuk tugas tertentu. Asisten pribadi 

virtual, seperti Apple Siri, yaitu  bentuk AI yang lemah. AI yang kuat, 

juga dikenal sebagai kecerdasan umum buatan, yaitu  sistem AI dengan 

kemampuan kognitif manusia secara umum. saat  disajikan dengan 

tugas yang tidak dikenal, sistem AI yang kuat dapat menemukan solusi 

tanpa campur tangan manusia.

sebab  biaya perangkat keras, perangkat lunak, dan staf untuk 

AI bisa mahal, banyak vendor memasukkan komponen AI dalam 

penawaran standar mereka, serta akses ke platform Artificial Intelligence 

as a Service (AIaaS). AI sebagai Layanan memungkinkan individu dan 

perusahaan untuk bereksperimen dengan AI untuk berbagai tujuan 

bisnis dan mencicipi berbagai platform sebelum membuat komitmen.

Tawaran cloud AI populer termasuk layanan Amazon AI, IBM Watson 

Assistant, Microsoft Cognitive Services dan layanan Google AI.

Sementara alat AI menyajikan berbagai fungsionalitas baru untuk 

bisnis, penggunaan kecerdasan buatan memicu  pertanyaan etis. 

Ini sebab  algoritma pembelajaran yang mendalam, yang menopang 

banyak alat AI paling canggih, hanya secerdas data yang diberikan 

dalam pelatihan. sebab  manusia memilih data apa yang harus 

dipakai  untuk pelatihan program AI, potensi bias manusia melekat 

dan harus dipantau secara ketat.Beberapa pakar industri percaya bahwa 

istilah kecerdasan buatan terlalu terkait erat dengan budaya populer, 

memicu  warga  umum memiliki ketakutan yang tidak realistis 

tentang kecerdasan buatan dan harapan yang tidak mungkin tentang 

bagaimana hal itu akan mengubah tempat kerja dan kehidupan secara 

umum. Para peneliti dan pemasar berharap label augmented intelijen, 

yang memiliki konotasi yang lebih netral, akan membantu orang 

memahami bahwa AI hanya akan meningkatkan produk dan layanan, 

bukan menggantikan manusia yang memakai nya.

Jenis Artificial Intelligent

Arend Hintze, asisten profesor biologi integratif dan ilmu komputer 

dan teknik di Michigan State University, mengkategorikan AI menjadi 

empat jenis, dari jenis sistem AI yang ada saat ini ke sistem hidup, yang 

belum ada. Kategorinya yaitu  sebagai berikut:

· Mesin reaktif. 

Contohnya yaitu  Deep Blue, program catur IBM yang mengalahkan 

Garry Kasparov pada 1990-an. Deep Blue dapat mengidentifikasi 

bagian-bagian di papan catur dan membuat prediksi, namun  tidak 

memiliki ingatan dan tidak dapat memakai  pengalaman masa 

lalu untuk memberi tahu yang berikutnya. Ini menganalisa  langkah 

yang mungkin - sendiri dan lawannya - dan memilih langkah paling 

strategis. Deep Blue dan GoogleGOGO dirancang untuk tujuan yang 

sempit dan tidak dapat dengan mudah diterapkan pada situasi lain.

· Memori terbatas. 

Sistem AI ini dapat memakai  pengalaman masa lalu untuk 

menginformasikan keputusan masa depan. Beberapa fungsi pengambilan keputusan dalam mobil self-driving dirancang dengan 

cara ini. Pengamatan menginformasikan tindakan yang terjadi di 

masa depan yang tidak terlalu jauh, seperti jalur penggantian mobil. 

Pengamatan ini tidak disimpan secara permanen.

· Teori pikiran.

Istilah psikologi ini mengacu pada pemahaman bahwa orang lain 

memiliki keyakinan, keinginan, dan niat mereka sendiri yang 

memengaruhi keputusan yang mereka buat. AI jenis ini belum ada.

· Kesadaran diri. 

Dalam kategori ini, sistem AI memiliki rasa diri, memiliki kesadaran. 

Mesin dengan kesadaran diri memahami keadaan mereka saat ini 

dan dapat memakai  informasi untuk menyimpulkan apa yang 

orang lain rasakan. AI jenis ini belum ada.

 Metode dan tujuan dalam AI

Penelitian AI mengikuti dua metode yang berbeda, Pendekatan simbolik 

vs koneksionis, dan sedikit banyak bersaing, pendekatan simbolis 

(atau "top-down"), dan pendekatan koneksionis (atau "bottom-up"). 

Pendekatan top-down berusaha  mereplikasi kecerdasan dengan 

menganalisa  kognisi yang terlepas dari struktur biologis otak, dalam hal 

pemrosesan simbol — dari mana label simbolik. Pendekatan bottom-up, 

di sisi lain, melibatkan pembuatan jaringan saraf tiruan dalam meniru 

struktur otak — di mana label koneksionis.

Untuk menggambarkan perbedaan antara pendekatan ini, 

pertimbangkan tugas membangun sistem, dilengkapi dengan 

pemindai optik, yang mengenali huruf-huruf alfabet. Pendekatan 

bottom-up biasanya melibatkan pelatihan jaringan saraf tiruan dengan 

menghadirkan surat satu per satu, secara bertahap meningkatkan 

kinerja dengan "menyetel" jaringan. (Tuning menyesuaikan respons 

dari jalur saraf yang berbeda terhadap rangsangan yang berbeda.) 

Sebaliknya, pendekatan top-down biasanya melibatkan penulisan 

program komputer yang membandingkan setiap huruf dengan deskripsi 

geometris. Sederhananya, kegiatan saraf yaitu  dasar dari pendekatan 

bottom-up, sedangkan deskripsi simbolik yaitu  dasar dari pendekatan 

top-down.Dalam The Fundamentals of Learning (1932), Edward Thorndike, seorang psikolog di Universitas Columbia, New York City, 

pertama kali menyarankan bahwa pembelajaran manusia terdiri dari 

beberapa properti koneksi yang tidak diketahui antara neuron di otak. 

Dalam Organisasi Perilaku (1949), Donald Hebb, seorang psikolog di 

McGill University, Montreal, Kanada, menyarankan bahwa pembelajaran 

secara khusus melibatkan penguatan pola aktivitas saraf tertentu 

dengan meningkatkan probabilitas (berat) dari neuron yang diinduksi 

menembak antara koneksi yang terkait. Gagasan koneksi berbobot 

dijelaskan di bagian selanjutnya, Connectionism.

Pada tahun 1957 dua advokat kuat AI simbolik - Allen Newell, 

seorang peneliti di RAND Corporation, Santa Monica, California, dan 

Herbert Simon, seorang psikolog dan ilmuwan komputer di Carnegie 

Mellon University, Pittsburgh, Pennsylvania - merangkum pendekatan 

top-down di apa yang mereka sebut hipotesis sistem simbol fisik. 

Hipotesis ini menyatakan bahwa pemrosesan struktur simbol cukup, 

pada prinsipnya, untuk menghasilkan kecerdasan buatan dalam 

komputer digital dan bahwa, lebih lanjut, kecerdasan manusia yaitu  

hasil dari jenis manipulasi simbolik yang sama.Selama tahun 1950-an 

dan 60-an pendekatan top-down dan bottom-up diusaha kan secara 

bersamaan, dan keduanya mencapai hasil yang patut diperhatikan, jika 

terbatas. Namun, selama tahun 1970-an, AI bottom-up diabaikan, dan 

baru pada tahun 1980-an pendekatan ini kembali menjadi menonjol. Saat 

ini kedua pendekatan diikuti, dan keduanya diakui sebagai menghadapi 

kesulitan. Teknik simbolik bekerja di alam yang disederhanakan namun  

biasanya rusak saat  berhadapan dengan dunia nyata; sementara 

itu, para peneliti dari bawah tidak dapat meniru sistem saraf bahkan 

makhluk hidup yang paling sederhana sekalipun. Caenorhabditis 

elegans, cacing yang banyak diteliti, memiliki sekitar 300 neuron yang 

pola interkoneksinya sangat dikenal. Namun model koneksionis telah 

gagal untuk meniru bahkan worm ini. Jelas, neuron teori koneksionis 

yaitu  penyederhanaan yang berlebihan dari hal yang nyata.

Sejarah

Pekerjaan substansial paling awal di bidang kecerdasan buatan dilakukan 

pada pertengahan abad ke-20 oleh ahli logika dan perintis komputer 

Inggris Alan Mathison Turing. Pada tahun 1935 Turing menggambarkan mesin komputasi abstrak yang terdiri dari memori tanpa batas dan 

pemindai yang bergerak bolak-balik melalui memori, simbol demi 

simbol, membaca apa yang ditemukannya dan menulis simbol lebih 

lanjut. Tindakan pemindai ditentukan oleh program instruksi yang 

juga disimpan dalam memori dalam bentuk simbol. Ini yaitu  konsep 

program tersimpan Turing, dan tersirat di dalamnya kemungkinan 

mesin beroperasi, dan sebab nya memodifikasi atau memperbaiki 

programnya sendiri. Konsepsi Turing sekarang dikenal hanya sebagai 

mesin Turing universal. Semua komputer modern pada dasarnya yaitu  

mesin Turing universal.

Turing.A 1930

Fine Art Images—Heritage Images/age footstock

Selama Perang Dunia II, Turing yaitu  seorang cryptanalyst 

terkemuka di Government Code dan Cypher School di Bletchley 

Park, Buckinghamshire, Inggris. Turing tidak dapat beralih ke proyek 

membangun mesin komputer program elektronik yang disimpan 

sampai penghentian permusuhan di Eropa pada tahun 1945. Namun, 

selama perang ia memberi  banyak pemikiran terhadap masalah 

kecerdasan mesin. Salah satu rekan Turing di Bletchley Park, Donald 

Michie (yang kemudian mendirikan Departemen Intelijen dan Persepsi 

Mesin di Universitas Edinburgh), kemudian mengingat bahwa Turing 

sering membahas bagaimana komputer dapat belajar dari pengalaman 

serta memecahkan masalah baru melalui penggunaan prinsip-prinsip 

panduan — suatu proses yang sekarang dikenal sebagai pemecahan 

masalah heuristik.

Turing memberi  kuliah umum paling awal (London, 1947) 

untuk menyebutkan kecerdasan komputer, dengan mengatakan, "Apa 

yang kita inginkan yaitu  mesin yang dapat belajar dari pengalaman," 

dan bahwa "kemungkinan membiarkan mesin mengubah instruksi 

sendiri menyediakan mekanisme." untuk ini. ”Pada tahun 1948 ia 

memperkenalkan banyak konsep sentral AI dalam sebuah laporan 

berjudul“ Mesin Cerdas. ”Namun, Turing tidak menerbitkan makalah 

ini, dan banyak gagasannya kemudian diciptakan kembali oleh orang 

lain. Misalnya, salah satu ide asli Turing yaitu  untuk melatih jaringan 

neuron tiruan untuk melakukan tugas tertentu, sebuah pendekatan 

yang dijelaskan dalam bagian Connectionism.

 Expert System

www.pagmac.com

Dalam kecerdasan buatan atau biasa disebut AI, sistem pakar 

(Expert System) yaitu  sistem komputer yang mensimulasikan 

kemampuan pengambilan keputusan seorang ahli. Expert System

dirancang untuk memecahkan masalah yang kompleks sesuai dengan 

logika yang ada melalui kumpulan pengetahuan, Expert System dapat 

menyelesaikan banyak masalah yang umumnya membutuhkan ahli 

manusia. Ini didasarkan pada pengetahuan yang diperoleh dari seorang 

ahli. Itu juga mampu mengekspresikan dan menalar tentang beberapa 

domain pengetahuan. Expert System yaitu  pendahulu dari kecerdasan 

buatan saat ini, pembelajaran mendalam dan sistem pembelajaran 

mesin. Adapun sifat  penting dalam Expert System yaitu : The Highest Level of Expertise : Expert System menawarkan tingkat 

keahlian tertinggi. Ini memberi  efisiensi, akurasi dan pemecahan 

masalah yang imajinatif.

· Right on Time Reaction: Expert System mengurangi waktu pengerjaan 

sebanyak mungkin tampa mengurangi keakuratan dalam proses 

dan hasil yang didapatkan.

· Good Reliability: Expert System harus selalu dapat diandalkan dan 

bisa mengerjakan sesuatu tanpa membuatkesalahan.

· Flexible: Harus selalu bisa ,enyelesaikan berbagai macam masalah 

yang berbeda-beda.

· Effective Mechanism: Expert System harus bisa menyelesaikan 

masalah seefektif mungkin dengan memakai  sumberdaya yang 

tersedia.

· Capable of handling challenging decision & problems: Expert System 

mampu menyelasaikan masalah yang sulit dan memberi  solusi 

yang paling tepat.

Expert System yaitu  contoh sistem berbasis pengetahuan dibagi 

menjadi dua subsistem: mesin inferensi dan basis pengetahuan. Basis 

pengetahuan mewakili fakta dan aturan. Mesin inferensi menerapkan 

aturan pada fakta yang diketahui untuk menyimpulkan fakta baru. Mesin 

inferensi juga dapat mencakup kemampuan penjelasan dan debugging.. 

Expert System yaitu  sistem komersial pertama yang memakai  

arsitektur berbasis pengetahuan. Sistem berbasis pengetahuan pada 

dasarnya terdiri dari dua sub-sistem: basis pengetahuan dan mesin 

inferensi. Basis pengetahuan mewakili fakta tentang dunia. Dalam 

sistem pakar awal seperti Mycin dan Dendral, fakta-fakta ini diwakili 

terutama sebagai pernyataan datar tentang variabel. Dalam sistem pakar 

kemudian dikembangkan dengan kulit komersial, basis pengetahuan 

mengambil lebih banyak struktur dan memakai  konsep-konsep 

dari pemrograman berorientasi objek. Dunia direpresentasikan sebagai 

kelas, subclass, dan instance dan pernyataan digantikan oleh nilai 

instance objek. Aturan berfungsi dengan menanyakan dan menegaskan 

nilai objek. Mesin inferensi yaitu  sistem penalaran otomatis yang 

mengevaluasi keadaan basis pengetahuan saat ini, menerapkan aturan 

yang relevan, dan kemudian memasukkan pengetahuan baru ke dalam 

basis pengetahuan. Mesin inferensi juga dapat mencakup kemampuan untuk penjelasan, sehingga dapat menjelaskan kepada pengguna rantai 

penalaran yang dipakai  untuk sampai pada kesimpulan tertentu 

dengan menelusuri balik penembakan aturan yang menghasilkan 

penegasan. Terutama ada dua mode untuk mesin inferensi: rantai maju 

dan rantai belakang. Pendekatan yang berbeda ditentukan oleh apakah 

mesin inferensi didorong oleh anteseden (sisi kiri) atau konsekuensi 

(sisi kanan) dari aturan. Di depan rantai, sebuah anteseden kebakaran 

dan menegaskan konsekuensinya. Misalnya, pertimbangkan aturan 

berikut:

R 1 : M a n ( x ) ⟹ M o r t a l ( x )

Contoh sederhana dari forward chaining yaitu  untuk menegaskan 

Man (Socrates) ke sistem dan kemudian memicu mesin inferensi. Itu 

akan mencocokkan R1 dan menegaskan Mortal (Socrates) ke dalam 

basis pengetahuan. Rantai mundur agak kurang lurus ke depan. 

Dalam rantai mundur sistem melihat kemungkinan kesimpulan dan 

bekerja mundur untuk melihat apakah mereka mungkin benar. Jadi 

jika sistem itu mencoba untuk menentukan apakah Mortal (Socrates) 

benar, itu akan menemukan R1 dan permintaan basis pengetahuan 

untuk melihat apakah Man (Socrates) benar. Salah satu inovasi awal 

dari shell sistem pakar yaitu  untuk mengintegrasikan mesin inferensi 

dengan antarmuka pengguna. Ini bisa sangat kuat dengan backward 

chaining. Jika sistem perlu mengetahui fakta tertentu namun  tidak, 

maka ia dapat dengan mudah menghasilkan layar input dan bertanya 

kepada pengguna apakah informasinya diketahui. Jadi dalam contoh 

ini, ini bisa memakai  R1 untuk bertanya kepada pengguna apakah 

Socrates yaitu  seorang Manusia dan kemudian memakai  informasi 

baru ini .

Penggunaan aturan untuk secara eksplisit mewakili pengetahuan 

juga memungkinkan kemampuan penjelasan. Dalam contoh sederhana 

di atas jika sistem telah memakai  R1 untuk menyatakan bahwa 

Socrates yaitu  Mortal dan pengguna ingin memahami mengapa 

Socrates fana mereka dapat menanyakan sistem dan sistem akan melihat 

kembali pada aturan yang dipecat yang memicu  pernyataan dan 

menyajikannya. aturan kepada pengguna sebagai penjelasan. Dalam 

bahasa Inggris jika pengguna bertanya "Mengapa Socrates Mortal?" sistem 

akan menjawab "sebab  semua manusia fana dan Socrates yaitu  laki￾laki". Bidang signifikan untuk penelitian yaitu  generasi penjelasan dari basis pengetahuan dalam bahasa Inggris alami daripada hanya dengan 

menunjukkan aturan yang lebih formal namun  kurang intuitif.

 Sejarah

Setelah era komputer modern pada akhir 1940-an - awal 1950-an, para 

peneliti mulai menyadari potensi besar yang dimiliki mesin-mesin ini 

bagi warga  modern. Salah satu tantangan pertama yaitu  membuat 

mesin seperti itu mampu "berpikir" seperti manusia. Secara khusus, 

membuat mesin ini mampu membuat keputusan penting seperti yang 

dilakukan manusia. Bidang medis / kesehatan menghadirkan tantangan 

menggiurkan untuk memungkinkan mesin-mesin ini membuat 

keputusan diagnostik medis. Dengan demikian, pada akhir 1950-an, 

tepat setelah era informasi telah tiba, para peneliti mulai bereksperimen 

dengan prospek memakai  teknologi komputer untuk meniru 

pengambilan keputusan manusia. Sebagai contoh, peneliti biomedis 

mulai menciptakan sistem berbantuan komputer untuk aplikasi 

diagnostik dalam kedokteran dan biologi. Sistem diagnostik awal ini 

memakai  gejala pasien dan hasil tes laboratorium sebagai input 

untuk menghasilkan hasil diagnostik. Sistem ini sering digambarkan 

sebagai bentuk awal sistem pakar. Namun, para peneliti telah menyadari 

bahwa ada keterbatasan yang signifikan saat  memakai  metode 

tradisional seperti flow-chart pencocokan pola statistik, atau teori 

probabilitas. Sistem pakar pertama diciptakan pada 1970-an dan 

kemudian berkembang biak pada 1980-an. Sistem pakar yaitu  salah 

satu bentuk perangkat lunak kecerdasan buatan (AI) pertama yang 

benar-benar berhasil.

 Fungsi

Pada dasarnya Expert system diciptakan untuk membantu pemecahan 

masalah dan aktivitas yang mana akan memakan banyak waktu 

pemecahannya, dan juga dengan akurasi yang lebih tinggi dan minimnya 

kesalahan yang biasa dilakukan oleh manusia. Beberapa permasalahan 

yang biasa ditangangi oleh Expert system yaitu : 

· Interpretasi: Mengolah data mentah menjadi kesimpulan ataupun 

deskripsi yang berguna untuk pengambilan keputusan dari hasil 

pengamatan dan analisa .Prediksi: memprediksi kemungkinan dari suatu situasi dengan 

membandingkan data yang ada.

· Diagnosis: Menentukan sebab kegagalan atau kelainan yang 

berdasar pada data dan gejala yang ada.

· Monitoring: Mengamati jalannya system dan membandingkan hasil 

dengan beberapa kondisi tertentu.

 Keuntungan

Expert system telah andal dipakai  dalam dunia bisnis untuk 

mendapatkan keuntungan taktis dan memperkirakan kondisi pasar. 

Dalam era globalisasi ini di mana setiap keputusan yang dibuat dalam 

dunia bisnis sangat penting untuk keberhasilan, bantuan yang diberikan 

dari sistem pakar tidak diragukan lagi sangat penting dan sangat dapat 

diandalkan untuk organisasi untuk berhasil.

· memberi  solusi yang konsisten: Ini dapat memberi  jawaban 

yang konsisten untuk keputusan, proses, dan tugas yang berulang. 

Selama basis aturan dalam sistem tetap sama, terlepas dari berapa 

kali masalah serupa sedang diuji, kesimpulan akhir yang ditarik 

akan tetap sama.

· memberi  penjelasan yang masuk akal: Ini memiliki kemampuan 

untuk mengklarifikasi alasan mengapa kesimpulan diambil dan 

menjadi mengapa itu dianggap sebagai pilihan paling logis di antara 

alternatif lain. Jika ada keraguan dalam menyimpulkan masalah 

tertentu, itu akan meminta beberapa pertanyaan bagi pengguna 

untuk menjawab untuk memproses kesimpulan logis.

· Atasi keterbatasan manusia: Tidak memiliki keterbatasan manusia 

dan dapat bekerja sepanjang waktu terus menerus. Pengguna akan 

dapat sering memakai nya dalam mencari solusi. Pengetahuan 

para ahli yaitu  aset yang sangat berharga bagi perusahaan. Itu 

dapat menyimpan pengetahuan dan memakai nya selama 

kebutuhan organisasi.

· Mudah beradaptasi dengan kondisi baru: Tidak seperti manusia 

yang sering mengalami kesulitan beradaptasi di lingkungan baru, 

sistem pakar memiliki kemampuan beradaptasi yang tinggi dan 

dapat memenuhi persyaratan baru dalam waktu singkat. Itu juga dapat menangkap pengetahuan baru dari seorang ahli dan 

memakai nya sebagai aturan inferensi untuk menyelesaikan 

masalah baru.

Kekurangan

Meskipun sistem pakar memang memberi  banyak manfaat yang 

signifikan, sistem ini memang memiliki kekurangan juga, kerugian 

paling umum yang dikutip untuk sistem pakar dalam literatur akademik 

yaitu  masalah perolehan pengetahuan. Memperoleh waktu para pakar 

domain untuk aplikasi perangkat lunak apa pun selalu sulit, namun  untuk 

sistem pakar, hal itu khususnya sulit sebab  menurut definisi para pakar 

sangat dihargai dan selalu diminta oleh organisasi. Sebagai akibat dari 

masalah ini, banyak penelitian di tahun-tahun kemudian sistem pakar 

difokuskan pada alat untuk akuisisi pengetahuan, untuk membantu 

mengotomatiskan proses merancang, men-debug, dan memelihara aturan 

yang ditetapkan oleh para ahli. Namun, saat  melihat siklus hidup sistem 

pakar dalam penggunaan aktual, masalah lain - pada dasarnya masalah 

yang sama dengan yang ada pada sistem besar lainnya - tampaknya 

setidaknya sama pentingnya dengan akuisisi pengetahuan: integrasi, 

akses ke database besar, dan kinerja. Contoh yang diberikan di bawah 

ini akan menjadi kerugian bagi penerapan sistem pakar dalam bisnis:

· Kurang akal sehat: Tidak memiliki akal sehat yang diperlukan dalam 

pengambilan keputusan sebab  semua keputusan yang dibuat 

didasarkan pada aturan inferensi yang ditetapkan dalam sistem. 

Ini juga tidak dapat membuat respons yang kreatif dan inovatif 

seperti yang dilakukan oleh pakar manusia dalam keadaan yang 

tidak biasa.

· Biaya implementasi dan pemeliharaan yang tinggi: Penerapan 

sistem pakar dalam bisnis akan menjadi beban keuangan bagi 

organisasi yang lebih kecil sebab  memiliki biaya pengembangan 

yang tinggi serta biaya berulang berikutnya untuk meningkatkan 

sistem agar beradaptasi di lingkungan baru.

· Kesulitan dalam membuat aturan inferensi: Pakar domain tidak akan 

selalu dapat menjelaskan logika dan alasan yang diperlukan untuk 

proses rekayasa pengetahuan. Oleh sebab  itu, tugas menyusun 

pengetahuan sangat kompleks dan mungkin memerlukan tinggiDapat memberi  solusi yang salah: Tidak bebas kesalahan. 

Mungkin ada kesalahan yang terjadi dalam pemrosesan sebab  

beberapa kesalahan logika yang dibuat dalam basis pengetahuan, 

yang kemudian akan memberi  solusi yang salah.

 Sistem Pakar Dalam Kecerdasan Buatan

Dalam kecerdasan buatan, Expert system yaitu  sistem pada komputer 

yang menangani kemampuan pengambilan keputusan seorang pakar 

manusia. Sistem pakar dirancang untuk memecahkan masalah yang 

kompleks dengan bernalar melalui kumpulan pengetahuan, yang 

diwakili terutama sebagai aturan jika-maka daripada melalui kode 

prosedural konvensional.

Sistem pakar memiliki pengetahuan khusus untuk satu domain 

masalah, mis., Kedokteran, sains, teknik, dll. Pengetahuan pakar disebut 

basis pengetahuan, dan berisi akumulasi pengalaman yang telah dimuat 

dan diuji dalam sistem. Sama seperti sistem kecerdasan buatan lainnya, 

pengetahuan sistem pakar dapat ditingkatkan dengan tambahan pada 

basis pengetahuan, atau penambahan pada aturan. Semakin banyak 

pengalaman dimasukkan ke dalam sistem pakar, semakin banyak sistem 

dapat meningkatkan kinerjanya.

 Sistem pakar hari ini

Meskipun opini publik berbeda pada apakah pekerjaan kita akan 

digantikan oleh kecerdasan buatan atau tidak, sistem pakar yaitu  

kecerdasan buatan yang akan datang untuk pekerjaan analitis, kerah 

putih. Sistem pakar mahir dalam penalaran, klasifikasi, konfigurasi, 

pencocokan pola, diagnosis, dan perencanaan, industri tertentu 

disiapkan untuk gangguan. Layanan keuangan, layanan kesehatan, 

layanan pelanggan, penerbangan, dan komunikasi tertulis semuanya 

dapat dilakukan oleh sistem pakar.

Sistem pakar pertama yang disetujui oleh American Medical 

Association yaitu  sistem Pathfinder. Dibangun di Universitas Stanford 

pada 1980-an, sistem pakar pengambilan keputusan ini dibuat untuk 

diagnosis hematopatologi. Singkatnya - Pathfinder yaitu  sistem pakar 

yang mencari dan mendiagnosis penyakit kelenjar getah bening. Pada akhirnya, Pathfinder menangani lebih dari 60 penyakit dan dapat 

mengenali lebih dari 100 gejala. Versi terbaru Pathfinder mengungguli 

penciptanya - ahli patologi terkemuka di dunia.

System Intelligence

www.governmentciomedia.com

 Sejarah System Intelligence

Pada awal abad ke-17, René Descartes menyarankan bahwa tubuh 

binatang tidak lain hanyalah mesin yang rumit. Blaise Pascal 

menciptakan mesin penghitung digital mekanik pertama pada tahun 

1642. Pada 19, Charles Babbage dan Ada Lovelace bekerja pada mesin 

penghitung mekanik yang dapat diprogram. Bertrand Russell dan Alfred 

North Whitehead menerbitkan Principia Mathematica, yang merombak 

logika formal. Warren McCulloch dan Walter Pitts menerbitkan "ide￾ide kalkulus logis yang tetap dalam aktivitas" Pada tahun 1943 yang 

meletakkan dasar untuk jaringan saraf.

Definisi AI yang disajikan sebelumnya membuat gagasan intelijen 

agak kabur. Untuk mengeksplorasi ini lebih lanjut, spektrum perilaku 

cerdas dapat ditarik berdasar  tingkat pemahaman yang terlibat. 

Perilaku tingkat terendah termasuk reaksi naluriah, seperti menarik 

tangan dari benda panas atau menghindari proyektil. Perilaku tingkat 

tinggi menuntut keahlian spesialis seperti dalam persyaratan hukum 

pengambilalihan perusahaan atau interpretasi spektogram massa. 

Spektrum perilaku cerdas semacam itu berguna untuk memetakan 

kemajuan AI, meskipun telah dikritik sebab  terlalu menyederhanakan banyak dimensi kecerdasan. Teknik komputasi konvensional telah 

dikembangkan untuk menangani pengambilan keputusan tingkat 

rendah dan kontrol yang diperlukan di ujung bawah spektrum. Sistem 

komputer yang sangat efektif telah dikembangkan untuk memantau dan 

mengendalikan berbagai peralatan. Contoh dari regulasi dan koordinasi 

yang dimungkinkan yang ditunjukkan oleh berbagai robot humanoid 

yang menunjukkan mobilitas mirip manusia. sebab  kemampuan 

mereka untuk pemikiran dan pemahaman otonom ditingkatkan melalui 

teknologi pengembangan, perilaku mereka dapat diharapkan untuk 

berkembang ke atas dari ujung bawah spektrum.

Penelitian awal, sebaliknya, dimulai dengan masalah di ujung 

spektrum tingkat tinggi. Dua aplikasi awal, misalnya, menyangkut 

bidang spesialis spektrometri massa dan infeksi darah bakteri. 

Kemenangan awal ini menghasilkan optimisme besar. Jika komputer 

dapat menangani masalah sulit yang berada di luar kemampuan 

kebanyakan orang biasa, diasumsikan bahwa penalaran manusia yang 

lebih sederhana akan langsung. Sayangnya, ini tidak benar. Perilaku 

di tengah spektrum, yang dilakukan manusia dengan pikiran sadar, 

telah terbukti menjadi yang paling sulit untuk ditiru di komputer. 

Pertimbangkan foto itu masuk. Meskipun kebanyakan dari kita dapat 

mengenali tiga kelinci dalam gambar (salah satunya yaitu  patung 

batu), persepsi yang terlibat yaitu  perilaku yang sangat kompleks. 

Pertama, mengenali batas antara objek sulit. Begitu suatu objek telah 

digambarkan, pengakuan jauh dari langsung. Misalnya, kelinci memiliki 

berbagai bentuk, ukuran, dan warna. Mereka dapat mengambil posisi 

yang berbeda, dan mereka mungkin sebagian tersumbat, seperti yang 

ada di dalam kandang. Namun, manusia yang dapat melihat sepenuhnya 

dapat melakukan persepsi ini dalam sekejap tanpa menganggapnya 

sebagai tanda kecerdasan tertentu. Kompleksitas yang menakjubkan 

dari tugas ini diungkapkan dengan mencoba untuk melakukannya 

dengan komputer.

1950-an yaitu  periode bisnis aktif di AI. Program AI pertama 

untuk bekerja ditulis pada tahun 1951 untuk menjalankan mesin 

Ferranti Mark I di University of Manchester (UK): Program permainan 

skrip yang ditulis oleh Christopher Strachey dan program permainan 

catur yang ditulis oleh Dietrich Prinz. John McCarthy membuat istilah 

"Inteligensi buatan" pada konferensi pertama yang disediakan untuk materi pelajaran, pada tahun 1956. Dia juga menemukan bahasa 

pemrograman Lisp. Alan Turing memperkenalkan "tes Turing" Sebagai 

cara untuk mengoperasionalkan tes perilaku cerdas. Joseph Weizenbaum 

membangun ELIZA, obrolan yang menerapkan Rogerian Psychotherapy. 

Selama tahun 1960-an dan 1970-an, Joel Moses menunjukkan kekuatan 

pertimbangan simbolik untuk mengintegrasikan masalah dalam 

program Macsyma, sebuah program berbasis pengetahuan yang pertama 

kali berhasil di bidang matematika. Marvin Minsky dan Seymour Papert 

menerbitkan Perceptrons, yang menunjukkan batas jaringan saraf 

sederhana dan Alain Colmerauer mengembangkan bahasa komputer 

Prolog. Ted Shortliffe menunjukkan kekuatan sistem berbasis aturan 

untuk representasi pengetahuan dan kesimpulan dalam diagnosis dan 

terapi medis yang kadang-kadang disebut sebagai sistem pakar pertama. 

Hans Moravec mengembangkan kendaraan yang dikendalikan komputer 

pertama untuk mengatasi jalan yang kusut secara independen.

Pada tahun 1980, jaringan saraf banyak dipakai  dengan 

algoritma pelambatan terbalik, pertama kali dijelaskan oleh Paul 

John Werbos pada tahun 1974. Pada tahun 1982, ahli fisiologi seperti 

Hopfield memakai  teknik statistik untuk menganalisa  sifat-sifat 

penyimpanan dan optimalisasi jaringan saraf. Para ahli psikologi, David 

Rumelhart dan Geoff Hinton, melanjutkan penelitian mereka pada 

model jaringan saraf dalam memori. Pada tahun 1985, setidaknya empat 

kelompok penelitian menemukan kembali algoritma pembelajaran Back￾Propagation. Algoritma ini berhasil diimplementasikan ke dalam ilmu 

komputer dan psikologi. Tahun 1990 ditandai akuisisi besar di berbagai 

bidang AI dan demonstrasi berbagai aplikasi. Lebih khusus Deep 

Blue, komputer permainan catur, mengalahkan Garry Kasparov dalam 

pertandingan pertandingan 6 yang terkenal pada tahun 1997. DARPA 

menyatakan bahwa biaya yang disetorkan melalui penerapan metode 

AI untuk unit penjadwalan dalam Perang Teluk pertama telah diganti 

seluruh investasi dalam penelitian AI sejak 1950 di pemerintah AS. 

Tantangan besar DARPA, yang dimulai pada tahun 2004 dan berlanjut 

hingga hari ini, yaitu  perlombaan hadiah $ 2 juta di mana kendaraan 

diujicobakan sendirian tanpa komunikasi manusia, memakai  GPS, 

komputer dan susunan sensor canggih, melintasi Beberapa ratus mil 

daerah gurun yang menantang. Kecerdasan buatan (Artificial Intelligence) 

atau hanya disingkat AI yaitu  kecerdasan yang ditambahkan kepadasuatu sistem yang bisa diatur dalam konteks ilmiah. Artificial Inttelligence 

atau kecerdasan buatan merupakan ilmu yang mempelajari tentang 

bagaimana cara membuat sebuah mesin cerdas.

Sistem cerdas yaitu  mesin dengan komputer tertanam yang 

terhubung ke Internet yang memiliki kapasitas untuk mengumpulkan 

dan menganalisa  data dan berkomunikasi dengan sistem lain. Kriteria 

lain untuk sistem cerdas termasuk kapasitas untuk belajar dari 

pengalaman, keamanan, konektivitas, kemampuan untuk beradaptasi 

sesuai dengan data saat ini dan kapasitas untuk pemantauan dan 

manajemen jarak jauh. Dalam TI, suatu sistem didefinisikan sebagai 

kumpulan elemen atau komponen yang terhubung yang disusun 

untuk tujuan bersama. Dengan demikian, meskipun mereka biasanya 

dibicarakan dalam hal perangkat, sistem cerdas tidak hanya mencakup 

perangkat cerdas namun  juga koleksi yang saling berhubungan dari 

perangkat ini , termasuk jaringan dan jenis lain dari sistem yang 

lebih besar. Demikian pula, sistem cerdas juga dapat mencakup sistem 

perangkat lunak berbasis AI yang canggih, seperti chatbots, sistem 

pakar, dan jenis perangkat lunak lainnya.

Pada dasarnya, perangkat cerdas yaitu  segala sesuatu yang berisi 

komputer fungsional, meskipun biasanya tidak untuk tujuan umum, 

dengan konektivitas Internet. Sistem tertanam mungkin kuat dan 

mampu memproses dan menganalisa  data yang kompleks, namun  

biasanya khusus untuk tugas-tugas yang relevan dengan mesin host. 

Sistem cerdas ada di sekitar kita di terminal point-of-sale (POS), 

televisi digital, lampu lalu lintas, meter cerdas, mobil, signage digital 

dan kontrol pesawat, di antara sejumlah besar kemungkinan lainnya. 

Built-in intelligence yaitu  komponen integral dari pengembangan 

internet of things (IoT), di mana hampir semua yang dapat dibayangkan 

dapat diberikan pengidentifikasi unik dan kemampuan untuk secara 

otomatis mentransfer data melalui jaringan tanpa memerlukan manusia 

ke manusia atau manusia untuk Interaksi

Definisi AI yang disajikan sebelumnya membuat gagasan intelijen 

agak kabur. Untuk mengeksplorasi ini lebih lanjut, spektrum perilaku 

cerdas dapat ditarik berdasar  tingkat pemahaman yang terlibat seperti 

yang ditunjukkan dalam Perilaku tingkat terendah termasuk reaksi 

naluriah, seperti menarik tangan dari benda panas atau menghindari 

proyektil. Perilaku tingkat tinggi menuntut keahlian spesialis seperti dalam persyaratan hukum pengambilalihan perusahaan atau interpretasi 

spektogram massa. Spektrum perilaku cerdas semacam itu berguna 

untuk memetakan kemajuan AI, meskipun telah dikritik sebab  terlalu 

menyederhanakan banyak dimensi kecerdasan. Teknik komputasi 

konvensional telah dikembangkan untuk menangani pengambilan 

keputusan tingkat rendah dan kontrol yang diperlukan di ujung bawah 

spektrum. Sistem komputer yang sangat efektif telah dikembangkan 

untuk memantau dan mengendalikan berbagai peralatan. Contoh dari 

regulasi dan koordinasi yang dimungkinkan yang ditunjukkan oleh 

berbagai robot humanoid yang menunjukkan mobilitas mirip manusia. 

sebab  kemampuan mereka untuk pemikiran dan pemahaman otonom 

ditingkatkan melalui teknologi, Tantangan pengakuan dan interpretasi 

gambar. Pengembangan, perilaku mereka dapat diharapkan untuk 

berkembang ke atas dari ujung bawah spektrum. Penelitian AI awal, 

sebaliknya, dimulai dengan masalah di ujung spektrum tingkat tinggi. 

Dua aplikasi awal, misalnya, menyangkut bidang spesialis spektrometri 

massa dan infeksi darah bakteri. Kemenangan awal ini menghasilkan 

optimisme besar. Jika komputer dapat menangani masalah sulit yang 

berada di luar kemampuan kebanyakan orang biasa, diasumsikan bahwa 

penalaran manusia yang lebih sederhana akan langsung. Sayangnya, 

ini tidak benar.

Perilaku di tengah spektrum, yang dilakukan manusia dengan 

pikiran sadar, telah terbukti menjadi yang paling sulit untuk ditiru 

di komputer. Pertimbangkan foto itu masuk. Meskipun kebanyakan 

dari kita dapat mengenali tiga kelinci dalam gambar (salah satunya 

yaitu  patung batu), persepsi yang terlibat yaitu  perilaku yang sangat 

kompleks. Pertama, mengenali batas antara objek sulit. Begitu suatu 

objek telah digambarkan, pengakuan jauh dari langsung. Misalnya, 

kelinci memiliki berbagai bentuk, ukuran, dan warna. Mereka dapat 

mengambil posisi yang berbeda, dan mereka mungkin tersumbat 

sebagian, seperti yang ada di kandang. Namun manusia yang dapat 

melihat sepenuhnya dapat melakukan persepsi ini dalam sekejap tanpa 

menganggapnya sebagai tanda kecerdasan tertentu. Kompleksitas 

yang menakjubkan dari tugas ini diungkapkan dengan mencoba untuk 

melakukannya dengan komputer.10.3.2 Penjelasan Mengenai Sytem Intelligence

System Intelligence buatan telah berkembang secara fenomenal selama 

bertahun-tahun sejak 1940-an, baik dalam hal berbagai teknik dan 

juga dalam hal jumlah aplikasi dimana mereka sering memberi  

keunggulan kompetitif bila dibandingkan dengan pendekatan lain. 

System Intelligence mencakup serangkaian teknik yang bekerja secara 

sinergis dan menyediakan, dalam satu bentuk atau yang lain. Kemapuan 

pemrosesan data/informasi yang fleksibel untuk menangani situasi 

kehidupan nyata.

System Intelligence tidak seperti teknik konvensional, dapat 

mengeksploitasi toleransi untuk ketidaktepatan, ketidakpastian/

ambiguitas, perkiraan alasan dan kebenaran parsial untuk mencapai 

trabilitas, kekokohan, dan solusi berbiaya rendah. Teknik-teknik 

secara umum didasarkan pada strategi yang diilhami secara biologis 

untuk memecahkan masalah. . Pada saat ini, kategori utama Sytem 

Intelligence meliputi neural networks (NNs), fuzzy logic/systems (FL/

Ss), evolutionary computation/algorithms (EC/As) (including genetic 

algorithms (GAs), genetic programming (GP), evolutionary strategies 

(ES)), support vector machines (SVM), particle swarm optimization 

(PSO), memetic algorithms (MAs), dan ant colony optimization (ACO). 

Selain itu hybrid combinations juga memainkan role mayor, termasuk 

neuro-fuzzy, neuro-genetic, fuzzy-genetic systems dan sebagainya.

Teknik-teknik ini menjadi semakin diperlukan dan populer untuk 

memenuhi kebutuhan seperti:

1. Menangani data-data besar yang sangat kompleks dan terdiri dari 

berbagai bentuk ketidakpastian dengan cara yang kuat dan efisien 

secara komputasi.

2. Sebagian besar data saling berhubungan erat dan berisik sehingga 

menjadikan FLS dapat memprosesnya

3. Kemampuan NNs diawasi, tidak diawasi atau hybrids dapat 

dipakai  secara efektif saat  mengekstraksi pola dari dataset 

besar. Ini terutama berlaku dilingkup yang banyak data atau tempat 

data yang di Internet.

4. Banyak tugas yang melibatkan pencarian dan optimalisasi kriteria 

yang berbeda (seperti energi, skor penyelarasan, dan kekuatan yangtumpang tindih), sementara membutuhkan solusi perkiraan yang 

kuat, cepat, dan dekat.

5. Evolusi dan algoritma pencarian lainnya seperti ACO, PSO 

memberi  teknik yang efektif untuk mencari dan menjelajahi 

ruang solusi yang sangat besar dan multi-modal.

6. Selain itu, banyak System Intelligence yang seringkali bertentangan 

tujuan, sehingga memakai algoritma untuk penerapan optimasi 

multi-tujuan seperti GAS (genetic alghoritms) 

 Intelligent Agents

 Dalam kecerdasan buatan, Intelligent Agents (IA) mengacu pada entitas 

otonom yang bertindak, mengarahkan aktivitasnya untuk mencapai 

tujuan, pada lingkungan yang memakai  pengamatan melalui sensor 

dan aktuator konsekuen (kecerdasan buatan). Agen cerdas juga dapat 

belajar atau memakai  pengetahuan untuk mencapai tujuan mereka. 

Mereka mungkin sangat sederhana atau sangat kompleks. Mesin refleks, 

seperti thermostat, dianggap sebagai Intelligent Agent.

Intelligent Agent juga terkait erat dengan agen perangkat lunak 

(program komputer otonom yang melakukan tugas atas nama 

pengguna). Dalam ilmu komputer, istilah Intelligent Agent dapat 

dipakai  untuk merujuk ke agen perangkat lunak yang memiliki 

beberapa kecerdasan, terlepas dari apakah itu bukan agen rasional 

menurut definisi Russell dan Norvig. Misalnya, program otonom yang 

dipakai  untuk bantuan operator atau penggalian data (kadang-kadang 

disebut sebagai bot) juga disebut "Intelligent Agent".

Agen yang masuk akal yaitu  program yang dapat membuat 

pilihan atau menjalankan layanan berdasar  lingkungan, masukan 

dan pengalaman konsumen. Program-program ini dapat dipakai  

untuk mengumpulkan informasi secara mandiri pada tabel waktu 

reguler dan terprogram atau saat  disebabkan oleh orang ini  

secara real time. Pengecer cerdas dapat disebut bot, yang singkat untuk 

robot. Biasanya, program agen, penggunaan parameter yang disediakan 

pengguna, mencari semua atau sebagian dari internet, mengumpulkan 

informasi yang diminati pengguna dan memberi nya kepada mereka 

secara berkala atau berdasar  permintaan. Agen cerdas data dapat 

mengekstrak statistik spesifik apa pun, yang terdiri dari frasa kunci atau

tanggal buklet yang disertakan. Di dealer yang memakai  kecerdasan 

buatan (AI), input konsumen dikumpulkan memakai  sensor, 

seperti mikrofon atau kamera, dan output agen dikirim melalui aktuator, 

seperti speaker atau layar. Latihan memiliki data yang dikirimkan 

kepada seseorang dengan bantuan agen disebut teknologi push. Ciri￾ciri umum dari dealer cerdas yaitu  adaptasi terutama berdasar  

pengalaman, pemecahan masalah waktu nyata, evaluasi kesalahan atau 

biaya pencapaian dan memakai  penyimpanan dan pengambilan 

berbasis memori. Untuk perusahaan, pengecer yang masuk akal dapat 

dipakai  untuk program dalam penambangan statistik, analisa  fakta 

dan dukungan dan dukungan pelanggan (CSS). Konsumen juga dapat 

memakai  pengecer yang cerdik untuk membandingkan biaya 

produk serupa dan memberi tahu pengguna saat terjadi pembaruan 

situs web. Dealer cerdas juga sangat mirip dengan penjual perangkat 

lunak yang merupakan program pc otonom.

 Agent & Environment

Sumber: Russel, S. & Norvig, P. 2009. Artificial Intelligence: A Modern Approach third edition. 

Prentice Hall

· Percepts: Ini yaitu  fakta yang diterima agen.

· Action: Inilah yang perlu dilakukan atau dapat dilakukan agen 

untuk mencapai tujuannya.

· Environment: di mana agen melakukan mungkin yaitu  masalah 

yang paling vital yang ingin dipertimbangkan sebab  hal ini 

mempengaruhi hasil dari persepsi, tindakan, dan tujuan.

· Agents: manusia, robot, softbot, thermostat, dll.

Konsep Perancangan Agen Cerdas

Rational Agent yaitu  agent yang selalu bertindak memaksimalkan 

kinerja, mengingat apa yang ia amati tentang lingkungan dan pengetahuan 

lain yang dimilikinya. Agent seharusnya berusaha  melakukan tindakan 

yang benar agar berhasil. Tindakan yang tepat yaitu  tindakan yang akan 

memicu  agen menjadi yang paling sukses. Agent rasional melakukan 

hal yang benar berdasar  percept apa yang ditangkap dan tindakan 

(action) apa yang diambil. Agen dapat melakukan tindakan dalam rangka 

untuk mengubah persepsi masa depan untuk memperoleh informasi yang 

berguna (pengumpulan informasi, eksplorasi). Sebuah agent dikatakan 

otonom jika perilaku agent ditentukan oleh pengalaman sendiri (dengan 

kemampuan belajar dan adaptasi).

Dalam perancangan agen diperlukan PEAS (Performance 

Measurance, Environment, Actuators, Sensors). Contoh penggunan 

PEAS pada agen Taksi Otomatis:Performance Measurance: sampai 

tujuan, tidak melanggar aturan lalu lintas, perjalanan lancar, aman, 

dan cepat.

· Environment: Jalan, lalu lintas, pejalan kaki, dan pelanggan.

· Actuators: arah, stir, rem, gas, klakson, sinyal kiri atau kanan.

· Sensors: kamera, sonar, speedometer, GPS, odometer, dan sensor 

mesin.

sumber: jagatreview.com

Sebagai contoh selanjutnya, yaitu penggunaan PEAS pada 

Interactive English Tutor:

· Performance Measurance: nilai skor maksimal

· Environment: para siswa

· Actuatuators: layar monitor (latihan, saran koreksi)

 sifat  Agen

sifat  Agen Agen cerdas memiliki empat sifat  penting: 

“Agen yaitu  perangkat perangkat lunak komputer yang sifatnya 

yaitu  kedekatan, otonomi, kemampuan beradaptasi, dan kemampuan 

bersosialisasi.” 

Kedekatan saat  seorang Agen mendapat semacam sensor masuk 

dari lingkungannya, ia kemudian melakukan beberapa gerakan yang 

berubah lingkungannya dalam beberapa cara. Otonomi sifat  

agen ini bahwa agen dapat bertindak tanpa campur tangan langsung 

dari manusia atau penjual lainnya. Agen jenis ini memiliki hampir 

keseluruhan mengelola gerakan dan kondisi batin itu sendiri. Adapitvity 

Pendekatan fitur agen ini yang mampu bereaksi fleksibel terhadap 

penyesuaian di sekitarnya. Ia mampu menerima tugas yang diarahkan 

pada tujuan jika cocok dan juga dapat memperoleh pengetahuan dari 

pengalamannya sendiri, lingkungan dan interaksi dengan orang lain. 

Kewarga an Jenis sifat  cara agen mampu berinteraksi secara 

peer-to-peer dengan penjual atau orang lain.

Tipe Agen

Untuk pembuatan agen cerdas, ada lima tipe agen yang dapat 

mengimplementasikan pemetaan dari percept yang diterima ke tindakan 

yang akan dilakukan. 5 tipe agen ini  yaitu  simple reflex agents, 

model-based reflex agents, goal-based reflex agents, utility-based reflex 

agents, dan learning agents.

1. Agen Refleks Sederhana

Refleks sederhana yaitu  bentuk paling dasar dari agen cerdas. 

Mereka berpikiran sederhana, koneksi langsung di antara persepsi 

dan gerakan.

sumber: Mardiyantoro, N. Agen Cerdas. Wonosobo: FASTIKOM UNSIQ

2. Agen Refleks Berbasis

Pengecer refleks dengan keadaan internal sangat mirip dengan agen 

refleks sederhana selain mereka tidak melupakan bangsa lingkungan 

seperti yang terdapat dalam persepsi sebelumnya. sebab  sensor 

pemasar tidak lagi memberi  perhitungan mendalam tentang 

lingkungan di setiap input, kepercayaan terhadap lingkungan 

ditangkap selama periode waktu yang memberi  informasi lebih 

lanjut kepada agen dan memungkinkannya memberi  hasil yang 

lebih tinggi.

3. Agen Refleks Berbasis Tujuan

Agen Berbasis Sasaran Untuk agen yang sepenuhnya berbasis 

sasaran, agen harus menyadari lebih dari negara saat ini di 

sekitarnya, mereka harus mengenali persyaratan penuh dari tujuan 

yang harus mereka lakukan. Agen berbasis tujuan menggabungkan 

fakta-fakta tujuan dengan gerakan layak yang akan mendapatkan 

niat itu. Hal ini dapat memicu  agen untuk mengambil urutan 

yang lebih lama dari pergerakan yang layak sebelum memutuskan 

jalur pergerakan yang benar dan apakah tujuannya telah tercapai. 

Dealer yang berbasis Goal juga mempertimbangkan masa depan.

4. Agen Refleks Berbasis Utilitas

Agen berbasis utilitas yaitu  bentuk akhir dari agen pintar 

dan merupakan perpanjangan dari agen total berbasis tujuan. 

Penjual utilitas ingat tingkatan perangkat lunak dan mencoba 

memaksimalkan potensi mereka sendiri. Kemampuan utilitas 

memungkinkan agen untuk mengidentifikasi mimpi dan keputusan 

yang bertentangan atau alternatif.

5. Environment Type

Ada beberapa elemen yang membentuk lingkungan AI. Bentuk 

dan frekuensi catatan, karakter masalah, jumlah pemahaman yang 

bisa didapat pada waktu tertentu yaitu  beberapa faktor yang 

membedakan satu jenis lingkungan AI dari yang lain. Memahami 

sifat-sifat lingkungan AI yaitu  salah satu tanggung jawab pertama 

yang menjadi fokus praktisi AI bagi Anda untuk mengatasi 

kerumitan AI yang dipilih. Dari perspektif itu, ada beberapa kategori 

yang kita gunakan untuk masalah kelembagaan AI berdasar  

sepenuhnya pada karakter lingkungan.

1-Lingkungan AI Lengkap-Lengkap vs. Tidak Lengkap yaitu  

lingkungan di mana, pada setiap waktu pengiriman, kami memiliki 

catatan yang cukup untuk menyelesaikan cabang dari kerumitan. Catur 

yaitu  contoh klasik dari seluruh lingkungan AI. Poker, di sisi lain, yaitu  lingkungan yang tidak lengkap sebab  teknik AI tidak dapat 

mengharapkan banyak gerakan di muka dan, sebaliknya, mereka fokus 

pada menemukan ‘keseimbangan yang baik” pada waktu tertentu. 

Lingkungan AI Lengkap-Lengkap vs. Tidak Lengkap yaitu  lingkungan 

di mana, pada setiap waktu pengiriman, kami memiliki catatan yang 

cukup untuk menyelesaikan cabang dari kerumitan. Catur yaitu  contoh 

klasik dari seluruh lingkungan AI. Poker, di sisi lain, yaitu  lingkungan 

yang tidak lengkap sebab  teknik AI tidak dapat mengharapkan banyak 

gerakan di muka dan, sebaliknya, mereka fokus pada menemukan 

‘keseimbangan yang baik” pada waktu tertentu.

2-Fully Observable vs. Partable Observable Lingkungan AI yang 

sepenuhnya dapat diamati memiliki hak masuk ke semua statistik yang 

diperlukan untuk menyelesaikan tugas target. Reputasi citra beroperasi 

dalam domain yang sepenuhnya dapat diobservasi. Lingkungan yang 

dapat diamati sebagian termasuk yang ditemui dalam skenario mobil 

self-driving berurusan dengan informasi parsial bagi Anda untuk 

menyelesaikan masalah AI.

3-Competitive vs. Collaborative Competitive lingkungan AI 

menghadapi dealer AI satu sama lain untuk dapat mengoptimalkan 

hasil akhir yang dipilih. Game termasuk GO atau Catur yaitu  contoh 

lingkungan AI agresif. Lingkungan AI kolaboratif bergantung pada kerja 

sama antara beberapa pengecer AI. Mobil yang bisa mengemudi sendiri 

atau bekerja sama untuk menghindari tabrakan atau interaksi sensor 

domestik yang cerdas yaitu  contoh dari lingkungan AI kolaboratif.

4-Lingkungan AI Statis vs. Dinamis bergantung pada aset data￾pengetahuan yang tidak sering berubah seiring waktu. analisa  wicara 

yaitu  masalah yang beroperasi pada lingkungan AI statis. Berbeda 

dengan model itu, lingkungan AI dinamis yang mencakup sistem AI 

imajinatif dan mutakhir dalam drone mengatasi sumber daya data yang 

sering berubah.

5-Discrete vs. Continuous Discrete AI environment yaitu  

lingkungan di mana serangkaian peluang [meskipun sewenang-wenang 

besar] dapat memaksa hasil akhir dari tugas ini . Catur juga 

diklasifikasikan sebagai masalah AI diskrit. Lingkungan AI berkelanjutan 

bergantung pada sumber informasi yang tidak diketahui dan dengan 

cepat berubah. Sistem penglihatan dalam drone atau fungsi mobil yang 

dapat dikendarai berfungsi pada lingkungan AI tanpa henti.

6-Deterministic vs. Stochastic Deterministic AI yaitu  lingkungan 

dimana hasil akhir dapat ditentukan berdasar  keadaan tertentu. 

Dengan kata lain, lingkungan deterministik melupakan ketidakpastian. 

Sebagian besar lingkungan AI internasional aktual tidak deterministik. 

Sebaliknya, mereka dapat dikategorikan sebagai stokastik. Motor self￾driving yaitu  contoh klasik dari proses AI stokastik.

Virtual Reality

Virtuak reality merupakan lingkungan buatan yang dialami melalui 

rangsangan sensorik (seperti pemandangan dan suara) yang disediakan 

oleh komputer dan di mana tindakan seseorang sebagian menentukan 

apa yang terjadi di lingkungan.

Sebuah realitas yang dihasilkan komputer yang memproyeksikan 

pengguna ke ruang 3D. memakai  headset stereoskopis yang 

memberi  pengalaman yang benar-benar mendalam, sistem realitas 

virtual (VR) dioperasikan oleh gerakan kepala dan tangan pengguna 

atau unit kontrol fisik, yang terakhir ini biasa dipakai  denganpermainan realitas virtual. Pada hari-hari awal VR, sarung tangan data 

yang ditambatkan oleh kabel ke komputer dipakai  untuk melacak 

gerakan tangan.

 Sejarah Virtual Reality

Virtual reality pertama kali di kembangkan, sampai batas tertentu, oleh 

seorang sinematografer bernama Morton Heilig pada tahun 1957. 

Ia menemukan Sensorama yang memberi  visual, suara, getaran, 

dan aroma kepada penonton. Tentu saja, itu bukan komputer yang 

dikendalikan namun  itu yaitu  contoh pertama dari usaha  menambahkan 

data tambahan ke pengalaman. Kemudian pada tahun 1968, Ivan 

Sutherland, ilmuwan komputer Amerika dan pengaruh Internet awal, 

menciptakan tampilan yang dipasang di kepala sebagai semacam 

jendela menuju dunia virtual. Teknologi yang dipakai  pada saat 

itu membuat penemuan ini tidak praktis untuk penggunaan massal. 

Pada tahun 1975, Myron Krueger, seorang seniman komputer Amerika 

mengembangkan antarmuka “vr” pertama dalam bentuk “Videoplace” 

yang memungkinkan penggunanya memanipulasi dan berinteraksi 

dengan objek virtual dan melakukannya secara real-time. Steve Mann, 

seorang peneliti fotografi komputer, memberi  komputasi yang 

dapat dipakai dunia pada tahun 1980. Tentu saja pada saat itu ini 

bukan “virtual reality” atau “augmented reality” sebab  realitas virtual 

diciptakan oleh Jaron Lainer pada tahun 1989 dan Thomas P Caudell 

dari Boeing menciptakan ungkapan “augmented reality” pada tahun 

1990. Sistem AR pertama yang berfungsi dengan baik mungkin yaitu  

yang dikembangkan di USAF Armstrong’s Research Lab oleh Louis 

Rosenberg pada tahun 1992. Ini disebut Virtual Fixtures dan merupakan 

sistem robot yang sangat kompleks yang dirancang untuk mengimbangi 

kurangnya kurangnya kecepatan pemrosesan daya grafis 3D yang tinggi 

di awal 90-an. Ini memungkinkan hamparan informasi sensorik pada 

ruang kerja untuk meningkatkan produktivitas manusia Ada banyak 

terobosan lain dalam augmented reality antara sini dan hari ini.

 Bentuk dan Metode

Salah satu metode dimana realitas virtual dapat direalisasikan yaitu  

realitas virtual berbasis simulasi. Simulator mengemudi, misalnya, memberi  kesan nyata pada pengemudi saat mengendarai kendaraan 

yang sebenarnya dengan memberi  output visual yang di tentukan 

dari input gerak dari penggunanya, gerak dan isyarat audio yang sesuai 

kepada pengemudi.Dengan merealisasikan pengguna memakai  

avatar, orang dapat bergabung dengan lingkungan virtual dalam bentuk 

video nyata maupun avatar. Seseorang dapat berpartisipasi dalam 

lingkungan virtual berbasis 3D sebagai bentuk avatar pada umumnya 

atau video nyata. Seorang pengguna dapat memilih jenis implementasi 

berdasar  kemampuan perangkat yang dipakai .

Dalam realitas virtual berbasis proyektor, pemodelan lingkungan 

nyata memainkan peran penting dalam berbagai aplikasi realitas virtual, 

seperti navigasi robot, pemodelan konstruksi, dan simulasi pesawat. 

Sistem realitas virtual berbasis gambar telah mendapatkan popularitas 

di komputer grafis dan komunitas visi komputer. Dalam menghasilkan 

model yang realistis, penting untuk secara akurat mendaftarkan data 3D 

yang diperoleh; biasanya, kamera dipakai  untuk memodelkan objek 

kecil pada jarak pendek.Realitas virtual berbasis desktop melibatkan 

menampilkan dunia virtual 3D pada tampilan desktop biasa tanpa 

memakai  peralatan pelacakan posisi khusus. Banyak video game 

orang pertama modern dapat dipakai  sebagai contoh, memakai  

berbagai pemicu, karakter responsif, dan perangkat interaktif lainnya 

untuk membuat pengguna merasa seolah-olah berada di dunia virtual. 

Kritik umum terhadap bentuk perendaman ini yaitu  bahwa tidak 

ada indera penglihatan tepi, membatasi kemampuan pengguna untuk 

mengetahui apa yang terjadi di sekitar mereka.

HMD (head-mounted display) lebih sepenuhnya membenamkan 

pengguna di dunia virtual. Headset realitas virtual biasanya mencakup 

dua monitor OLED atau LCD kecil beresolusi tinggi yang menyediakan 

gambar terpisah untuk setiap mata untuk grafik stereoskopik yang 

menghasilkan dunia virtual 3D, sistem audio binaural, pelacakan head￾time realisasional posisi dan rotasi untuk gerakan enam derajat. Opsi 

termasuk kontrol gerak dengan umpan balik haptic untuk berinteraksi 

secara fisik dalam dunia virtual dengan cara intuitif dengan abstraksi 

sedikit atau tanpa abstraksi dan treadmill omnidirectional untuk lebih 

banyak kebebasan gerakan fisik yang memungkinkan pengguna untuk 

melakukan gerakan lokomotif ke segala arah.Augmented reality (AR) yaitu  jenis teknologi realitas virtual yang 

memadukan apa yang dilihat pengguna di lingkungan nyata mereka 

dengan konten digital yang dihasilkan oleh perangkat lunak komputer. 

Gambar tambahan yang dihasilkan perangkat lunak dengan adegan 

virtual biasanya meningkatkan tampilan lingkungan nyata. Sistem 

AR melapisi informasi virtual melalui umpan langsung kamera ke 

headset atau smartglasses atau melalui perangkat seluler yang memberi 

pengguna kemampuan untuk melihat gambar tiga dimensi.

Mixed reality (MR) yaitu  penggabungan dunia nyata dan dunia 

virtual untuk menghasilkan lingkungan dan visualisasi baru di mana 

objek fisik dan digital hidup berdampingan dan berinteraksi dalam 

waktu nyata. Dunia maya yaitu  realitas virtual yang berjejaring. 

Realitas simulasi yaitu  realitas virtual hipotetis yang benar-benar 

imersif seperti realitas aktual, memungkinkan pengalaman yang mirip 

kehidupan manusia atau bahkan keabadian virtual. Kemungkinan 

besar akan diproduksi memakai  antarmuka otak-komputer dan 

komputasi kuantum.

Cara kerja Virtual reality

Seperti disebutkan, VR memerlukan beberapa perangkat seperti 

headset, komputer / smartphone atau mesin lain untuk menciptakan 

lingkungan digital, dan perangkat pelacakan gerak dalam beberapa 

kasus. Biasanya, headset menampilkan konten di depan mata pengguna, 

sementara kabel (HDMI) mentransfer gambar ke layar dari PC. Opsi 

alternatifnya yaitu  headset yang bekerja dengan smartphone, seperti 

Google Cardboard dan GearVR - telepon berfungsi baik sebagai tampilan 

dan sumber konten VR.

Beberapa vendor menerapkan lensa untuk mengubah gambar datar 

menjadi tiga dimensi. Biasanya, bidang pandang 100/110 derajat dicapai 

dengan perangkat VR. Fitur utama berikutnya yaitu  frame rate per 

detik, yang seharusnya minimal 60 fps untuk membuat simulasi virtual 

terlihat cukup realistis. 

Untuk interaksi pengguna ada beberapa opsi:

· Head tracking

Sistem pelacakan kepala di headset VR mengikuti gerakan kepala 

Anda ke sisi dan sudut. Ini menetapkan sumbu X, Y, Z untuk arah dan gerakan, dan melibatkan alat seperti akselerometer, giroskop, 

lingkaran LED (di sekitar headset untuk mengaktifkan kamera 

luar). Pelacakan kepala membutuhkan latensi rendah, mis. 50 

milidetik atau kurang, jika tidak, pengguna akan melihat jeda antara 

gerakan kepala dan simulasi.

· Eye tracking

Beberapa headset berisi pengontrol inframerah yang melacak 

arah mata Anda di dalam lingkungan virtual. Manfaat utama dari 

teknologi ini yaitu  untuk mendapatkan bidang pandang yang lebih 

realistis dan lebih dalam.

· Motion tracking

Meskipun belum direkayasa dan diimplementasikan dengan cukup 

baik, pelacakan gerakan akan meningkatkan VR ke tingkat yang 

sama sekali baru. Masalahnya yaitu , bahwa tanpa pelacakan 

gerak Anda akan dibatasi dalam VR - tidak dapat melihat-lihat 

dan bergerak. Melalui konsep 6DoF (enam derajat kebebasan) 

dan ruang 3D, opsi untuk mendukung pelacakan gerak termasuk 

dalam 2 kelompok, pelacakan optik dan non-optik. Pelacakan 

optik biasanya merupakan kamera pada headset untuk mengikuti 

gerakan, sedangkan non-optik berarti penggunaan sensor lain 

pada perangkat atau badan. Sebagian besar perangkat yang ada 

sebenarnya menggabungkan kedua opsi.

Perbedaan Antara VR, AR, dan MR

Mengetahui apa itu VR bukanlah gambaran lengkap dunia teknologi saat 

ini. Realitas Virtual dan Augmented sangat mirip dan seringkali garis 

di antara keduanya sangat tipis. AR menambahkan lingkungan nyata 

dengan simulasi, overlay di atasnya. Augmented Reality menerapkan 

algoritma dan sensor untuk mendeteksi posisi kamera, dan kemudian 

menempatkan grafis 3D / objek ke dalam tampilan pengguna melalui 

smartphone / kacamata / proyeksi.

Salah satu cara untuk menggambarkan perbedaan antara VR dan 

AR yaitu  membandingkan scuba diving dan mengunjungi akuarium. 

Virtual Reality akan seperti berenang di laut bersama dengan ikan, 

sedangkan di Augmented Reality Anda akan melihat seekor ikan muncul dari saku atau tangan. Di sisi lain, tidak seperti VR, AR 

menawarkan pengguna lebih banyak kebebasan untuk bertindak dan 

tidak memerlukan tampilan yang dipasang di kepala.

Istilah “realitas campuran” sering keliru untuk augmented reality. 

Tapi sebenarnya, MR (atau realitas hibrid) yaitu  jenis teknologi yang 

lebih canggih, di mana AR yaitu  subkategori dari itu. Ini termasuk 

aplikasi non-komersial seperti program pembelajaran berbasis simulasi 

militer, lingkungan virtualisasi untuk pembuatan, perawatan kesehatan, 

penerbangan, dll.

 Fungsi virtual reality untuk kehidupan sehari-hari

Ini mungkin tampak seperti banyak usaha, dan memang begitu! Apa 

yang membuat pengembangan realitas virtual bermanfaat? Nilai 

hiburan potensial jelas. Film dan video game imersif yaitu  contoh 

yang bagus. Bagaimanapun, industri hiburan yaitu  multi-miliar dolar 

dan konsumen selalu tertarik pada hal-hal baru. Virtual reality juga 

memiliki banyak aplikasi lain yang lebih serius. Ada berbagai macam 

aplikasi untuk realitas virtual yang meliputi:

· Arsitektur

· Pengobatan

· Hiburan

· Game

· Olah raga

· Seni

Virtual reality dapat mengarah pada penemuan baru dan menarik di 

area ini yang berdampak pada kehidupan kita sehari-hari. terkadang ada 

hal yang tidak mudah kita lakukan di dunia nyata sebab  menghabiskan 

banyak uang, tenaga, dan resiko yang besar, realitas virtual yaitu  

jawabannya. Dari pilot pesawat tempur trainee ke aplikasi medis ahli 

bedah trainee, realitas virtual memungkinkan kita untuk mengambil 

risiko virtual untuk mendapatkan pengalaman dunia nyata. saat  

biaya realitas virtual turun dan menjadi lebih utama Anda dapat 

mengharapkan penggunaan yang lebih serius, seperti pendidikan 

atau aplikasi produktivitas, untuk mengemuka. Realitas virtual dan 

augmented reality sepupunya secara substansial dapat mengubah cara kita berinteraksi dengan teknologi digital kita. Melanjutkan tren 

memanusiakan teknologi kami.

Kesimpulan

Banyak hal yang tidak dapat kita lakukan di dunia nyata sebab  berbagai 

hal yang menjadi kendala, virtual reality hadir untuk mensimulasikan 

langsung hal ini  tanpa adanya akibat yang harus kita takutkan. 

Teknologi ini semakin terus melesat perkembangannya melihat dari 

banyaknya kebutuhan manusia akan teknologi ini , teknologi ini 

di harapkan menjadi pendorong manusia untuk terus meneliti dan 

mempelajari hal baru yang mana akan berdampak pada kemajuan 

teknologi yang semakin tinggi.

Permasalahan Etika dan Global

Etika kecerdasan buatan yaitu  bagian dari etika teknologi khusus 

robot dan makhluk cerdas artifisial lainnya. Ini biasanya. Dibagi 

menjadi robotik, masalah dengan perilaku moral manusia saat  mereka 

merancang, membangun, memakai  dan memperlakukan makhluk 

cerdas secara artifisial dan etika mesin yang berkaitan dengan perilaku 

moral agen moral buatan (AMA) .

Istilah “etika robot” (kadang-kadang “roboethics”) mengacu 

pada moralitas tentang bagaimana manusia merancang, membuat, 

memakai , dan memperlakukan robot dan makhluk cerdas artifisial 

lainnya. Ini mempertimbangkan bagaimana makhluk cerdas buatan 

dapat dipakai  untuk membahayakan manusia dan bagaimana mereka 

dapat dipakai  untuk memberi manfaat bagi manusia.

1. Hak Robot

“Hak robot” yaitu  konsep bahwa orang harus memiliki kewajiban 

moral terhadap mesin mereka, mirip dengan hak asasi manusia atau 

hak binatang. Disarankan bahwa hak robot, seperti hak untuk ada 

dan menjalankan misinya sendiri, dapat dikaitkan dengan tugas 

robot untuk melayani manusia, dengan analogi dengan mengaitkan 

hak asasi manusia dengan tugas manusia sebelum warga . 

Ini dapat mencakup hak untuk hidup dan kebebasan, kebebasan 

berpikir dan berekspresi dan kesetaraan di hadapan hukum. 

Masalah ini telah dipertimbangkan oleh Institute for the Future dan oleh Departemen Perdagangan dan Industri Inggris. Para ahli 

tidak setuju apakah undang-undang khusus dan terperinci akan 

diminta segera atau aman di masa depan yang jauh. Glenn McGee 

melaporkan bahwa robot humanoid yang cukup mungkin muncul 

pada tahun 2020. Ray Kurzweil menetapkan tanggal pada tahun 

2029. Kelompok ilmuwan lain yang bertemu pada tahun 2007 

memperkirakan bahwa setidaknya 50 tahun harus berlalu sebelum 

sistem yang cukup maju. akan ada. Pada Oktober 2017, android 

Sophia diberikan kewarganegaraan “kehormatan” di Arab Saudi , 

meskipun beberapa pengamat menemukan ini lebih sebagai aksi 

publisitas daripada pengakuan hukum yang bermakna. Beberapa 

orang melihat gerakan ini secara terbuka merendahkan hak asasi 

manusia dan supremasi hukum. Filsafat Sentientisme memberi  

tingkat pertimbangan moral kepada semua makhluk, terutama 

manusia dan sebagian besar hewan non-manusia. Jika kecerdasan 

buatan atau alien menunjukkan bukti sebagai makhluk hidup , 

filsafat ini menyatakan bahwa mereka harus ditunjukkan belas kasih 

dan diberikan hak. Joanna Bryson berpendapat bahwa menciptakan 

AI yang membutuhkan hak dapat dihindari, dan dengan sendirinya 

tidak etis, baik sebagai beban bagi agen AI dan warga  manusia.

2. Ancaman Terhadap Martabat Manusia

Joseph Weizenbaum berpendapat pada tahun 1976 bahwa teknologi 

AI tidak boleh dipakai  untuk menggantikan orang-orang di 

posisi yang membutuhkan rasa hormat dan perawatan, seperti 

yang ada di bawah ini:

· Perwakilan layanan pelanggan (teknologi AI sudah dipakai  

hari ini untuk sistem respons suara interaktif berbasis telepon)

· Seorang terapis (seperti yang diusulkan oleh Kenneth Colby 

pada 1970-an)

· Seorang perawat anak untuk orang tua (seperti yang dilaporkan 

oleh Pamela McCorduck dalam bukunya The Fifth Generation 

)

· Seorang tentara

· Hakim

· Polisi

Weizenbaum menjelaskan bahwa kami memerlukan perasaan 

empati yang otentik dari orang-orang di posisi ini. Jika mesin 

menggantinya, kita akan mendapati diri kita teralienasi, terdevaluasi, 

dan frustrasi. Kecerdasan buatan, jika dipakai  dengan cara ini, 

merupakan ancaman bagi martabat manusia. Weizenbaum berpendapat 

bahwa fakta bahwa kami menghibur kemungkinan mesin di posisi ini 

menunjukkan bahwa kami telah mengalami “atrofi semangat manusia 

yang berasal dari berpikir tentang diri kita sebagai komputer.”

Pamela McCorduck membantah hal itu, berbicara untuk wanita dan 

minoritas “Saya lebih suka mengambil risiko dengan komputer yang 

tidak memihak,” menunjukkan bahwa ada kondisi di mana kita lebih 

suka memiliki hakim dan polisi otomatis yang tidak memiliki agenda 

pribadi sama sekali. [14] Namun, Kaplan dan Haenlein menekankan 

bahwa sistem AI hanya sepintar data yang dipakai  untuk melatih 

mereka sebab  mereka, pada intinya, tidak lebih dari mesin kurva 

mewah: memakai  AI untuk mendukung putusan pengadilan 

bisa sangat bermasalah jika keputusan masa lalu menunjukkan bias 

terhadap kelompok-kelompok tertentu sebab  bias-bias itu diformalkan 

dan berurat berakar, yang membuat mereka semakin sulit dikenali 

dan dilawan. Pendiri AI John McCarthy keberatan dengan nada moral 

dari kritik Weizenbaum. “saat  moralisasi keras dan tidak jelas, 

itu mengundang penyalahgunaan otoriter,” tulisnya. Bill Hibbard 

menulis bahwa “Martabat manusia mengharuskan kita berusaha untuk 

menghilangkan ketidaktahuan kita tentang sifat keberadaan, dan AI 

diperlukan untuk perjuangan itu.”

 Transparansi, Akuntabilitas, dan Sumber Terbuka

Bill Hibbard berpendapat bahwa sebab  AI akan memiliki efek mendalam 

pada kemanusiaan, pengembang AI yaitu  perwakilan dari kemanusiaan 

masa depan dan sebab nya memiliki kewajiban etis untuk transparan 

dalam usaha  mereka. Ben Goertzel dan David Hart menciptakan 

OpenCog sebagai kerangka kerja open source untuk pengembangan 

AI. OpenAI yaitu  perusahaan riset AI nirlaba yang dibuat oleh Elon 

Musk , Sam Altman dan lainnya untuk mengembangkan open source 

AI yang bermanfaat bagi umat manusia. Ada banyak pengembangan 

AI open source lainnya. Sayangnya, membuat kode open source tidak

membuatnya dapat dipahami, yang oleh banyak definisi berarti bahwa 

AI itu kode tidak transparan. IEEE memiliki usaha  standardisasi 

pada transparansi AI. usaha  IEEE mengidentifikasi berbagai skala 

transparansi untuk pengguna yang berbeda. Lebih lanjut, ada 

kekhawatiran bahwa melepaskan kapasitas penuh dari AI kontemporer 

ke beberapa organisasi mungkin merupakan keburukan publik, yaitu, 

melakukan lebih banyak kerusakan daripada kebaikan. Sebagai contoh, 

Microsoft telah menyatakan keprihatinan tentang memungkinkan akses 

universal ke perangkat lunak pengenalan wajahnya, bahkan bagi mereka 

yang dapat membayarnya. Microsoft memposting blog yang luar biasa 

tentang topik ini, meminta peraturan pemerintah untuk membantu 

menentukan hal yang benar untuk dilakukan.

Sayangnya, membuat kode open source tidak membuatnya dapat 

dipahami, yang oleh banyak definisi berarti bahwa AI itu kode tidak 

transparan. IEEE memiliki usaha  standardisasi pada transparansi 

AI. usaha  IEEE mengidentifikasi berbagai skala transparansi untuk 

pengguna yang berbeda. Lebih lanjut, ada kekhawatiran bahwa 

melepaskan kapasitas penuh dari AI kontemporer ke beberapa organisasi 

mungkin merupakan keburukan publik, yaitu, melakukan lebih 

banyak kerusakan daripada kebaikan. Sebagai contoh, Microsoft telah 

menyatakan keprihatinan tentang memungkinkan akses universal ke 

perangkat lunak pengenalan wajahnya, bahkan bagi mereka yang dapat 

membayarnya. Microsoft memposting blog yang luar biasa tentang topik 

ini, meminta peraturan pemerintah untuk membantu menentukan hal 

yang benar untuk dilakukan. Tidak hanya perusahaan, namun  banyak 

peneliti dan advokat warga lainnya merekomendasikan peraturan 

pemerintah sebagai cara untuk memastikan transparansi, dan melalui 

itu, akuntabilitas manusia. Koleksi (daftar) AI Etika yang diperbarui 

dikelola oleh AlgorithmWatch. Strategi ini terbukti kontroversial, 

sebab  beberapa khawatir akan memperlambat laju inovasi. Yang lain 

berpendapat bahwa regulasi mengarah pada stabilitas sistemik yang 

lebih mampu mendukung inovasi dalam jangka panjang. OECD , PBB 

, Uni Eropa , dan banyak negara saat ini sedang mengerjakan strategi 

untuk mengatur AI, dan menemukan kerangka hukum yang sesuai. 

Pada 26 Juni, Kelompok Ahli Tingkat Tinggi Komisi Eropa untuk 

Kecerdasan Buatan (AI HLEG) menerbitkan “Rekomendasi kebijakan 

dan investasi untuk Kecerdasan Buatan” yang dapat dipercaya. Ini yaitu  penyampaian kedua dari AI HLEG dan mengikuti publikasi 

Pedoman Etika kelompok untuk AI yang Dapat Dipercaya pada bulan 

April 2019. Rekomendasi baru fokus pada empat bidang utama: manusia 

dan warga  luas, sektor swasta, sektor publik, dan penelitian dan 

akademisi. Rekomendasi HLEG mencerminkan penghargaan terhadap 

peluang teknologi AI untuk mendorong pertumbuhan ekonomi, 

kemakmuran, dan inovasi, serta potensi risiko yang terlibat. Uni Eropa 

memiliki ambisi untuk memimpin penyusunan kebijakan yang mengatur 

AI secara global. Namun, kecuali Eropa mempercepat penyebaran dan 

penyerapan serta membangun kapabilitas industri, penelitian, dan 

pengembangan, kemampuannya untuk melakukannya akan terbatas.

1. Bias Dalam Sistem AI

AI semakin melekat dalam sistem pengenalan wajah dan suara . 

Beberapa sistem ini memiliki implikasi bisnis nyata dan berdampak 

langsung pada orang. Sistem ini rentan terhadap bias dan kesalahan yang 

diperkenalkan oleh pembuat manusianya. Juga, data yang dipakai  

untuk melatih sistem AI ini sendiri dapat memiliki bias. Misalnya, 

algoritma pengenalan wajah yang dibuat oleh Microsoft, IBM dan Face 

++ semuanya memiliki bias saat  datang untuk mendeteksi jenis 

kelamin orang. Sistem AI ini mampu mendeteksi jenis kelamin pria kulit 

putih lebih akurat daripada jenis kelamin pria kulit gelap. Demikian 

pula, pemutusan dan perekrutan AI oleh Amazon’s.com Inc yaitu  

contoh lain yang menunjukkan AI tidak adil. Algoritma lebih disukai 

lebih banyak kandidat pria daripada wanita. Ini sebab  sistem Amazon 

dilatih dengan data yang dikumpulkan selama periode 10 tahun yang 

sebagian besar berasal dari kandidat laki-laki. Bias dapat menyusup 

ke dalam algoritma dalam banyak cara. Dalam cabang AI yang sangat 

berpengaruh yang dikenal sebagai “pemrosesan bahasa alami,” masalah 

dapat muncul dari “corpus teks” - bahan sumber yang dipakai  

algoritma untuk mempelajari tentang hubungan antara kata-kata yang 

berbeda. Perusahaan besar seperti IBM, Google, dll. Mulai meneliti dan 

mengatasi bias.

Masalah bias dalam pembelajaran mesin cenderung menjadi 

lebih signifikan sebab  teknologi menyebar ke bidang-bidang kritis 

seperti kedokteran dan hukum, dan sebab  lebih banyak orang tanpa 

pemahaman teknis yang mendalam ditugaskan untuk memakai nya. Beberapa ahli memperingatkan bahwa bias algoritmik sudah menyebar 

di banyak industri, dan hampir tidak ada yang berusaha mengidentifikasi 

atau memperbaikinya.

2. Pertanggungjawaban Mobil Parsial atau Otomatis 

Sepenuhnya

Penggunaan luas sebagian mobil otonom sepenuhnya tampaknya akan 

segera terjadi di masa depan. namun  teknologi yang sepenuhnya otonom 

menghadirkan masalah dan tantangan baru. Baru-baru ini, sebuah 

perdebatan tentang tanggung jawab hukum telah meningkat atas pihak 

yang bertanggung jawab jika mobil-mobil ini mengalami kecelakaan. 

Dalam salah satu laporan sebuah mobil tanpa pengemudi menabrak 

pejalan kaki dan memiliki dilema tentang siapa yang harus disalahkan 

atas kecelakaan itu. Meskipun pengemudi berada di dalam mobil selama 

kecelakaan, kontrol sepenuhnya berada di tangan komputer. Sebelum 

mobil otonom dipakai  secara luas, masalah ini perlu ditangani 

melalui kebijakan baru.

3. Senjata kecerdasan buatan

Beberapa ahli dan akademisi telah mempertanyakan penggunaan robot 

untuk pertempuran militer, terutama saat  robot ini  diberikan 

beberapa tingkat fungsi otonom. Angkatan Laut AS telah mendanai 

laporan yang menunjukkan bahwa saat  robot militer menjadi lebih 

kompleks, harus ada perhatian yang lebih besar terhadap implikasi 

dari kemampuan mereka untuk membuat keputusan otonom. Seorang 

peneliti menyatakan bahwa robot otonom mungkin lebih manusiawi, 

sebab  mereka dapat membuat keputusan lebih efektif. Dalam dekade 

terakhir ini, telah ada penelitian intensif dalam kekuatan otonom dengan 

kemampuan untuk belajar memakai  tanggung jawab moral yang 

ditugaskan. “Hasilnya dapat dipakai  saat  merancang robot militer 

masa depan, untuk mengontrol kecenderungan yang tidak diinginkan 

untuk menetapkan tanggung jawab kepada robot.” Dari pandangan 

konsekuensialis , ada kemungkinan bahwa robot akan mengembangkan 

kemampuan untuk membuat keputusan logis mereka sendiri tentang 

siapa yang akan dibunuh dan itulah mengapa harus ada kerangka moral 

yang ditetapkan yang tidak dapat ditimpa oleh AI.Telah ada protes baru-baru ini sehubungan dengan rekayasa senjata 

kecerdasan buatan yang telah memasukkan ide-ide pengambilalihan 

robot umat manusia. Senjata AI memang menghadirkan jenis bahaya 

yang berbeda dari senjata yang dikendalikan manusia. Banyak pemerintah 

telah mulai mendanai program untuk mengembangkan persenjataan 

AI. Angkatan Laut Amerika Serikat baru-baru ini mengumumkan 

rencana untuk mengembangkan senjata drone otonom , sejajar dengan 

pengumuman serupa oleh Rusia dan Korea. sebab  potensi senjata AI 

menjadi lebih berbahaya daripada senjata yang dioperasikan manusia, 

Stephen Hawking dan Max Tegmark menandatangani petisi “Masa 

Depan Kehidupan” untuk melarang senjata AI. Pesan yang diposting 

oleh Hawking dan Tegmark menyatakan bahwa senjata AI memicu  

bahaya langsung dan tindakan diperlukan untuk menghindari bencana 

bencana dalam waktu dekat. “Jika ada kekuatan militer besar yang terus 

maju dengan pengembangan senjata AI, perlombaan senjata global 

sebenarnya tidak terhindarkan, dan titik akhir lintasan teknologi ini 

sudah jelas: senjata otonom akan menjadi Kalashnikov masa depan”, 

kata petisi, yang termasuk peti Jaan Tallinn dan profesor linguistik MIT 

Noam Chomsky sebagai pendukung tambahan terhadap persenjataan AI.

Fisikawan dan Astronom Royal Sir Martin Rees telah memperingatkan 

contoh bencana seperti “robot bodoh yang menjadi bajingan atau jaringan 

yang mengembangkan pikirannya sendiri.” Huw Price , seorang kolega 

Rees di Cambridge, telah menyuarakan peringatan serupa bahwa manusia 

mungkin tidak selamat saat  intelijen “lolos dari batasan biologi.” Kedua 

profesor ini menciptakan Pusat Studi Risiko Eksistensial di Universitas 

Cambridge dengan harapan dapat menghindari ancaman terhadap 

keberadaan manusia. Mengenai potensi sistem yang lebih pintar daripada 

manusia untuk dipekerjakan secara militer, Open Philantropy Project 

menulis bahwa skenario ini “tampaknya berpotensi sama pentingnya 

dengan risiko yang berkaitan dengan hilangnya kendali”, namun  organisasi 

penelitian yang menyelidiki dampak sosial jangka panjang AI telah 

menghabiskan waktu yang relatif sedikit dalam masalah ini: “skenario 

ini belum menjadi fokus utama bagi organisasi yang paling aktif dalam 

bidang ini, seperti Machine Research Intelligence Research Institute 

(MIRI) dan Future of Humanity Institute (FHI) , dan tampaknya ada 

sedikit analisa  dan perdebatan tentang mereka “.4. Etika mesin

Etika mesin (atau moralitas mesin) yaitu  bidang penelitian yang 

berkaitan dengan merancang Agen Moral Buatan (AMA), robot atau 

komputer yang secara artifisial cerdas yang berperilaku secara moral 

atau seolah-olah bermoral. Untuk menjelaskan sifat agen-agen ini, 

telah disarankan untuk mempertimbangkan ide-ide filosofis tertentu, 

seperti karakterisasi standar agensi , agensi rasional , agensi moral , 

dan agensi artifisial, yang merupakan terkait dengan konsep AMA. 

Isaac Asimov mempertimbangkan masalah ini pada 1950-an dalam 

bukunya I, Robot . Atas desakan editornya John W. Campbell Jr. , ia 

mengusulkan Tiga Hukum Robotika untuk mengatur sistem kecerdasan 

buatan. Banyak dari karyanya kemudian dihabiskan menguji batas-batas 

tiga hukumnya untuk melihat di mana mereka akan rusak, atau di 

mana mereka akan menciptakan perilaku paradoks atau tidak terduga. 

Karyanya menunjukkan bahwa tidak ada seperangkat hukum tetap 

yang cukup dapat mengantisipasi semua keadaan yang memungkinkan. 

Baru-baru ini, akademisi dan banyak pemerintah telah menentang 

gagasan bahwa AI sendiri dapat dimintai pertanggungjawaban. Panel 

yang diadakan oleh Britania Raya pada 2010 merevisi undang-undang 

Asimov untuk mengklarifikasi bahwa AI yaitu  tanggung jawab 

pabrikannya, atau pemilik / operatornya. Pada tahun 2009, selama 

percobaan di Laboratorium Sistem Cerdas di Ecole Polytechnique 

Fédérale dari Lausanne di Swiss , robot yang diprogram untuk bekerja 

sama satu sama lain (dalam mencari sumber daya yang menguntungkan 

dan menghindari yang beracun) akhirnya belajar berbohong kepada 

masing-masing lain dalam usaha  untuk menimbun sumber daya yang 

bermanfaat. Salah satu masalah dalam kasus ini mungkin yaitu  bahwa 

tujuannya yaitu  “terminal” (yaitu sebaliknya, motif utama manusia 

biasanya memiliki kualitas yang membutuhkan pembelajaran yang 

tidak pernah berakhir).

Beberapa ahli dan akademisi telah mempertanyakan penggunaan 

robot untuk pertempuran militer, terutama saat  robot ini  

diberikan beberapa tingkat fungsi otonom. Angkatan Laut AS telah 

mendanai laporan yang menunjukkan bahwa saat  robot militer 

menjadi lebih kompleks, harus ada perhatian yang lebih besar terhadap 

implikasi dari kemampuan mereka untuk membuat keputusan 

otonom. Presiden Asosiasi untuk Kemajuan Kecerdasan Buatan telah menugaskan penelitian untuk melihat masalah ini. Mereka menunjuk 

ke program seperti Perangkat Perolehan Bahasa yang dapat meniru 

interaksi manusia.

Pada tahun 2009, akademisi dan pakar teknis menghadiri konferensi 

yang diselenggarakan oleh Asosiasi untuk Kemajuan Kecerdasan 

Buatan untuk membahas dampak potensial robot dan komputer 

serta dampak kemungkinan hipotetis bahwa mereka dapat menjadi 

mandiri dan mampu membuat keputusan sendiri. . Mereka membahas 

kemungkinan dan sejauh mana komputer dan robot mungkin dapat 

memperoleh tingkat otonomi apa pun, dan sejauh mana mereka dapat 

memakai  kemampuan ini  untuk kemungkinan memicu  

ancaman atau bahaya. Mereka mencatat bahwa beberapa mesin telah 

memperoleh berbagai bentuk semi-otonomi, termasuk kemampuan 

untuk menemukan sumber daya sendiri dan dapat secara mandiri 

memilih target untuk diserang dengan senjata. Mereka juga mencatat 

bahwa beberapa virus komputer dapat menghindari eliminasi dan telah 

mencapai “kecerdasan kecoa.” Mereka mencatat bahwa kesadaran diri 

seperti yang digambarkan dalam fiksi ilmiah mungkin tidak mungkin, 

namun  ada potensi bahaya dan jebakan lainnya. Namun, ada satu 

teknologi khususnya yang benar-benar dapat membawa kemungkinan 

robot dengan kompetensi moral menjadi kenyataan. Dalam sebuah 

makalah tentang perolehan nilai-nilai moral oleh robot, Nayef Al￾Rodhan menyebutkan kasus chip neuromorfik , yang bertujuan untuk 

memproses informasi yang mirip dengan manusia, nonlinier dan dengan 

jutaan neuron buatan yang saling berhubungan. Robot yang tertanam 

dengan teknologi neuromorfik dapat belajar dan mengembangkan 

pengetahuan dengan cara yang mirip manusia. Tidak dapat dihindari, ini 

memicu  pertanyaan tentang lingkungan di mana robot seperti itu 

akan belajar tentang dunia dan moralitas siapa yang akan mereka warisi 

- atau jika mereka akhirnya mengembangkan ‘kelemahan’ manusia juga: 

keegoisan, sikap pro-survival, ragu dan lain-lain.

Dalam Mesin Moral: Mengajar Robots Right from Wrong, Wendell 

Wallach dan Colin Allen menyimpulkan bahwa usaha  untuk mengajarkan 

robot yang benar dan yang salah kemungkinan akan meningkatkan 

pemahaman tentang etika manusia dengan memotivasi manusia untuk 

mengatasi kesenjangan dalam teori normatif modern dan dengan 

menyediakan platform untuk penyelidikan eksperimental. Sebagai salah satu contoh, ia telah memperkenalkan ahli etika normatif pada masalah 

kontroversial dimana algoritma pembelajaran spesifik dipakai  dalam 

mesin. Nick Bostrom dan Eliezer Yudkowsky berpendapat untuk pohon 

keputusan (seperti ID3 ) atas jaringan saraf dan algoritma genetika 

dengan alasan bahwa pohon keputusan mematuhi norma-norma sosial 

modern transparansi dan prediktabilitas (misalnya tatapan decisis ), 

sementara Chris Santos-Lang berpendapat dalam arah yang berlawanan 

dengan alasan bahwa norma-norma dari segala usia harus dibiarkan 

berubah dan bahwa kegagalan alami untuk sepenuhnya memenuhi 

norma-norma khusus ini sangat penting dalam membuat manusia 

kurang rentan terhadap “ peretas “ penjahat. Menurut laporan tahun 

2019 dari Pusat Pemerintahan AI di Universitas Oxford, 82% orang 

Amerika percaya bahwa robot dan AI harus dikelola dengan hati-hati. 

Kekhawatiran yang dikutip berkisar dari bagaimana AI dipakai  

dalam pengawasan dan dalam menyebarkan konten palsu secara online 

(dikenal sebagai deepfake saat  mereka memasukkan gambar video 

dan audio yang dihasilkan dengan bantuan dari AI) ke serangan cyber, 

pelanggaran privasi data, bias mempekerjakan, kendaraan otonom, dan 

drone. yang tidak memerlukan pengontrol manusia.

5. Konsekuensi Yang Tidak Diinginkan

Banyak peneliti berpendapat bahwa, dengan cara “ledakan 

kecerdasan” sekitar abad ke-21, AI yang bisa memperbaiki diri bisa 

menjadi jauh lebih kuat daripada manusia sehingga kita tidak akan 

bisa menghentikannya untuk mencapai tujuannya. Dalam makalahnya 

“Masalah Etis dalam Kecerdasan Buatan Lanjut,” filsuf Nick Bostrom 

berpendapat bahwa kecerdasan buatan memiliki kemampuan untuk 

membawa kepunahan manusia. Dia mengklaim bahwa super-intelijen 

umum akan mampu melakukan inisiatif independen dan membuat 

rencana sendiri, dan sebab nya dapat lebih tepat dianggap sebagai agen 

otonom. sebab  kecerdasan buatan tidak perlu berbagi kecenderungan 

motivasi manusia kita, itu akan menjadi tanggung jawab para perancang 

kecerdasan super untuk menentukan motivasi aslinya. Secara teori, 

AI yang sangat cerdas akan mampu menghasilkan hampir semua 

hasil yang mungkin dan untuk menggagalkan setiap usaha  untuk 

mencegah pelaksanaan tujuan utamanya, banyak konsekuensi yang tidak 

diinginkan yang tidak terkendali dapat muncul. Itu bisa membunuh semua agen lain, membujuk mereka untuk mengubah perilaku mereka, 

atau menghalangi usaha  mereka untuk campur tangan.

Namun, alih-alih membanjiri ras manusia dan mengarah pada 

kehancuran kita, Bostrom juga menegaskan bahwa super-intelijen dapat 

membantu kita memecahkan banyak masalah sulit seperti penyakit, 

kemiskinan, dan perusakan lingkungan, dan dapat membantu kita 

untuk “meningkatkan” diri kita sendiri. Kompleksitas belaka dari sistem 

nilai manusia membuatnya sangat sulit untuk membuat motivasi AI 

ramah manusia. Kecuali filosofi moral memberi kita teori etika yang 

sempurna, fungsi utilitas AI dapat memungkinkan banyak skenario 

berbahaya yang sesuai dengan kerangka kerja etis yang diberikan namun  

bukan “akal sehat”. Menurut Eliezer Yudkowsky , ada sedikit alasan 

untuk menganggap bahwa pikiran yang dirancang secara artifisial akan 

memiliki adaptasi seperti itu. Bill Hibbard mengusulkan desain AI yang 

menghindari beberapa jenis perilaku AI yang tidak diinginkan termasuk 

delusi diri, tindakan instrumental yang tidak diinginkan, dan korupsi 

generator hadiah.

Strategi sistem informasi yaitu  sistem informasi yang dikembangkan 

oleh perusahaan sebagai reaksi terhadap inisiatif bisnis. Sistem ini 

bertujuan untuk memberi  keuntungan kompetitif bagi perusahaan. 

Sistem ini juga dapat memberi  layanan ataupun produk yang unik, 

terarah, inovatif, dan dengan anggaran minimum.

Manajemen sistem informasi yaitu  komponen yang menonjol 

di dunia teknologi informasi (TI). Manajemen sistem informasi 

yaitu  sistem yang terintegrasi antara manusia dan mesin sehingga 

mampu memberi  informasi yang tersusun sedemikian rupa untuk 

membantu jalannya manajemen, operasi dan fungsi pengambilan 

keputusan organisasi ,Singkatnya, manajemen 

sistem informasi berfungsi untuk membantu bisnis, organisasi, bahkan 

perusahaan untuk mengklasifikasi, memproses, menyimpan, dan 

mentransfer informasi yang telah dibuat dan diterima oleh sistem 

ini . Manajemen sistem informasi juga menawarkan alat untuk 

membantu perusahaan dalam menerapkan metrik perangkat lunak 

(software metric) dan sebagai alat analitik ke tempat penyimpanan informasi yang memungkinkan sistem ini dapat mengenali peluang 

pertumbuhan suatu perusahaan dan menunjukkan bagaimana cara 

untuk meningkatkan efisiensi operasional pada perusahaan.

Sejarah Strategi sistem informasi

Konsep strategi sistem informasi pertama kali diperkenalkan oleh Dr. 

Charles Wiseman, direktur newly formed consultancy dengan istilah “ 

Competitive Applications (Aplikasi Kompetitif),” (berdasar  Catatan 

NY State records for consultancies formed tahun 1982) yang menjelaskan 

materi perkuliahan pada kuliah umum tentang strategi sistem informasi 

di Kota New York yang saat itu disponsori oleh Datamation Institute, anak 

perusahaan dari Datamation Magazine.

 Definisi Strategi sistem informasi

 Pengertian Sistem, Informasi, dan Strategi sistem 

informasi

Sistem yaitu  himpunan dari unsur-unsur yang saling berkaitan 

sehingga membentuk suatu kesatuan yang utuh dan terpadu . Sebuah sistem terdiri dari bagian-bagian yang saling 

berkaitan yang beroperasi bersama untuk mencapai suatu tujuan 

tertentu 

Informasi yaitu  data yang telah diolah menjadi sebuah bentuk 

yang berarti bagi penerimanya dan bermanfaat dalam pengambilan 

keputusan saat ini atau saat mendatang . Informasi 

yaitu  data yang diproses untuk menghasilkan bentuk yang lebih 

berguna dan berarti bagi penerimanya 

Sistem informasi yaitu  himpunan perangkat keras dan lunak 

yang dirancang untuk mentransformasikan data menjadi informasi 

yang berguna (Bodnar dan Hopwood: 2009). Sebuah sistem 

informasi berfungsi untuk mengumpulkan, menyimpan, memproses, 

menganalisa , dan menyebarkan informasi untuk tujuan yang bersifat 

khusus (Turban, McLean, dan Wetherbe: 2006). Dalam pembahasan ini 

tujuan ini  yaitu  untuk mendapatkan strategi yang tepat dalam 

pemanfaatan sistem informasi. Strategi sistem informasi yaitu  sistem komputer yang meng￾implementasikan strategi bisnis; sistem yang menunjukkan sumber 

daya layanan informasi dan menerapkannya pada strategi peluang 

bisnis yang diatur dengan sedemikian rupa sehingga sistem komputer 

ini  akan memengaruhi produk dan operasi bisnis suatu organisasi. 

Strategi sistem informasi merupakan sistem yang selalu dikembangkan 

sebagai bentuk reaksi terhadap inisiatif bisnis sebuah perusahaan. 

Dalam beberapa kasus gagasan strategi sistem informasi muncul 

dari orang –orang layanan informasi, namun  gagasan ini hanya untuk 

kepentingan perusahaan tertentu. Dalam kasus lain, gagasan ini datang 

dari orang-orang operasional bisnis, dan Layanan Informasi yang 

bertugas memasok kemampuan teknologi untuk mewujudkan hasil 

yang menguntungkan. 

Sebagian besar orang memandang bahwa sistem informasi dipakai  

sebagai pendukung bagi kegiatan bisnis, mereka memekanisasi operasi 

untuk efisiensi, kontrol, dan efektivitas yang lebih baik, namun  tidak 

meningkatkan keuntungan perusahaan. Mereka memakai nya 

hanya untuk mendapatkan informasi yang cukup dan dapat diandalkan 

dalam manajemen agar bisnis mereka berjalan dengan lancar. Mereka 

juga memakai nya untuk menganalisa  perencanaan strategi yang 

baru bagi perusahaan. Di sisi lain, strategi sistem informasi merupakan 

bagian integral yang sangat diperlukan dalam bisnis. sebab  mereka 

memengaruhi profitabilitas, pertumbuhan, dan perkembangan suatu 

perusahaan. Hal ini berarti strategi sistem informasi berpotensi untuk 

membuka pasar baru dan bisnis baru, sebab  secara langsung sistem 

ini memengaruhi sikap kompetitif suatu organisasi dan memberi  

keuntungan terhadap para pesaing. 

Sebagian besar literatur tentang strategi sistem informasi 

menekankan terobosan spektakuler dalam sistem komputer, 

misalnya seperti sistem informasi pada American Airlines dan sistem 

informasi persediaan pada Rumah Sakit Amerika di kantor layanan 

pelanggan. Namun, ada juga strategi sistem informasi yang mungkin 

bukan terobosan spektakuler, namun  tetap menjadi pertimbangan 

dari pengambilan keputusan suatu perusahaan sebab  diperkirakan akan 

meningkatkan profitabilitas perusahaan ini . Setiap pengembangan 

strategi sistem informasi akan selalu meningkatkan citra layanan 

informasi dalam suatu organisasi dan mengarah pada manajemen informasi yang memiliki peran lebih partisipatif dalam pengoperasian 

organisasi. 

Tiga jenis umum sistem informasi

Tiga jenis umum sistem informasi yang dikembangkan dan umum 

dipakai  yaitu  sistem keuangan, sistem operasional, dan sistem 

strategis. Ketiga jenis ini tidak saling terpisah sebab  pada kenyataannya, 

ketiga jenis ini selalu tumpang tindih hingga pada batasan tertentu. Jika 

sistem keuangan dan sistem operasional teratur dengan baik, maka hal 

ini akan menjadi sistem strategis untuk organisasi tertentu.

A. Sistem keuangan

Sistem keuangan yaitu  komputerisasi dasar untuk operasi akuntansi, 

penaksiran anggaran, dan keuangan suatu organisasi. Sistem ini sudah 

diterapkan pada setiap perusahaan sebab  hasil dari pekerjaan yang 

dilakukan oleh komputer terbukti ideal dalam mekanisasi sistem 

keuangan dan sistem kepegawaian, sebab  kontrol jumlah karyawan 

dan penggajian perusahaan yaitu  masalah utama pada bidang 

keuangan. Sistem keuangan merupakan dasar dari semua sistem yang 

lain sebab  sistem ini akan memberi  gambaran umum dari semua 

operasi dan proyek, sistem ini juga menyediakan angka tepercaya 

untuk menunjukkan keberhasilan suatu departemen atau proyek yang 

dilakukan oleh perusahaan. Perencanaan organisasi harus berkaitan 

dengan analisa  keuangan, sebab  selalu ada peluang yang lebih 

besar untuk mengembangkan sistem strategis dengan adanya sistem 

keuangan. 

B. Sistem operasional

Sistem operasional berfungsi untuk membantu mengendalikan bisnis 

secara detail. Perusahan memiliki sistem operasional yang berbeda￾beda, tergantung jenis perusaaan ini . Sistem operasional yaitu  

sistem komputer yang diperlukan manajer operasional perusahaan 

untuk membantu mengelola bisnis sesuai dengan tujuan perusahaan 

ini . Sistem ini mungkin berguna namun  sebagai sistem biasa yang 

melacak inventaris. Misalnya dalam mencetak ulang lokasi pemesanan 

dan alokasi biaya yang diperlukan. Di sisi lain, sistem operasional 

mungkin menjadi strategi yang bagus dalam mempengaruhi sudut pandang yang dibangun di dalamnya, selain itu sistem ini juga dapat 

menangani pendataan inventaris dengan cara yang dramatis sehingga 

dapat mempengaruhi profitabilitas bagi perusahaan. Contohnya seperti 

sistem kontrol inventaris suplai barang di rumah sakit Amerika yang 

dipasang di loket layanan pelanggan. 

Sebenarnya sebagian besar sistem pengendalian data inventaris 

hanya berguna untuk mempermudah proses pendataan dan mengontrol 

anggaran yang sesuai. Penerapan sistem ini terkenal sebagai terobosan 

baru dalam penerapan sistem operasional untuk mendapatkan 

keunggulan kompetitif suatu perusahaan. Namun untuk mempunyai 

sistem operasional tempat, perusahaan harus banyak membeli sistem 

komputer baik dengan skala yang besar maupun skala kecil. Padahal 

sistem operasional tempat hanya dipakai  untuk membantu mengelola 

dan meng-otomatisasi bisnis. Sistem ini memang penting dan sangat 

diperlukan, namun  hanya dapat dimasukkan ke dalam kategori “strategis” 

jika sistem ini secara substansial mempengaruhi profitabilitas bisnis. 

Semua bisnis harus mempunyai rancangan sistem operasional 

jangka panjang dan jangka pendek untuk memastikan bahwa komputer 

yang dipakai  akan dimanfaatkan sebagaimana mestinya. Rancangan 

ini  akan memproyeksikan: analisa  biaya; pertimbangan 

pengembangan sistem; dan perencanaan teknologi spesifik seperti 

untuk komputer, database, dan komunikasi. Perencanaan kapasitas 

komputer, peramalan teknologi, dan perencanaan kinerja personel harus 

ada dalam penerapan sistem operasional. sebab  Sistem ini yaitu  

sistem yang membuat perusahaan tetap terkendali dengan pengeluaran 

biaya se-efektif mungkin. 

C. Sistem strategis

Sistem strategis yaitu  sistem yang menghubungkan strategi bisnis 

dengan komputer. Strategi bisnis yang baru dilakukan seperti sebuah 

sistem yang telah dikembangkan dan dapat diwujudkan dengan 

memanfaatkan perkembangan Teknologi Informasi. Sistem ini 

berpotensi besar untuk memanfaatkan teknologi komputer terbaru 

yang tersedia di pasaran dan sebagai perancang yang memiliki semangat 

kewirausahaan dalam memahami kemampuan baru yang berpotensi 

dalam meningkatkan keunggulan yang kompetitif. Sistem ini juga 

merupakan sistem dimana orang-orang dari manajemen operasional dan orang-orang dari layanan informasi telah berdiskusi tentang 

permasalahan bisnis yang ada sehingga mereka merancang metode￾metode baru dalam perkembangan teknologi komputer sebagai bentuk 

respond terhadap dorongan dari pesaing-pesaing baru. Pada dasarnya 

sistem strategis yaitu  sistem informasi yang bisa dipakai  untuk 

memperoleh keunggulan kompetitif. Mengenai bagaimana keunggulan 

kompetitif diperoleh, penulis yang berbeda juga menjabarkan 

kemungkinan yang berbeda, namun  tidak ada satupun dari mereka 

yang mengklaim bahwa hanya ada satu peluang untuk memperoleh 

keunggulan kompetitif. 

Model-model Strategi sistem informasi

 Porter’s Competitive Advantage

Michael E. Porter, Profesor Administrasi Bisnis, Harvard Business 

School, telah menyampaikan ide-idenya dalam dua buku utama 

miliknya. Competitive Strategy: Techniques for Analyzing Industries and 

Competitors, and his newer book, Competitive Advantage, menyajikan 

kerangka kerja untuk membantu perusahaan benar-benar menciptakan 

dan mempertahankan keunggulan kompetitif yang mereka miliki dalam 

industri mereka, baik dalam biaya maupun diferensiasi. Teori-teori Dr. 

Porter tentang keunggulan kompetitif tidak terikat dengan masalah 

sistem informasi, namun  dipakai  oleh orang lain untuk melibatkan 

teknologi layanan informasi. Dalam bukunya, Dr. Porter mengatakan 

bahwa ada dua pertanyaan sentral dalam strategi kompetitif, yaitu:

· Seberapa menarik secara struktural industri ini?

· Apa posisi relatif perusahaan dalam industri?

Tidak satu pun dari pertanyaan ini yang mampu untuk memandu 

pilihan strategis. Keduanya dapat dipengaruhi oleh tingkah perilaku 

pesaing, dan keduanya dapat dibentuk oleh tindakan dari perusahaan. 

Sangat penting bahwa pertanyaan-pertanyaan ini dijawab dengan 

analisa , yang akan menjadi titik awal untuk pemikiran strategis yang 

lebih baik, dan akan membuka kemungkinan untuk peran sistem 

informasi ini . Profitabilitas industri yaitu  fungsi dari lima kekuatan kompetitif 

dasar, yaitu:

· Ancaman pendatang baru

· Ancaman produk atau layanan pengganti

· Daya tawar pemasok

· Daya tawar pembeli dan

· Intensitas persaingan di antara pesaing yang ada

Buku-buku Porter memberi  teknik untuk menangani 

kemungkinan dari keuntungan rata-rata suatu industri dari jangka 

waktu ke waktu. analisa  kekuatan-kekuatan ini yaitu  dasar 

untuk memperkirakan posisi relatif perusahaan dan keunggulan 

kompetitif. Dalam industri apa pun, profitabilitas rata-rata pesaing 

yang berkelanjutan sangatlah bervariasi. Masalahnya yaitu  

untuk menentukan bagaimana bisnis tesebut dapat mengungguli 

rata-rata industri dan mencapai keunggulan kompetitif yang 

berkelanjutan. Ada kemungkinan bahwa jawabannya terletak 

pada teknologi informasi bersama dengan manajemen yang baik. 

Porter mengklaim bahwa tipe utama dari keunggulan kompetitif 

yaitu  produsen yang berbiaya rendah, diferensiasi, dan fokus. 

Suatu perusahaan memiliki keunggulan yang kompetitif jika mampu 

memberi  produk atau layanannya dengan harga lebih minimum, 

daripada para pesaingnya. Jika kualitas produk memuaskan, ini akan 

diterjemahkan ke dalam margin yang lebih tinggi dan pengembalian 

yang lebih tinggi. Keuntungan lain didapatkan jika perusahaan mampu 

membedakan dirinya dengan cara tertentu. Diferensiasi mengarah 

pada penawaran sesuatu yang unik dan diinginkan, dan diterjemahkan 

menjadi harga yang premium. Sekali lagi, ini akan menghasilkan margin 

yang lebih tinggi dan kinerja yang jauh lebih unggul. 

Tampaknya dua jenis keunggulan kompetitif, biaya yang lebih 

rendah dan diferensiasi, saling eksklusif. Untuk mendapatkan biaya yang 

lebih rendah, Anda mengorbankan keunikannya. Untuk mendapatkan 

harga premium, maka harus ada biaya atau harga tambahan yang terlibat 

dalam proses. Namun, untuk menjadi pemain yang lebih unggul, Anda 

harus mengejar keunggulan kompetitif dalam biaya atau diferensiasi 

ini . Poin lain dari Porter yaitu  bahwa keunggulan kompetitif diperoleh 

melalui strategi berdasar  ruang lingkup yang ada. Penting untuk 

melihat luasnya kegiatan perusahaan ini , dan mempersempit ruang 

lingkup persaingan untuk memperoleh focus yang baik di segmen dunia 

industri, area geografis, jenis pelanggan, dan sebagainya. Keunggulan 

kompetitif paling mudah diperoleh jika dengan mendefinisikan ruang 

lingkup kompetitif di mana perusahaan ini  beroperasi, dan 

berkonsentrasi pada itu. 

berdasar  ide-ide dari jenis dan ruang lingkup ini, Porter 

memberi  alat yang berguna untuk menganalisa  yang ia sebut 

rantai nilai. Rantai nilai ini memberi  kerangka kerja di mana 

analisa  yang berguna dapat digantung. Gagasan dasarnya yaitu  

bahwa untuk memahami keunggulan yang kompetitif di perusahaan, 

orang tidak dapat memandang perusahaan secara keseluruhan. Penting 

untuk mengidentifikasi kegiatan spesifik yang dilakukan perusahaan 

untuk melakukan bisnis. Setiap perusahaan yaitu  kumpulan hal￾hal yang dilakukannya yang semuanya menambahkan hingga produk 

yang dikirim ke pelanggan. Aktivitas-aktivitas ini banyak dan unik 

untuk setiap industri, namun  hanya dalam aktivitas-aktivitas inilah 

keuntungan atau diferensiasi biaya dapat diperoleh. Ide dasarnya 

yaitu  bahwa kegiatan perusahaan dapat dibagi menjadi sembilan jenis 

generik. Lima yaitu  kegiatan utama, yaitu kegiatan yang menciptakan 

produk, memasarkannya dan mengirimkannya; empat yaitu  kegiatan 

pendukung yang melintasi antara kegiatan utama. 

Kegiatan utama yaitu :

· Logistik masuk, yang meliputi penerimaan dan penyimpanan 

bahan, dan manajemen persediaan secara umum. 

· Operasi, yang merupakan langkah-langkah pembuatan atau 

langkah-langkah layanan. 

· Logistik keluar, yang terkait dengan pengumpulan, penyimpanan, 

dan distribusi produk secara fisik kepada pembeli. Di beberapa 

perusahaan ini yaitu  biaya yang signifikan, dan pembeli menilai 

kecepatan dan konsistensi. 

· Pemasaran dan penjualan meliputi hubungan pelanggan, entri 

pesanan, dan manajemen harga. Layanan purna jual mencakup dukungan produk di lapangan, 

instalasi, pelatihan pelanggan, dan sebagainya. 

Kegiatan dukungan tidak ditujukan kepada pelanggan, namun  mereka 

memungkinkan perusahaan untuk melakukan kegiatan utamanya. 

Empat jenis kegiatan dukungan umum yaitu :

· Pengadaan, yang mencakup pembuatan dan pembelian bahan baku, 

atau barang apa pun yang dipakai  oleh perusahaan. Bagian dari 

pengadaan ada di departemen pembelian, namun  juga tersebar di 

seluruh organisasi. 

· Pengembangan teknologi mungkin hanya mencakup prosedur 

operasional, atau banyak yang terlibat dengan penggunaan 

teknologi yang kompleks. Saat ini, teknologi canggih sudah 

menyebar, dan melintasi semua kegiatan; ini bukan hanya fungsi 

R&D. 

· Manajemen sumber daya manusia yaitu  perekrutan, pelatihan, 

dan pengembangan orang. Jelas, pemotongan di setiap kegiatan 

lainnya. 

· Infrastruktur perusahaan yaitu  bagian penting dari perusahaan, 

termasuk departemen akuntansi, departemen hukum, departemen 

perencanaan, hubungan pemerintah, dan sebagainya. 

Gagasan dasarnya yaitu  bahwa keunggulan kompetitif tumbuh 

dari kemampuan perusahaan untuk melakukan kegiatan-kegiatan ini 

lebih murah dari pesaingnya, atau dengan cara yang unik. Keunggulan 

kompetitif harus dikaitkan dengan aktivitas spesifik ini, dan tidak 

dipikirkan secara luas di level perusahaan. Ini yaitu  cara berpikir yang 

menarik bagi sebagian besar orang layanan informasi, sebab  pada 

dasarnya, pendekatan analisa  sistem. Orang-orang komputer dilatih 

untuk mengurangi sistem ke komponen mereka, mencari aplikasi terbaik 

untuk setiap komponen, kemudian menyusun sistem yang saling terkait. 

Teknologi informasi juga menyebar di seluruh bagian rantai nilai. 

Setiap kegiatan yang dilakukan perusahaan memiliki potensi untuk 

menanamkan teknologi informasi sebab  melibatkan pemrosesan 

informasi. saat  teknologi informasi bergerak menjauh dari 

pemrosesan transaksi berulang dan menembus semua aktivitas dalam 

rantai nilai, ia akan berada dalam posisi yang lebih baik untuk berguna 

dalam mendapatkan keunggulan kompetitif. Porter menekankanapa yang disebutnya keterkaitan antara aktivitas yang dilakukan 

perusahaan. Tidak ada kegiatan di perusahaan yang independen, 

namun setiap departemen dikelola secara terpisah. Sangat penting 

untuk memahami keterkaitan biaya yang terlibat sehingga perusahaan 

dapat memperoleh optimalisasi produksi secara keseluruhan daripada 

optimasi departemen. Keterkaitan yang khas yaitu  bahwa jika lebih 

banyak dihabiskan untuk pengadaan, lebih sedikit dihabiskan untuk 

operasi. Jika lebih banyak pengujian dilakukan dalam operasi, biaya 

layanan purna jual akan lebih rendah. 

Koordinasi multifungsi sangat penting untuk keunggulan 

kompetitif, namun  seringkali sulit dilihat. Wawasan keterkaitan 

memberi  kemampuan untuk memiliki optimasi secara keseluruhan. 

Setiap strategi sistem informasi harus dianalisa  di semua departemen 

dalam organisasi

 Cost And Competitive Advantage

Kepemimpinan biaya yaitu  salah satu keunggulan kompetitif Porter. 

Pimpinan anggaran menyalurkan produk dengan kualitas anggaran 

rendah yang dapat di terima. Mencapai kepemimpinan anggaran 

biasanya membutuhkan pertukaran dengan perbedaan. Keduanya 

biasanya tidak kompatibel. Tempat anggaran relatif perusahaan tidak 

dapat dipahami dengan melihat perusahaan secara keseluruhan. 

Anggaran keseluruhan tumbuh dari anggaran melakukan kegiatan 

diskrit. Posisi biaya ditentukan oleh biaya kumulatif dari melakukan 

semua aktivitas nilai. Untuk mempertahankan keunggulan anggaran, 

Porter memberi  sejumlah pendorong anggaran yang harus dipahami 

secara rinci sebab  keberlanjutan keunggulan anggaran dalam suatu 

kegiatan tergantung pada pendorong anggaran dari kegiatan ini . 

Sekali lagi, jenis detail ini paling baik diperoleh dengan metode analisa  

sistem klasik. 

Berikut pendorong anggaran yang harus di analisa , di pahami, dan 

di kendalikan yaitu:

· Belajar Kurva pembelajaran harus dipahami dan dikelola. saat  

organisasi mencoba untuk belajar dari para pesaing, ia harus 

berusaha untuk mempertahankan hak milik pembelajarannya 

sendiri. Pemanfaatan Kapasitas. Biaya dapat dikendalikan oleh leveling dari 

throughput. 

· Keterkaitan. Keterkaitan harus dieksploitasi dalam rantai nilai. 

Bekerja dengan pemasok dan saluran dapat mengurangi biaya. 

· Hubungan timbal balik. Kegiatan bersama dapat mengurangi biaya. 

· Integrasi. Kemungkinan untuk integrasi atau de-integrasi harus 

diperiksa secara sistematis. 

· Pengaturan waktu. Jika keuntungan menjadi penggerak pertama 

atau penggerak akhir dipahami, mereka dapat dieksploitasi. 

· Kebijakan Kebijakan yang meningkatkan posisi atau diferensiasi 

berbiaya rendah harus ditekankan. 

· Lokasi Jika dilihat secara keseluruhan, lokasi kegiatan individu 

dapat dioptimalkan. 

· Faktor Kelembagaan. Faktor kelembagaan harus diperiksa untuk 

melihat apakah perubahannya mungkin bermanfaat. 

Kehati-hatian harus diperhatikan dalam evaluasi dan persepsi 

pendorong biaya sebab  ada jebakan jika pemikirannya bersifat 

inkremental dan kegiatan tidak langsung diabaikan. Meskipun kegiatan 

manufaktur, misalnya, yaitu  kandidat yang jelas untuk analisa , mereka 

tidak harus memiliki fokus eksklusif. Hubungan harus dieksploitasi 

dan subsidi silang dihindari. 

Porter memberi  lima langkah untuk mencapai kepemimpinan 

biaya:

· Identifikasi rantai nilai yang sesuai dan tetapkan biaya dan aset 

untuknya. 

· Identifikasi pendorong biaya dari setiap aktivitas nilai dan lihat 

bagaimana mereka berinteraksi. 

· Tentukan biaya relatif pesaing dan sumber perbedaan biaya. 

· Kembangkan strategi untuk menurunkan posisi biaya relatif melalui 

pengendalian pemicu biaya atau konfigurasi ulang rantai nilai. 

· Strategi pengurangan biaya untuk keberlanjutan. Differentiation Advantage

Diferensiasi yaitu  yang kedua dari dua jenis keunggulan kompetitif 

Porter. Dalam strategi diferensiasi, satu atau lebih sifat  yang 

secara luas bernilai oleh pembeli dipilih. Tujuannya yaitu  untuk 

mencapai dan mempertahankan kinerja yang lebih unggul dari pesaing 

dalam memuaskan kebutuhan pembeli ini . Seorang pembeda 

secara selektif menambahkan biaya di bidang yang penting bagi pembeli. 

Dengan demikian, diferensiasi yang berhasil mengarah pada harga 

premium, dan ini mengarah pada keuntungan di atas rata-rata jika ada 

perkiraan paritas biaya. Untuk mencapai hal ini, bentuk diferensiasi 

yang efisien harus dipilih, dan biaya harus dikurangi di area yang tidak 

relevan dengan kebutuhan pembeli. Pembeli seperti penjual sebab  

mereka memiliki rantai nilai mereka sendiri. Produk yang dijual akan 

mewakili satu input yang dibeli, namun  penjual dapat memengaruhi 

aktivitas pembeli dengan cara lain. Diferensiasi dapat menurunkan 

biaya pembeli dan meningkatkan kinerja pembeli, dan dengan demikian 

menciptakan nilai, atau keunggulan kompetitif, bagi pembeli. Pembeli 

mungkin tidak dapat menilai semua nilai yang disediakan perusahaan, 

namun  mencari sinyal nilai, atau nilai yang dirasakan. 

Beberapa faktor khas yang dapat menurunkan biaya pembeli yaitu :

· Lebih sedikit waktu idle

· Risiko kegagalan yang lebih rendah

· Biaya pemasangan lebih rendah

· Waktu pemrosesan lebih cepat

· Biaya tenaga kerja lebih rendah

· Kehidupan yang bermanfaat lebih lama, dan sebagainya. 

Porter menunjukkan bahwa diferensiasi biasanya mahal, tergantung 

pada pendorong biaya dari kegiatan yang terlibat. Perusahaan harus 

menemukan bentuk diferensiasi di mana ia memiliki keunggulan 

biaya dalam membedakan. Diferensiasi dicapai dengan meningkatkan 

sumber keunikan. Ini dapat ditemukan di seluruh rantai nilai, dan 

harus diisyaratkan kepada pembeli. Biaya diferensiasi dapat diubah 

menjadi keuntungan jika sumber yang lebih murah dieksploitasi dan 

pendorong biaya dikendalikan. Penekanannya harus pada mendapatkan 

keunggulan biaya berkelanjutan dalam membedakan. usaha -usaha  harus dilakukan untuk mengubah kriteria pembeli dengan mengkonfigurasi 

ulang rantai nilai menjadi unik dengan cara-cara baru, dan dengan 

terlebih dahulu merespons perubahan situasi pembeli atau saluran. 

Diferensiasi tidak akan berfungsi jika ada terlalu banyak keunikan, 

atau keunikan yang tidak dihargai pembeli. Kemampuan pembeli untuk 

membayar harga premium, kriteria pensinyalan, dan segmen-segmen 

penting bagi pembeli semua harus dipahami. Juga, tidak mungkin ada 

ketergantungan berlebihan pada sumber-sumber diferensiasi yang dapat 

ditiru oleh pesaing dengan murah atau cepat. 

Porter mendaftar tujuh langkah untuk mencapai diferensiasi:

· Tentukan identitas pembeli nyata. 

· Memahami rantai nilai pembeli, dan pengaruh produk penjual 

terhadapnya. 

· Tentukan kriteria pembelian pembeli. 

· Menilai kemungkinan sumber keunikan dalam rantai nilai 

perusahaan. 

· Identifikasi biaya sumber keunikan ini. 

· Pilih aktivitas nilai yang menciptakan diferensiasi paling berharga 

bagi pembeli relatif terhadap biaya yang dikeluarkan. 

· Uji strategi diferensiasi yang dipilih untuk keberlanjutan. 

 Focus Strategies For Advantage

Tulisan Porter juga membahas strategi fokus. Dia menekankan 

bahwa perusahaan yang berusaha untuk sepenuhnya memuaskan 

setiap pembeli tidak memiliki strategi. Fokus berarti memilih 

target dan mengoptimalkan strategi untuk mereka. Strategi fokus 

lebih lanjut segmen industri. Mereka mungkin ditiru, namun  dapat 

memberi  bukaan strategis. Jelas, beberapa strategi generik dapat 

diimplementasikan, namun  kemudian inkonsistensi internal dapat 

muncul, dan perbedaan antara entitas yang fokus dapat menjadi kabur. 

Pekerjaan Porter diarahkan pada keunggulan kompetitif secara umum, 

dan tidak spesifik untuk strategi sistem informasi. Namun, telah diulas 

di sini cukup lama, sebab  konsepnya sering disebut dalam tulisan orang 

lain yang berkaitan dengan strategi sistem informasi. Konsep rantai 

nilai telah banyak diadopsi, dan gagasan biaya rendah dan diferensiasi 

diterima. Oleh sebab  itu, bagian ini merupakan pengantar diskusi lebih lanjut tentang strategi sistem informasi. Implementasi sistem 

semacam itu cenderung merupakan implementasi dari faktor-faktor 

yang dijelaskan oleh Porter. 

 Porter’s Competitive Forces Model

 Pengertian Porter’s Competitive Forces Model

Porter’s Competitive Forces Model yaitu  Suatu Model Daya Saing 

Porter’s, yang memiliki 5 kekuatan porter. Porter Five Forces Analysis 

yaitu  suatu susunan yang disusun secara sistematis yang merupakan 

rangkaian kerja yang dipakai  menganalisa  industri dan untuk 

mengembangkan suatu strategi bisnis yang dikembangkan oleh Michael 

Porter dari Sekolah Bisnis Universitas Harvard pada tahun 1979, industri 

yang “Tidak Menarik” yaitu  pabrik yang sudah