Pengertian Manajemen Sistem Informasi dan Macam-Macam Contohnya.

Manfaat Manajemen Layanan Sistem Informasi

Berikut adalah manfaat Manajemen Layanan Sistem Informasi bagi Lingkungan Sekitar:

1. Menambah kecepatan akses/aksesibilitas data yang tersaji tepat waktu dan akurat bagi para pengguna Manajemen Layanan Sistem Informasi tersebut tanpa adanya suatu perantara sistem informasi.
2. Menjamin tersedianya keterampilan dan kualitas dalam memanfaatkan sistem informasi secara baik dan benar.
3. Mengidentifikasikan kebutuhan-kebutuhan akan keterampilan pendukung sistem informasi.
4. Menetapkan investasi yang akan diarahkan pada sistem informasi.

            Jadi, kesimpulan yang dapat diambil menurut saya, manfaat Manajemen Layanan Sistem Informasi dalam lingkungan sekitar adalah untuk mempermudah masyarakat dalam menggunakan layanan sistem informasi yang nantinya akan digunakan dalam persaingan antar bisnis suatu perusahaan.

Berikut framework yang dapat mengimplementasikan teori-teori Manajemen Sistem Informasi :

1. Enterprise Resource Planning (ERP)

Sistem ERP ini biasanya digunakan oleh sejumlah perusahaan besar dalam mengelola manajemen dan melakukan pengawasan yang saling terintegrasi terhadap unit bidang kerja Keuangan, Accounting, Sumber Daya Manusia, Pemasaran, Operasional, dan Pengelolaan Persediaan. 

2. Supply Chain Management (SCM)

Sistem SCM ini sangaat bermanfaat bagi pihak manajemen dimana data data yang disajikan terintegrasi mengenai manajemen suplai bahan baku, mulai dari pemasok, produsen, pengecer hingga konsumen akhir.

3. Transaction Processing System (TPS)

TPS ini berguna untuk proses data dalam jumlah yang besar dengan transaksi bisnis yang rutin. Program ini biasa diaplikasikan untuk manajemen gaji dan inventaris. Contohnya adalah aplikasi yang digunakan untuk Bantuan Keuangan Desa Pemprov Jawa Timur.

4. Office Automation System (OAS)

Sistem aplikasi ini berguna untuk melancarkan komunikasi antar departemen dalam suatu perusahaan dengan cara mengintegrasikan server-server komputer pada setiap user di perusahaan. Contohnya adalah email.

5. Knowledge Work System (KWS)

Sistem informasi KWS ini mengintegrasikan satu pengetahuan baru ke dalam organisasi. Dengan ini, diharapkan para tenaga ahli dapat menerapkannya dalam pekerjaan mereka.

6. Informatic Management System (IMS)

IMS berfungsi untuk mendukung spektrum tugas-tugas dalam organisasi, yang juga dapat digunakan untuk membantu menganalisa pembuatan keputusan. Sistem ini juga dapat menyatukan beberapa fungsi informasi dengan program komputerisasi, seperti e-procurement.

7. Decision Support System (DSS)

Sistem ini membantu para manajer dalam mengambil keputusan dengan cara mengamati lingkungan dalam perusahaan. Contohnya, Link Elektronik di sekolah Tunas Bangsa, yang mengamati jumlah pendapatan atau pendaftaran siswa baru setiap tahun.

8. Expert System (ES) dan Artificial Intelligent (A.I.)

Sistem ini pada dasarnya menggunakan kecerdasan buatan untuk menganalisa pemecahan masalah dengan menggunakan pengetahuan tenaga ahli yang telah diprogram ke dalamnya. Contohnya, sistem jadwal mekanik.

9. Group Decision Support System (GDSS) dan Computer-Support Collaborative Work System (CSCWS)

Serupa dengan DSS, tetapi GDSS mencari solusi lewat pengumpulan pengetahuan dalam satu kelompok, bukan per individu. Biasanya berbentuk kuesioner, konsultasi, dan skenario. Contohnya adalah e-government.

10. Executive Support System (ESS)

Sistem ini membantu manajer dalam berinteraksi dengan lingkungan perusahaan dengan berpegang pada grafik dan pendukung komunikasi lainnya.

sumber : 
https://shavirapv.wordpress.com/2017/03/19/pengertian-manfaat-dan-peranan-manajemen-layanan-sistem-informasi-bagi-lingkungan-sekitar/

http://www.kotepoke.org/2011/09/pengertian-manajemen-sistem-informasi.html

http://www.ekoonomi.com/2016/09/sistem-informasi-manajemen.html

http://www.kembar.pro/2016/01/pengertian-fungsi-dan-contoh-sistem-informasi-manajemen.html

Heuristic Search

Heuristic Search adalah pencarian bersyarat (terbimbing). Artinya, solusi yang diperoleh adalah solusi yang terbaik, bukan solusi sekali ketemu. Bagian-bagiannya adalah [masalah]-[pencarian]-[syarat]-[solusi]. Misal contoh masalah pada kasus di atas, Ambillah kelereng merah yang tidak pecah dan tidak lonjong. Sehingga ketika ketemu kelereng merah dan ada pecahnya, itu masih bukan solusi karena tidak sesuai dengan syarat (tidak pecah dan tidak lonjong).

Algoritma Generate and Test

Algoritma Generate and Test merupakan algoritma paling sederhana dalam teknik pencarian heuristik. Dalam Generate and Test, terdapat dua prosedur penting yaitu

generate (membangkitkan) yaitu membangkitkan semua solusi yang mungkin dan

test (pengetesan) yaitu menguji solusi yang dibangkitkan tersebut. Algoritma Generate and Test menggabungkan algoritma DFS dengan pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju state awal.

Algoritma Generate and Test adalah sebagai berikut :

1. Bangkitkan sebuah solusi yang mungkin

2.Menguji tiap-tiap node yang merupakan solusi dengan cara membandingkan node tersebut dengan node akhir dari suatu lintasan yang dipilih dengan kumpulan tujuan yang diharapkan.

3. Jika solusi telah ditemukan, maka keluar dari sistem. Jika belum menemukan solusi, maka kembali ke langkah 1.

PENGGUNAAN METODE HILL CLIMBING UNTUK PENCARIAN SEKOLAH DASARDI KECAMATAN CIMAHI TENGAH

Pada pembutan perangkat lunak ini digunakan metode Hill Climbing, metode Hill Climbing yaitu metode yang hampir sama dengan metode pembangkitan dan pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristic. Pembangkitan keadaan berikutnya tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnya.
Adapun tujuan dari perancangan sistem yang baru adalah sebagai berikut :

1. Dengan metode Hill Climbing pencarian sekolah dilakukan dengan criteria jumlah siswa sehingga pencarian akan lebih optimal.
2. Dengan adanya metode Hill Climbing dapat membantu dalam pencarian sekolah dengan cepat dan tepat.
3. Mencari jumlah siswa dan rute tercepat untuk menuju sekolah.

Landasan Teori
Dalam ilmu komputer, sebuah algoritma pencarian dijelaskan secara luas adalah sebuah algoritma yang menerima masukan berupa sebuah masalah dan menghasilkan sebuah solusi untuk masalah tersebut, yang biasanya didapat dari evaluasi beberapa kemungkinan solusi.
Metode Hill Climbing Search adalah suatu metode untuk mencari dan menentukan rute yang paling singkat dengan memperkecil jumlah kota atau tempat yang disinggahi dengan menggunakan cara heuristic. Cara kerjanya adalah menentukan langkah berikutnya dengan menempatkan node yang akan muncul sedekat mungkin dengan sasarannya (“Kusumadewi, 2010”).
Use Case Diagram
Use case diagram menggambarkan fungsionalitas yang diharapkan dari sistem dan merepersentasikan interaksi antara actor dengan sistem.
Activity Diagram
Pada sub bab berikut ini akan dimodelkan aliran kegiatan yang terjadi dalam perangkat lunak kompresi data yang digambarkan dalam Activity
Diagram dan secara garis besar adalah untuk memodelkan aliran kerja (workflow) atau aktivitas dan operasi dari perangkat lunak kompresi data.
Class Diagram
Class diagram adalah suatu diagram yang menyediakan sekumpulan class objek antar muka interface dan relasinya, dan juga untuk memodelkan database logic.
Perancangan Antar Muka
Perancangan antarmuka ini bertujuan untuk memberikan gambaran mengenai bentuk antarmuka dari perangkat lunak yang akan digunakan oleh Pengguna untuk berinteraksi dengan perangkat lunak. Rancangan antarmuka ini mempertimbangkan berbagai kemudahan dan fungsionalitas dari perangkat lunak itu sendiri.
Penjelasan Antar muka Pencarian Rute

1. Pilih Kriteria yaitu untuk menentukan kriteria pencarian sekolah.
2. Pilih lokasi awal yaitu untuk menentukan lokasi awal pengguna untuk menuju sekolah tujuan.
3. Tombol cari rute untuk masuk ke form peta yang menampilkan rute perjalan yang harus di lewati.

Penjelasan gambar antar muka Dekompresi

1. Tombol + untuk memperbesar ukuran maps.
2. Tombol – untuk memperkecil ukuran maps.
3. Lokasi awal menunjukan lokasi tempat pengguna berada.
4. Lokasi Tujuan menunjukan tempat tujuan yang akan didatangi / cari.

Daftar Kegiatan
Daftar perencanaan kegiatan pengimplementasian system yang akan dirancang sebagai berikut :

1. Pemilihan Software yang digunakan merupakan tahap awal menentukan kebutuhan apa saja yang diperlukan untuk mengimplementasikan algoritma pada perangkat lunak
2. Instalasi Software yang akan digunakan Notepad++, Xampp, dan Google Chrome

Aktifitas ini dilakukan supaya dapat diketahui perkakas apa saja yang dibutuhkan untuk membuat perangkat lunak

3. Penulisan kode Aplikasi

Penulisan kode program dilakukan secara bertahap Testing dan perbaikan pada perangkat lunak Aktifitas ini dilakukan supaya dapat diketahui perkakas apa saja yang dibutuhkan untuk membuat perangkat lunak.

4. Testing perangkat lunak pada Web Browser Testing terhadap kode program saat program di eksekusi dan ditampilkan ke pengguna dengan ditampilkan pada Google Chrome
5. Perbaikan perangkat lunak setelah Testing Perbaikan aplikasi dilakukan setelah testing dilakukan.

Lingkup dan Batasan Implementasi
Ruang lingkup dan batasan implementasi terdiri dari:

1. Pencarian sekolah hanya di lingkup kecamatan Cimahi Tengah.
2. Fokus pada pencarian sekolah dasar untuk menemukan rute terdekat.
3. Tidak membahas keadaan lalu lintas jalan.
4. Tidak membahas waktu tempuh dengan penggunaan alat transportasi apapun.

Kesimpulan
Setelah dilakukan pembahasan pada bab-bab sebelumnya tentang pemanfaatan algoritma Hill Climbing maka dapat disimpulkan sebagai berikut :

1. Setelah di implementasikan Algoritma Hill Climbing mampu mengoptimalkan pencarian rute terdekat untuk pencarian tempat.
2. Metode Hill Climbing memberikan bobot paling kecil untuk menuju titik arah tujuan.
3. Penerapan metode Hill Climbing berhasil diimplementasiakn untuk mencari rute terdekat menuju sekolah.

sumber

http://e-journal.lpkia.ac.id/files/students/essays/journals/351.pdf

Blind Search : DFS dan BFS

Blind Search merupakan pencarian asal ketemu. Jika solusi sudah ketemu, maka pencarian akan dihentikan. Jika dibuat skemanya, pencarian buta hanya mengenal tiga bagian, [masalah]-[pencarian]-[solusi]. Misalkan dalam kotak ada 3 kelereng warna merah, 3 biru, dan 3 kuning. Masalahnya adalah, ambillah satu kelereng yang berwarna merah. Solusi, setelah melakukan pencarian, kemudian didapat satu kelereng warna merah.

Depth First Search (DFS) Algoritma DFS pertama kali diperkenalkan oleh Tarjan dan Hopcroft 20 tahun lalu. Mereka menunjukkan bagaimana Depth First Search (DFS) merupakan metode pencarian secara mendalam dan bagian dari blind search atau pencarian buta. Pencarian dimulai dari level paling pertama, kemudian dilanjutkan ke anak paling kiri pada level berikutnya. Demikian seterusnya sampai tidak terdapat anak lagi atau level yang paling dalam. Jika pencarian belum menemukan solusi, maka dilakukan penelusuran kembali ke node sebelumnya dan dilanjutkan ke node tetangga. Proses ini diulangi terus hingga menemukan solusi (Kusumadewi, 2003).
Keuntungan Depth First Search

1. Membutuhkan memori yang relatif kecil, karena hanya node – node pada lintasan yang aktif saja yang disimpan.
2. Secara kebetulan metode Depth First Search akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan.

Kelemahan Depth First Search

1. Memungkinkan tidak ditemukannya tujuan yang diharapkan.
2. Hanya akan mendapatkan satu solusi pada setiap pencarian.

Sistem yang dibangun untuk menyelesaikan masalah, menggunakan metode pencarian Depth First Search (DFS). DFS akan mencari keseluruhan kemungkinan rute yang dapat terjadi dari data yang tersedia kemudian hasil dari seluruh pencarian akan dibandingkan untuk mendapatkan hasil yang tercepat atau termurah tergantung kondisi yang diinginkan. Pencarian solusi DFS dicirikan dengan simpul-simpul terdalam terlebih dahulu. Pertama simpul awal dibangkitkan, kemudian simpul pada arah kedua, pada simpul arah ketiga dan seterusnya. Jadi pencarian mengikuti sebuah lintasan tunggal mulai dari simpul awal terus menurun kebawah ke simpul-simpul arah bawahnya. Jika pencarian mencapai level terdalam, maka pencarian dilakukan level sebelumnya.
Berikut adalah cara kerja algoritma DFS pada aplikasi pencarian rute bus kota. Contoh kasus yang dijelaskan dimisalkan yaitu rute bus dari palur ke klewer berdasarkan database.
Pengecekan rute ke klewer , dimulai dari titik awal Palur menuju ke titik selanjutnya yaitu
Panggung, pengguna dapat menggunakan bus Atmo dan Damri dan selanjutnya pada titik
Panggung terdapat 2 cabang titik yaitu St.Balapan dan Ps.Gede, maka pengecekan
dilakukan pada node paling kiri dulu, dikarenakan pada titik St. Balapan tidak
ditemukan data Klewer maka kemudian pengecekan rute dilanjutkan pada node
selanjutnya dan jika ditemukan data lokasi sama dengan data lokasi tujuan maka
pencarian dihentikan.

========================================================================

METODE Algoritma Breadth First Search (BFS) atau dikenal juga dengan nama algoritma pencarian melebar adalah sebuah teknik umum yang digunakan untuk melakukan traversal pada graf.

Algoritma ini memerlukan sebuah antrian q untuk menyimpan simpul yang telah dikunjungi. Simpul-simpul ini diperlukan sebagai acuan untuk mengunjungi simpul-simpul yang bertetanggaan dengannya. Tiap simpul yang telah dikunjungi masuk ke dalam antrian hanya satu kali. Algoritma ini juga membutuhkan table Boolean untuk menyimpan simpul yang te lah dikunjungi sehingga tidak ada simpul yang dikunjungi lebih dari satu kali.

Berdasarkan penelitian yang dilakukan oleh Kerstin Klockner, Nadine Wirshum, Anthony Jameson pada makalahnya yang berjudul “Depth- and Breadth-First Processing of Search Result” kita dapat menyimpulkan bahwa pengguna cenderung melakukan pencarian secara strictly depth-first strategy. Yaitu melihat suatu link yang paling atas dari hasil pencarian kemudian mengaksesnya dan terus menelusuri link yang terdapat pada document tersebut yang berkaitan dengan kata kunci yang dicari. Sehingga agar pencarian oleh FTP search lebih efektif perlu ada penyesuaian dengan algoritma mesin pencari. Algoritma yang menurut kami paling sesuai adalah algoritma BFS pada mesin pencari yang akan menampilkan daftar file yang paling dekat relefansinya dengan kata kunci.

Metode FTP search melakukan hal yang sama dengan WebCrawler yaitu mengunjungi setiap server, mencatat link file dan memasukkannya ke dalam basis data. Sehingga file yang paling relevan ditempatkan di bagian paling atas daftar hasil pencarian. Perbedaan dengan web crawler ftp search akan mengelompokkan file-file tersebut berdasarkan server.

Kelebihan metode baru ini bagi pengguna FTP search adalah pengguna akan dapat langsung melihat file yang paling relevan pada bagian atas daftar hasil pencarian dan meminimalisasi pengaksesan lintas server.

sumber

https://www.scribd.com/doc/55693337/Artificial-Neural-Network

AI (Artificial Intelligence)

Artificial Intelligence atau AI adalah kemampuan dari sebuah komputer untuk berfikir seperti manusia bahkan lebih baik dibandingkan manusia . Dalam bahasa Indonesia Artificial Inteligence atau AI artinya Kecerdasan Buatan , biasanya sebuah sistem AI memiliki kemampuan untuk memperoleh informasi baru yang akan dikumpulkan agar sistem AI menjadi lebih cerdas lagi . Artificial Intelligence biasanya berbentuk mesin atau software , tujuan dari AI ini adalah untuk menggantikan peran manusia agar sebuah pekerjaan atau pemecahan suatu masalah dapat lebih mudah dan efisien .

Sejarah Artificial Intelligence Dunia

Sebelum memulai pembahasan mendalam tentang Kecerdasan Buatan ini , mari kita kenali dulu sejarahnya . AI sebenarnya muncul dan mulai diyakini keberadaannya pertama kali pada kisah mitologi Yunani dan peradaban Mesir Kuno .

Namun sistem kecerdasan buatan ini mulai efektif di era 1950 an , dengan dimulainya pengembangan komputer elektronik pada tahun 1941 dan pengembangan stored program pada tahun 1949 maka muncul dorongan untuk mempelajari AI lebih jauh .

Pada tahun 1951 , untuk pertama kalinya terciptalah sebuah sistem kecerdasan buatan yang benar-benar bekerja , dengan menggunakan komputer Ferranti Mark 1 , Christopher Strachey dan Dietrich Prinz berhasil membuat sebuah permainan catur melawan komputer. Jika kalian bertanya , siapakah pencetus Artificial Intelligence , maka jawabannya adalah John McCarthy yang disebut sebagai bapak artificial intelligence dunia karena pada tahun 1956 untuk pertama kalinya kata ” artificial intelligence ” dikenalkan pada Dartmouth Conference .

4 Dasar Kategori di Konsep dasar Ai(Kecerdasan Buatan)

1. Acting Humanly

Acting humanly ialah system yang melakukan pendekatan dengan menirukan tingkah laku seperti manusia yang dikenalkan pada tahun 1950 degan cara kerja pengujian melalui teletype yaitu jika penguji (integrator) tidak dapat membedakan yang mengintrogasai antara manusia dan computer maka computer tersebut dikatakan lolos(menjadi kecerdasan buatan).

2. Thinking Humanly

Yaitu system yang dilakukan dengan cara intropeksi yaitu penangkapan pemikiran psikologis
Manusia pada computer,hal ini sering diujikan dengan neuron ke neuron lainnya atau sel otak dengan sel otak lainnya cara pembelajarannya yaitu melalui experiment-experimen.

3. Thinking Rationaly

Ini merupakn system yang sangat sulit ,karena sering terjadi kesalah dala, prinsip dan prakteknya,system ini dikenal dengan penalaran komputasi.

4. Actng Rationaly

Yaitu system yang melakukan aksi dengan cara menciptakan suatu robotika cerdas yang menggantikan tugas manusia.

Contoh-contoh Aplikasi AI :

a. Bidang Pertanian

Pada bidang Pertanian, dibuat ES untuk memprediksi kerusakan pada jagung yang disebabkan oleh ulat hitam dan memberikan konsultasi untuk mendiagnosa kerusakan pada kacang kedelai dengan menggunakan pengetahuan tentang gejala kerusakan dan lingkungan tanaman.

b. Bidang Kimia

Pada bidang Kimia, dibuat ES untuk menganalisa struktur DNA dari pembatasan segmentasi data enzim dengan menggunakan paradigmagenerate & test.

c. Bidang Sistem Komputer

Pada bidang Sistem Komputer, dibuat ES untuk membantu operator komputer untuk monitoring dan mengontrol MVS (multiple virtual storage) sistem operasi pada komputer mainframe IBM.

d. Bidang Elektronik

Pada bidang Elektronik, dibuat ES untuk mengidentifikasi masalah pada jaringan telepon, ES untuk simulasi perancangan DLC (digital logic circuits) dan mengajari pelajar bagaimana cara mengatasi masalah pada sirkuit elektronik.

e. Bidang Hukum

Pada bidang Hukum, dibuat ES untuk membantu para auditor profesional dalam mengevaluasi potensi kegagalan pinjaman klien berdasarkan sejarah pinjaman, status ekonomi, kondisi piutang.

f. Bidang Militer

Pada bidang Militer, dibuat ES untuk membantu menganalisa perkiraan situasi pertempuran, memberikan interpretasi taktik laporan sensor intelijen dan memberikan rekomendasi alokasi senjata kepada komandan militer pada saat situasi perang.

Di atas merupakan beberapa contoh dari AI yang sudah diaplikasikan dalam beberapa bidang. Masih banyak aplikas-aplikasi AI yang tidak mungkin disebutkan semua di sini. Beberapa contoh di atas sudah dapat memberikan gambaran bahwa cakupan Artificial Intelligence (AI) / Kecerdasan Buatan tidak hanya dibidang ilmu komputer tetapi bisa bekerja sama dengan bidang lain untuk menciptakan sebuah sistem yang saling mendukung.

FUZZY LOGIC

FUZZY LOGIC (LOGIKA FUZZY)

A. Asal Mula Fuzzy Logic

Konsep Fuzzy Logic diperkenalkan oleh Prof. Lotfi Zadeh dari Universitas California di Berkeley pada 1965, dan dipresentasikan bukan sebagai suatu metodologi control, tetapi sebagai suatu cara pemrosesan data dengan memperkenankan penggunaan partial set membership dibanding crisp set membership atau non-membership. Pendekatan pada set teori ini tidak diaplikasikan pada system control sampai tahun 70an karena kemampuan computer yang tidak cukup pada saat itu. Profesor Zadeh berpikir bahwa orang tidak membutuhkan kepastian, masukan informasi numeric, dan belum mampu terhadap control adaptif yang tinggi. Jika pengendali umpan balik dapat di program untuk menerima derau, masukan yang tidak tepat, mereka akan menjadi lebih efektif dan mengkin akan menjadi lebih mudah untuk diimplementasikan. Sayangnya, produsen AS belum begitu cepat untuk merangkul teknologi ini sementara Eropa dan Jepang telah agresif produk bangunan nyata di sekitarnya.

B. Apa itu Fuzzy Logic

Fuzzy Logic adalah metodologi pemecahan masalah  dengan beribu – ribu aplikasi dalam pengendali yang tersimpan dan pemrosesan informasi.Cocokuntuk diimplementasikan pada sistem yang sederhana, kecil, tertanam pada mikro controller, PC multi-channel atau workstation berbasis akuisisi data dan control sistem. Fuzzy logic menyediakan cara sederhana untuk menggambarkan kesimpulan pasti dari informasi yang ambigu, samar -samar, atau tidak tepat. Sedikit banyak, fuzzy logic menyerupai pembuatan keputusan pada manusia dengan kemampuannya untuk bekerja dari data yang ditafsirkan dan mencari solusi yang tepat. Fuzzy logic pada dasarnya merupakan logika bernilai banyak (multivalued logic) yang dapat mendefinisikan nilai diantara keadaan konvensional seperti ya atau tidak, benar atau salah, hitam atau putih, dan sebagainya. Penalaran fuzzy menyediakan cara untuk memahami kinerja dari system dengan cara menilai input dan output system dari hasil pengamatan.

C. Alasan Menggunakan Fuzzy Logic

Fuzzy logic menawarkan beberapa karakteristik unik yang menjadikannya suatu pilihan yang baik untuk banyak masalah control. Karakteristik tersebut antara lain :

1. Sudah menjadi sifatnya yang kuat selama tidak membutuhkan ketepatan, input yang bebas derau, dan dapat diprogram untuk gagal dengan aman jika sensor arus balik dimatikan atau rusak. Control output adalah fungsi control halus meskipun jarak variasi input yang cukup besar.
2. Selama fuzzy logic controller memproses aturan – aturan yang dibuat user yang memerintah system control target, ia dapat dimodifikasi dengan mudah untuk meningkatkan atau mengubah secara drastis performa system. Sensor yang baru dapat dengan mudah digabungkan kedalam system secara sederhana dengan menghasilkan aturan memerintah yang sesuai.
3. Fuzzy logic tidak terbatas pada sedikit masukan umpan-balik dan satu atau dua output control, tidak juga penting untuk menilai atau menghitung parameter rata –  rata perubahan dengan tujuan agar ia diimplementasikan. Sensor data yang menyediakan  beberapa indikasi untuk aksi dan reaksi system sudah cukup. Hal ini memungkinkan sensor menjadi murah dan tidak tepat sehingga menghemat biaya system keseluruhan dan kompleksitas rendah.
4. Karena operasi – operasi yang berbasiskan aturan, jumlah input yang masuk akal dapat diproses ( 1 sampai 8 atau lebih ) dan  banyak output ( 1 sampai 4 atau lebih ) dihasilkan, walaupun pendefinisian rulebase secara cepat menjadi rumit jika terlalu banyak input dan output dipilih untuk implementasi tunggal selama pendefinisian rules(aturan), hubungan timbal baliknya juga harus didefinisikan. Akan lebih baik jika memecah system kedalam potongan – potongan yang lebih kecil dan menggunakan fuzzy logic controllers yang lebih kecil untuk didistribusikan pada system, masing – masing dengan tanggung jawab yang lebih terbatas.
5. Fuzzy Logic dapat mengontrol system nonlinier yang akan sulit atau tidak mungkin untuk dimodelkan secara matematis. Hal ini membuka pintu bagi system control yang secara normal dianggap tidak mungkin untuk otomatisasi.

D. Bagaimana Menggunakan Fuzzy Logic

Adapun langkah – langkah penggunaan fuzzy logic adalah sebagai berikut:

• Definisikan obyektif dan criteria control :

1. Apa yang kita coba control ?
2. Apa yang harus kita lakukan untuk mengontrol system ?
3. Respon seperti apa yang kita butuhkan ?
4. Apa mode kegagalan system yang mungkin ?

• Tentukan hubungan antara input dan output serta memilih jumlah minimum variable input pada mesin fuzzy logic(secara khusus error dan rata – rata perubahan error).
• Dengan menggunakan struktur berbasis aturan dari fuzzy logic, jabarkan permasalahan control ke dalam aturan IF X AND Y THEN Z yang mendefinisikan respon output system yang diinginkan untuk kondisi input system yang diberikan. Jumlah dan kompleksitas dari rules bergantung pada jumlah parameter input yang diproses dan jumlah variable fuzzy yang bekerjasama dengan tiap – tiap parameter. Jika mungkin, gunakan setidaknya satu variable dan turunan waktunya. Walaupun mungkin untuk menggunakan sebuah parameter tunggal yang error saat itu juga tanpa mengetahui rata – rata perubahannya, hal ini melumpuhkan kemampuan system untuk meminamalisasi keterlampauan untuk sebuah tingkat input.
• Buat fungsi keanggotaan yang menjelaskan nilai input atau output yang digunakan didalam rules.
• Buat rutinitas proses awal dan akhir yang penting jika diimplementasikan dalam software, sebaliknya program rules kedalam mesin hardware fuzzy logic.
• Test system, evaluasi hasil, atur rules dan fungsi keanggotaan, dan retest sampai hasil yang memuaskan didapat.

salah satu contoh penerapan dalam kehidupan adalah :

1. pengaturan lampu lalu lintas

2. pengaturan suhu suatu ruangan

3. pengaturan sistem penggajian karyawan

ARTFICIAL NEURAL NETWORK

                     Neural Network merupakan kategori ilmu Soft Computing. Neural Network sebenarnya mengadopsi dari kemampuan otak manusia yang mampu memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output. Output diperoleh dari variasi stimulasi dan proses yang terjadi di dalam otak manusia. Kemampuan manusia dalam memproses informasi merupakan hasil kompleksitas proses di dalam otak. Misalnya, yang terjadi pada anak-anak, mereka mampu belajar untuk melakukan pengenalan meskipun mereka tidak mengetahui algoritma apa yang digunakan.

Perkembangan ilmu Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch dan Walter Pitts memperkenalkan perhitungan model neural network yang pertama kalinya. Mereka melakukan kombinasi beberapa processing unit sederhana bersama-sama yang mampu memberikan peningkatan secara keseluruhan pada kekuatan komputasi. Hal ini dilanjutkan pada penelitian yang dikerjakan oleh Rosenblatt pada tahun 1950, dimana dia berhasil menemukan sebuah two-layer network, yang disebut sebagai perceptron. Perceptron memungkinkan untuk pekerjaan klasifikasi pembelajaran tertentu dengan penambahan bobot pada setiap koneksi antar-network.

Konsep Neural Network

                       Ide dasar Neural Network dimulai dari otak manusia, dimana otak memuat  sekitar 1011 neuron. Neuron ini berfungsi memproses setiap informasi yang masuk. Satu neuron memiliki 1 akson, dan minimal 1 dendrit. Setiap sel syaraf terhubung dengan syaraf lain, jumlahnya mencapai sekitar 104 sinapsis. Masing-masing sel itu saling berinteraksi satu sama lain yang menghasilkan kemampuan tertentu pada kerja otak manusia.

ada beberapa bagian dari otak manusia yang berfungsi sebagai :

1. Dendrit (Dendrites) berfungsi untuk mengirimkan impuls yang diterima ke badan sel syaraf.
2. Akson (Axon) berfungsi untuk mengirimkan impuls dari badan sel ke jaringan lain
3. Sinapsis berfungsi sebagai unit fungsional di antara dua sel syaraf.

PROSES :

                     Sebuah neuron menerima impuls dari neuron lain melalui dendrit dan mengirimkan sinyal yang dihasilkan oleh badan sel melalui akson. Akson dari sel syaraf ini bercabang-cabang dan berhubungan dengan dendrit dari sel syaraf lain dengan cara mengirimkan impuls melalui sinapsis. Sinapsis adalah unit fungsional antara 2 buah sel syaraf, misal A dan B, dimana yang satu adalah serabut akson dari neuron A dan satunya lagi adalah dendrit dari neuron B. Kekuatan sinapsis bisa menurun/meningkat tergantung seberapa besar tingkat propagasi (penyiaran) sinyal yang diterimanya. Impuls-impuls sinyal (informasi) akan diterima oleh neuron lain jika memenuhi batasan tertentu, yang sering disebut dengan nilai ambang (threshold).

Struktur Neural Network

             Ide mendasar dari Artificial Neural Network (ANN) adalah mengadopsi mekanisme berpikir sebuah sistem atau aplikasi yang menyerupai otak manusia, baik untuk pemrosesan berbagai sinyal elemen yang diterima, toleransi terhadap kesalahan/error, dan juga parallel processing. Neural network dibangun dari banyak node/unit yang dihubungkan oleh link secara langsung. Link dari unit yang satu ke unit yang lainnya digunakan untuk melakukan propagasi aktivasi dari unit pertama ke unit selanjutnya. Setiap link memiliki bobot numerik. Bobot ini menentukan kekuatan serta penanda dari sebuah konektivitas.

Proses pada ANN dimulai dari input yang diterima oleh neuron beserta dengan nilai bobot dari tiap-tiap input yang ada. Setelah masuk ke dalam neuron, nilai input yang ada akan dijumlahkan oleh suatu fungsi perambatan (summing function), yang bisa dilihat seperti pada di gambar dengan lambang sigma (∑). Hasil penjumlahan akan diproses oleh fungsi aktivasi setiap neuron, disini akan dibandingkan hasil penjumlahan dengan threshold (nilai ambang) tertentu. Jika nilai melebihi threshold, maka aktivasi neuron akan dibatalkan, sebaliknya, jika masih dibawah nilaithreshold, neuron akan diaktifkan. Setelah aktif, neuron akan mengirimkan nilai output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Proses ini akan terus berulang pada input-input selanjutnya.

ANN terdiri dari banyak neuron di dalamnya. Neuron-neuron ini akan dikelompokkan ke dalam beberapa layer. Neuron yang terdapat pada tiap layer dihubungkan dengan neuron pada layer lainnya. Hal ini tentunya tidak berlaku pada layer input dan output, tapi hanya layer yang berada di antaranya. Informasi yang diterima di layer input dilanjutkan ke layer-layer dalam ANN secara satu persatu hingga mencapai layer terakhir/layer output. Layer yang terletak di antara input dan output disebut sebagai hidden layer. Namun, tidak semua ANN memiliki hidden layer, ada juga yang hanya terdapat layer input dan output saja.

CONTOH PENERAPAN PADA KEHIDUPAN NYATA :

1. pemetaan pola 
2. radar
3. pengambilan keputusan dalam sebuah video game (chess/catur)