Informatika X SMK: Berpikir Algoritmik

G. Berpikir Algoritmik

1. Jenis Data dalam Penelitian

Filosofi berpikir komputasional identik dengan proses berpikir dalam menyelesaikan masalah dengan cara menerapkan model ilmu komputer (informatika). Dengan demikian, Anda dituntut berpola pikir runtut, teratur, detail, jelas, serta memiliki nilai input dan output yang dihasilkan dalam memecahkan suatu permasalahan. Metode ini sering dikenal dengan istilah berpikir algoritmik, yaitu seolah-olah melakukan penalaran yang mirip dengan cara kerja komputer. Nilai yang diinputkan, diolah, dan dihasilkan merupakan sebuah data yang dapat dibaca, dihitung, dan dianalisis.

Secara umum, dikenal dua jenis data, yaitu sebagai berikut.

a. Data kuantitatif

Data kuantitatif adalah jenis data yang direpresentasikan dalam bentuk nominal angka, misalnya data kuantitatif yang memuat model skor antara 1 - 4.

b. Data kualitatif

Data kualitatif merupakan tipe data yang tidak dapat diukur nilainya dalam bentuk angka, biasanya berupa kalimat, kata, gambar, dan model. Sebagai contoh, interviu yang dilakukan oleh tim RnD dengan pelanggan untuk mengetahui pendapatnya tentang produk yang akan diluncurkan.

2. Teknologi Computational Thinking

a. Definisi dan karakter

Istilah berpikir komputasional diadopsi dari konsep CT atau Computational Thinking yang pertama kali diperkenalkan oleh Jeannette Wing pada Maret 2006 sebagai bentuk model dan mekanisme penyelesaian masalah melalui tahapan analisis masalah, desain sistem, dan implementasi menggunakan pendekatan ilmu komputer. Tujuan dari CT adalah efektivitas dan kecepatan pengambilan keputusan. Jika dilihat dari sisi penerapannya, CT memiliki dua aspek penting, yaitu sebagai berikut.

1) CT sebagai tahapan dan mekanisme pemikiran dan penalaran manusia tanpa bantuan teknologi.

2) CT sebagai metode pemecahan masalah (problem solving) yang didesain agar dapat dijalankan manusia atau dengan bantuan mesin komputer atau melibatkan kedua resource tersebut.

Ada beberapa karakter yang harus dimiliki oleh CT ketika diimplementasikan sebagai alternatif pemecahan masalah, yaitu sebagai berikut.

1) Merumuskan dan menentukan permasalahan yang akan diselesaikan dengan bantuan teknologi informasi dan komputer.

2) Menerapkan metode algoritme dalam melakukan klasterisasi dan proses analisis.

3) Memvisualisasikan data dan informasi melalui model dan simulasi.

4) Proses yang dilakukan bekerja secara otomatis berdasarkan algoritme yang telah diatur.

5) Fase identifikasi, pengumpulan data, proses menganalisis, serta menetapkan keputusan solusi dilakukan secara cepat dan tepat dengan tujuan efisiensi proses.

6) Mendukung proses generalisasi ataupun privatisasi problem solving dalam bentuk umum.

b. Elemen computational thinking

Computational thinking memiliki enam bagian penting, yaitu sebagai berikut.

1) Abstraction

Abstraction adalah proses mengidentifikasi permasalahan dan mengumpulkan potongan-potongan informasi yang belum bisa terbaca menjadi data yang siap dijadikan dasar melakukan proses selanjutnya. Kemampuan dalam abstraksi ini harus dapat menentukan beberapa pilihan solusi pemecahan masalah yang sulit menjadi lebih mudah.

2) Algorithmic thinking

Algorithmic thinking merupakan langkah terstruktur dan sistematis untuk menyelesaikan permasalahan yang ditemukan.

3) Automation

Automation merupakan bagian penting dalam CT yang bekerja secara otomatis dalam mengeksekusi setiap instruksi yang diberikan komputer secara berulang-ulang, cepat, dan efisien.

4) Decomposition

Decomposition merupakan proses penguraian komponen-komponen dalam permasalahan agar mudah dipahami, dipecahkan, kemudian dikembangkan dan dilakukan percobaan serta evaluasi.

5) Debugging

Debugging adalah tahapan melakukan analisis dan evaluasi secara menyeluruh terhadap kemampuan, kapabilitas, serta performa sistem. Contohnya, melakukan pengujian, penelusuran, dan penalaran logika sistem untuk memprediksi dan memvalidasi keluaran yang telah sesuai dengan desain atau belum.

6) Generalization

Generalization dapat dikatakan sebagai langkah untuk mengenali, mengidentifikasi pola, kesamaan, dan korelasi hubungan antarmodul serta menganalisis fitur-fitur dalam sistem.

c. Artificial intelligence (AI)

Artificial intelligence atau kecerdasan buatan adalah salah satu implementasi dari berpikir komputasi atau CT yang bertujuan memprogram komputer agar mampu berpikir, mempertimbangkan dan memutuskan, serta mengeksekusi pekerjaan layaknya manusia. Definisi Al dapat dibedakan dari beberapa persepsi, antara lain sebagai berikut.

1. Persepsi kecerdasan

Pendekatan dalam sisi kecerdasan akan mengacu pada potensi pengembangan teknologi komputer pintar sehingga mampu bekerja seperti manusia, misalnya robot hewan, robot pelayan kafe, aplikasi pendeteksi gangguan kejiwaan, dan sebagainya.

2. Persepsi riset

Sisi pendekatan Al sebagai disiplin ilmu baru yang mampu menciptakan software, hardware, atau perpaduan keduanya menjadi cerdas layaknya manusia atau bahkan melebihi kepandaian manusia.

3. Persepsi potensi bisnis

Dari sisi bisnis, Al mampu memberikan dukungan layanan dan analisis yang cepat, tepat, dan andal sehingga berpotensi meningkatkan keuntungan bisnis yang dijalankan.

4. Persepsi logika pemrograman

Sudut pandang Al dalam teknik pemrograman merupakan salah satu bentuk implementasi dalam menciptakan rule-rule logika yang dapat dimasukkan ke database kecerdasan mesin ketika menjalankan pekerjaannya.

Untuk membuat Al dalam sebuah aplikasi, ada dua komponen utama yang harus disediakan, yaitu knowledge base atau berbasis pengetahuan yang mengandung fakta, teori, konsep, logika, metode penalaran, serta inference engine atau motor inferensi yang berperan membuat konklusi berdasarkan pengalaman yang disimpan dalam data variabel.

Keberadaan Al sebagai salah satu alat bantu manusia memiliki beberapa kelebihan dibandingkan kecerdasan alami (manusia), antara lain bersifat permanen, mudah untuk diduplikasi dan disebarkan, lebih murah biaya pembuatannya dibanding kecerdasan alami, konsisten, mudah dalam pendokumentasian, serta lebih cepat dan lebih baik dalam pengerjaannya.

d. Sistem pakar

1. Definisi sistem pakar

Expert system atau sistem pakar merupakan salah satu cabang dari disiplin ilmu artificial intelligence dalam menyediakan data informasi serta menyelesaikan permasalahan berdasarkan pengetahuan dan pengalaman manusia yang dianggap memiliki tingkat pakar yang tinggi, seperti kedokteran, teknik, dan lainnya. Fitur-fitur yang dimiliki oleh sistem pakar meliputi beberapa aspek, antara lain sebagai berikut.

a) Mempunyai pengetahuan dan keahlian setingkat pakar manusia.

b) Memiliki modul atau fungsi yang dapat mempertimbangkan keputusan menggunakan model simbolis.

c) Keberagaman dan tingkat kedalaman pengetahuan berasal dari kumpulan para pakar.

d) Mempunyai kemampuan self knowledge, yaitu dapat menganalisis secara otomatis setiap mengetahui parameter input masalah.

2. Kelebihan sistem pakar

Kelebihan penggunaan sistem pakar dalam menunjang pekerjaan sehari-hari meliputi hal seperti berikut.

a) Memiliki basis data pengetahuan relatif besar.

b) Mampu menyimpan data pakar dalam jangka waktu yang lama.

c) Mampu melakukan perhitungan secara cepat dan tepat.

d) Mampu menyajikan data dan informasi dengan akurat.

e) Memperbaiki performa kerja sistem.

f) Mengurangi delay pekerjaan dan meningkatkan responsibilitas sistem.

Pada dasarnya, sistem pakar adalah sistem yang menampung, menyimpan, dan mengolah setiap data yang berisi kepakaran atau keahlian seorang atau tim pakar ke dalam sistem. Oleh karena itu, dalam pembuatannya melibatkan tiga jenis sumber daya manusia. Antara lain pakar, perekayasa sistem, dan pengguna itu sendiri.

3. Komponen sistem pakar

Untuk mendukung proses kerja sistem pakar, ada beberapa elemen penting yang harus tersedia, yaitu sebagai berikut.

a) Sistem akuisisi pengetahuan

Sistem akuisisi pengetahuan bertugas melakukan akuisisi pengetahuan, keahlian, dan data kepakaran dari para pakar ke dalam sistem komputer.

b) Knowledge base

Knowledge base merupakan data atau sistem penyimpanan data kepakaran yang telah diakuisisi sebelumnya. Basis pengetahuan yang tersimpan tersebut terdiri atas fakta dan heuristik (special rule) tentang pemanfaatan basis pengetahuan yang telah tersimpan.

c) Inference machine

Mesin inferensi menjadi core atau inti sistem yang berperan sebagai pengontrol dan penerjemah aturan, metodologi, fungsi pertimbangan, analisis, dan perumusan konklusi.

d) User interface

User interface merupakan antarmuka yang digunakan untuk menjembatani interaksi antara user dan sistem pakar, misalnya dalam bentuk GUI.

e) Blackboard atau tempat kerja

Blackboard adalah ketersediaan ruang memori yang bertugas menyimpan database knowledge atau aturan baru dan bahkan berperan sebagai penyimpan hipotesis dan simpulan sementara.

f) Justifier atau subsistem penjelas

Justifier merupakan fitur yang dapat menelusuri validitas simpulan atau keputusan yang diambil berdasarkan rujukan yang jelas.

g) Subsistem perbaikan pengetahuan

Subsistem merupakan sistem yang disediakan untuk mengevaluasi dan memperbaiki proses pengelolaan kepakaran dalam sistem itu sendiri.

4. Modul utama dalam sistem pakar

Terdapat tiga modul utama yang menyusun sistem pakar, yaitu sebagai berikut.

a) Modul penerimaan pengetahuan (knowledge acquisition mode)

Modul penerimaan pengetahuan merupakan titik awal sistem bekerja. Modul ini ditujukan untuk mengumpulkan dan menginputkan setiap data kepakaran ke dalam sistem.

b) Modul konsultasi (consultation mode)

Modul konsultasi digunakan untuk menjembatani proses interaksi dan komunikasi antara user dan sistem pakar.

c) Modul penjelasan (explanation mode)

Modul penjelasan berperan dalam memberikan penjelasan dan pengetahuan tentang keputusan atau diagnosis yang diambil oleh sistem.

5. Bentuk sistem pakar

Sistem pakar terbagi menjadi empat bentuk, yaitu sebagai berikut.

a) Berdiri sendiri (independent)

Sistem ini dapat bekerja dan berdiri sendiri tanpa bantuan software atau hardware lain. Biasanya, sistem pakar sudah dikemas dalam satu bundle software dan hardware sehingga tidak memerlukan software atau hardware tambahan.

b) Terintegrasi (integrated)

Sistem pakar yang terintegrasi dalam modul subprogram konvensional atau aplikasi tertentu. Sistem pakar dapat dipanggil melalui kode subrutin tertentu.

c) Terhubung ke sistem lain (connected to other system)

Bentuk ini merupakan model koneksi penyimpanan pengetahuan kepakaran dalam sistem manajemen database.

d) Sistem mengabdi (service system)

Sistem pakar dalam komputer yang digunakan sebagai layanan khusus terhadap pekerjaan tertentu, misalnya analisis scan otak, deteksi radar, dan lainnya.

e. Decision support system

1. Pengertian DSS

Decision support system (DSS) pada dasarnya adalah sistem informasi sebagai hasil proses berpikir secara komputasi yang diciptakan engineer atau programmer, dengan tujuan memberikan bantuan pertimbangan pengambilan keputusan terhadap suatu permasalahan. Sebagai contoh, DSS pada pengambilan keputusan kebijakan produksi massal sebuah perusahaan berdasarkan data penjualan lima tahun berjalan.

2. Karakteristik DSS

Suatu sistem dapat dikategorikan sebagai DSS apabila memiliki beberapa karakter, antara lain sebagai berikut.

a) Mempermudah manajemen dalam mengambil keputusan dengan mempertimbangkan data-data terdahulu.

b) Memiliki graphical interface yang menarik dan mudah digunakan untuk berinteraksi antara user dan sistem DSS, dengan porsi kontrol user terhadap sistem lebih besar.

c) Mampu mendeteksi, mengidentifikasi, menganalisis, serta mengambil keputusan terhadap permasalahan, baik dengan hierarki terstruktur, semiterstruktur, maupun tidak terstruktur.

d) Mampu diintegrasikan dengan sistem lain.

Dengan karakteristik tersebut, seharusnya DSS mampu memberikan keuntungan bagi penggunanya, antara lain sebagai berikut.

- Memberikan pertimbangan dan dukungan informasi pada pengguna terkait keputusan yang akan diambil.

- Memperbaiki performa, kualitas, dan efektivitas setiap keputusan yang diambil.

- Menjadi terobosan baru dalam sistem pemrosesan secara kognitif.

3. Tahapan pengambilan keputusan

Keputusan yang ditampilkan sebagai solusi terbaik dari beberapa aspek oleh DSS harus melewati beberapa tahapan sebagai berikut.

a) Tahapan intelegensi merupakan fase mengidentifikasi masalah beserta peluang pemecahannya berdasarkan data yang dimiliki.

b) Tahapan desain merupakan fase mencocokkan, menemukan, mengembangkan, serta menganalisis pola masalah terhadap data yang ada. Dalam tahap ini, sistem akan mengalkulasi dan menguji validitas pilihan dari beberapa keputusan.

c) Tahapan pilihan adalah proses mempersempit batasan pilihan solusi yang ditawarkan dan diambil oleh sistem berdasarkan persentase kebenaran terbesar.

d) Tahapan implementasi adalah proses akhir yang berisi saran dan pilihan solusi yang ditampilkan sistem pada user.

4. Komponen sistem

Untuk menjalankan keempat tahapan tersebut, sistem DSS harus menyediakan beberapa modul penting dalam proses pengambilan keputusannya, yaitu sebagai berikut.

a) Data management, merupakan keseluruhan data yang menyimpan informasi tentang database permasalahan, analisis, serta solusi yang terbaik.

b) Model management, berguna untuk memberikan dukungan logika, analisis, serta kemampuan menampilkan pilihan solusi terbaik.

c) Communication, merupakan modul yang menjadi kontrol interaktif antara user dan sistem.

d) Knowledge management, berperan sebagai modul pendukung terhadap komponen lainnya dalam DSS.

3. Penerapan Teknologi CT

Konsep berpikir komputasional atau computational thinking bertujuan memudahkan pekerjaan manusia dengan cara menerapkan disiplin ilmu komputer, yang diimplementasikan dalam bentuk software, hardware, atau kombinasi keduanya. Teknologi CT dapat diterapkan dalam banyak bidang. Berikut adalah beberapa contoh penerapan teknologi CT.

a. Biometric system

Biometric system merupakan teknologi pengenalan, pemindai, dan pengidentifikasi karakteristik fisik dan biologis manusia, yang disimpan dalam bank data digital. Ada dua jenis biometric yang saat ini dikembangkan, yaitu sebagai berikut.

1) Physiological characteristics

Metode identifikasi ini difokuskan pada ciri fisik manusia seperti kontur wajah, retina dan bola mata, pola sidik jari, suara, dan lainnya.

2) Behavioral characteristics

Metode identifikasi ini menggunakan pola deteksi cara hidup dan gerak manusia.

Berikut adalah beberapa jenis implementasi teknologi biometric system dalam dunia nyata.

1. Gait, merupakan teknologi pemindai gaya gerak dan jalan manusia.

2. Voice recognition, merupakan teknologi pemindai suara manusia.

3. Eye recognition adalah sistem pemindai berdasarkan jenis, ukuran, dan warna retina mata manusia.

4. Vein recognition adalah sistem pengidentifikasi dan pengenalan data berdasarkan pola garis tangan manusia.

5. Face recognition adalah sistem pengenalan data berdasarkan identifikasi pola dan kontur wajah manusia.

6. Fingerprint recognition adalah sistem pembacaan data berdasarkan pola sidik jari manusia.

7. Typing recognition, digunakan untuk mendeteksi kecocokan data berdasarkan cara user mengetik kode atau password pada scanner, yang ditujukan untuk memvalidasi kebenarannya.

b. Face recognition

Face recognition merupakan revolusi teknologi di era industri 4.0 yang mampu mengidentifikasi dan memvalidasi data seseorang berdasarkan gambar dan pola wajah manusia. Face recognition adalah salah satu teknologi terapan dari biometric security yang akan menangkap gambar melalui file foto, pengambilan gambar langsung, ataupun video.

Konsep kerja sistem ini adalah melakukan pendataan pola wajah meliputi jarak antara kedua bola mata, kedalaman mata, jarak antara dagu dan jidat, kontur bibir, pipi, dagu, rahang, telinga dan rambut, kemudian disimpan dalam bank data digital. Ketika ada instruksi scanning wajah melalui faceprint, akan dicocokkan keunikan dan kesesuaiannya dengan data yang dimiliki. Teknologi ini sudah dipakai pada beragam aplikasi smartphone sebagai pengganti password.

to be continue...

Share this post