Newest Post
Perkembangan
yang pesat di bidang pengumpulan data dan teknologi penyimpanan di berbagai
bidang, menghasilkan basis data yang terlampau besar. Namun, data yang
dikumpulkan jarang dilihat lagi, karena terlalu panjang, membosankan, dan tidak
menarik. Seringkali, keputusan -yang katanya berdasarkan data- dibuat tidak
lagi berdasarkan data, melainkan dari intuisi para pembuat keputusan. Sehingga,
lahirlah cabang ilmu penggalian data ini.
Definisi
Data
Mining (Penggalian data) adalah ekstraksi pola yang menarik dari data dalam
jumlah besar. Suatu pola dikatakan menarik apabila pola tersebut tidak sepele,
implisit, tidak diketahui sebelumnya, dan berguna. Pola yang disajikan haruslah
mudah dipahami, berlaku untuk data yang akan diprediksi dengan derajat
kepastian tertentu, berguna, dan baru. Penggalian data memiliki beberapa nama
alternatif, meskipun definisi eksaknya berbeda, seperti KDD (knowledge
discovery in database), analisis pola, arkeologi data, pemanenan informasi, dan
intelegensia bisnis.
Proses Pencarian Pola
Penggalian
data adalah salah satu bagian dari proses pencarian pola. Berikut ini urutan
proses pencarian pola:
1.
Pembersihan Data: yaitu menghapus data
pengganggu (noise) dan mengisi data yang hilang.
2.
Integrasi Data: yaitu menggabungkan berbagai
sumber data.
3.
Pemilihan Data: yaitu memilih data yang
relevan.
4.
Transformasi Data: yaitu mentransformasi data
ke dalam format untuk diproses dalam penggalian data.
5.
Penggalian Data: yaitu menerapkan metode
cerdas untuk ekstraksi pola.
6.
Evaluasi pola: yaitu mengenali pola-pola yang
menarik saja.
7.
Penyajian pola: yaitu memvisualisasi pola ke
pengguna.
Data
mining adalah kegiatan mengekstraksi atau menambang pengetahuan dari data yang
berukuran/berjumlah besar, informasi inilah yang nantinya sangat berguna untuk
pengembangan. Dimana langkah-langkah untuk melakukan data mining adalah sebagai
berikut :
–
Data cleaning (untuk menghilangkan noise data
yang tidak konsisten) Data integration (di mana sumber data yang terpecah dapat
disatukan)
–
Data selection (di mana data yang relevan
dengan tugas analisis dikembalikan ke dalam database)
–
Data transformation (di mana data berubah atau
bersatu menjadi bentuk yang tepat untuk menambang dengan ringkasan performa
atau operasi agresi)
–
Data mining (proses esensial di mana metode
yang intelejen digunakan untuk mengekstrak pola data)
–
Pattern evolution (untuk mengidentifikasi pola
yang benar-benar menarik yang mewakili pengetahuan berdasarkan atas beberapa
tindakan yang menarik)
–
Knowledge presentation (di mana gambaran
teknik visualisasi dan pengetahuan digunakan untuk memberikan pengetahuan yang
telah ditambang kpada user).
Arsitektur Data Mining
Arsitektur
dari data mining yang khas memiliki beberapa komponen utama yaitu :
–
Database, data warehouse, atau tempat
penyimpanan informasi lainnya.
–
Server database atau data warehouse.
–
Knowledge base
–
Data mining engine.
–
Pattern evolution module.
–
Graphical user interface.
Ada
beberapa jenis data dalam data mining yaitu :
–
Relation Database : Sebuah sistem database,
atau disebut juga database management system (DBMS), mengandung sekumpulan data
yang saling berhubungan, dikenal sebagai sebuah database, dan satu set program
perangkat lunak untuk mengatur dan mengakses data tersebut.
–
Data Warehouse : Sebuah data warehouse
merupakan sebuah ruang penyimpaan informasi yang terkumpul dari beraneka macam
sumber, disimpan dalam skema yang menyatu, dan biasanya terletak pada sebuah
site.
Implementasi (Penerapan)
Dalam
bidang apasaja data mining dapat diterapkan? Berikut beberapa contoh bidang
penerapan data mining:
1.
Analisa pasar dan manajemen.
Solusi
yang dapat diselesaikan dengan data mining, diantaranya: Menembak target pasar,
Melihat pola beli pemakai dari waktu ke waktu, Cross-Market analysis, Profil
Customer, Identifikasi kebutuhan Customer, Menilai loyalitas Customer,
Informasi Summary.
2.
Analisa Perusahaan dan Manajemen resiko.
Solusi
yang dapat diselesaikan dengan data mining, diantaranya: Perencanaan keuangan
dan Evaluasi aset, Perencanaan sumber daya (Resource Planning), Persaingan
(Competition).
3.
Telekomunikasi.
Sebuah
perusahaan telekomunikasi menerapkan data mining untuk melihat dari jutaan
transaksi yang masuk, transaksi mana sajakah yang masih harus ditangani secara
manual.
4.
Keuangan.
Financial
Crimes Enforcement Network di Amerika Serikat baru-baru ini menggunakan data
mining untuk me-nambang trilyunan dari berbagai subyek seperti property,
rekening bank dan transaksi keuangan lainnya untuk mendeteksi
transaksi-transaksi keuangan yang mencurigakan (seperti money laundry) .
5.
Asuransi.
Australian
Health Insurance Commision menggunakan data mining untuk mengidentifikasi
layanan kesehatan yang sebenarnya tidak perlu tetapi tetap dilakukan oleh
peserta asuransi .
6.
Olahraga.
IBM
Advanced Scout menggunakan data mining untuk menganalisis statistik permainan
NBA (jumlah shots blocked, assists dan fouls) dalam rangka mencapai keunggulan
bersaing (competitive advantage) untuk tim New York Knicks dan Miami Heat.
Kelebihan dan Kekurangan
Kelebihan
Data Mining :
-
Kemampuan dalam mengolah data dalam jumlah
yang besar.
-
Pencarian Data secara otomatis.
Kekurangan
Data Mining :
-
Kendala Database ( Garbage in garbage out ).
-
Tidak bisa melakukan analisa sendiri.
Kesimpulan
Data
Mining merupakan suatu kelas aplikasi database yang berfungsi melakukan
pencarian pola-pola tersembunyi didalam suatu kumpulan data, juga sebagai
rangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa
pengetahuan yang selama ini tidak diketahui secara manual. Data mining sendiri
memiliki 2 jenis yaitu Relation Database dan Data Warehouse.
Sumber :
https://id.wikipedia.org/wiki/Penggalian_data
http://masnajumiyati.blogspot.co.id/2012/03/contoh-kasus-data-mining_10.html
https://andyku.wordpress.com/2008/11/21/konsep-data-mining/
PENDAHULUAN
Database
merupakan yang terpenting dalam berbagai
macam bidang aplikasi menggunakan sistem informasi swasta dan publik. Database
dibangun dengan tujuan untuk memfasilitasi kegiatan penyimpanan data,
pengolahan, dan pengambilan terkait dengan pengelolaan data dalam sistem
informasi. Karena kemajuan aplikasi teknologi komputer, aplikasi luas teknologi
web di beberapa daerah menjadi akurat, database telah menjadi repositori dari
volume besar data dalam database relasional, untuk mengambil informasi dari database,
salah satu kebutuhan untuk merumuskan query sedemikian rupa bahwa komputer akan
memahami dan menghasilkan output yang diinginkan. Query Language (SQL) norma
terstruktur yang dikejar di hampir semua bahasa untuk sistem database
relasional. Norma-norma SQL didasarkan pada interpretasi Boolean query. Tetapi
beberapa persyaratan pengguna mungkin tidak dijawab secara eksplisit oleh
sistem query klasik. Hal ini karena fakta bahwa karakteristik persyaratan
'tidak bisa diungkapkan dengan bahasa query biasa. Banyak aplikasi database
generasi baru menetapkan manajemen informasi cerdas memerlukan interaksi
efisien antara pengguna dan basis data. Dalam beberapa kali, ada meningkatnya
permintaan untuk pengguna non-ahli untuk query database relasional dalam bahasa
yang lebih alami meliputi variabel linguistik dan hal, bukannya beroperasi pada
nilai-nilai atribut.
Oleh
karena itu ide untuk menggunakan bahasa alami bukan SQL telah mendorong
pengembangan jenis baru metode pengolahan yang disebut Natural Language Interface
to Database (NLIDB). NLIDB adalah langkah menuju pengembangan sistem database
cerdas (IDBS) untuk meningkatkan pengguna dalam melakukan query fleksibel dalam
database.
DEFINISI
Tahapan Natural Language
Processing
Menurut Rich dan Knight
(1991, pp379-380) tahapan Natural Language Processing terdiri dari beberapa
level analisis. Level analisis tersebut adalah:
a)
Morphological Analysis
Kata-kata
secara individu dianalisa berdasarkan komponennya, dan token yang tidak
tennasuk kata, seperti tanda baca, dipisahkan dari kata-kata tersebut. Analisis
ini memperhatikan arti. dari setiap komponen yang membentuk suatu kata.
Analisis morfologi ini penting untuk menentukan aturan kata yang ada dalam
suatu kalimat, tennasuk tata bahasa.
b)
Sylltax Analysis
Urutan-mutan
linear dari kata-kata diubah menjadi struktur yang menunjukkan bagaimana satu
kata berhubungan dengan kata yang lain. Analisis ini mempelajari aturan untuk
menggabungkan kata menjadi frase dan kalimat, dan menggunakan aturan tersebut
untuk menguraikan (parse) dan membentuk kalimat. Level anal isis yang lebih
banyak berhasil.
c)
Semantic Analysis
Struktur
yang diciptakan dari analisa sintaksis akan diperiksa arti sebenarnya. Kalau
struktur tersebut tidak memenuhi persyaratan kaidah bahasa maka kalimat
tersebut dianggap anomali semantik.
d)
Discourse Integration
Arti
dari suatu kalimat mungkin saja bergantung dari kalimat sebelumnya dan mungkin
mempengaruhi kalimat-kalimat selanjutnya.
e)
Pragmatics Analysis
Struktur
yang merepresentasikan apa yang dikatakan diinterpretasikan lagi untuk
menentukan apa yang dimaksud sebenarnya.
Batasan-batasan dari
kelima fase ini kadang-kadang belum jelas. Fase tersebut kadang dieksekusi
secara bertahap, rapi kadang dilaksanakan sekaligus.
1. Intelligent Database System (IDBS)
Sebuah IDBS diberkahi
dengan sistem manajemen data mampu mengelola sejumlah besar data persistem yang
berbagai bentuk penalaran dapat diterapkan untuk menyimpulkan data dan
informasi tambahan. Ini termasuk teknik pengetahuan representasi, teknik
inferensi, dan antarmuka pengguna cerdas - antarmuka yang melampaui pendekatan
bahasa query tradisional dengan memanfaatkan fasilitas bahasa alami . Teknik
ini memainkan peran penting dalam meningkatkan sistem database: teknik
representasi pengetahuan memungkinkan seseorang untuk mewakili baik di DB
semantik dari domain aplikasi, teknik inferensi memungkinkan satu untuk alasan
tentang data untuk mengambil data dan informasi tambahan, user interface Cerdas
membantu pengguna untuk membuat permintaan dan menerima balasan.
Intelligent Database System adalah sistem yang mengelola
informasi dengan cara alami, membuat informasi yang mudah untuk menyimpan,
mengakses dan menggunakan. Salah satu alasan utama untuk menggunakan
Intelligent Database System adalah bahwa
kita hidup dalam keadaan kekenyangan informasi. Untuk sekadar bertahan hidup
dalam masyarakat saat ini, kita perlu mengakses dan menggunakan informasi ini.
Dengan menggunakan Intelligent Database
System kita dapat memiliki akses yang lebih baik dalam penggunaan, lebih banyak
jenis informasi yang mereka bisa sebaliknya. Ini berarti Intelligent Database System harus memberikan tingkat tinggi alat cerdas yang
memberikan wawasan baru ke dalam isi database dengan mengekstraksi pengetahuan
dari data. Membuat informasi tersedia untuk sejumlah besar orang karena lebih
banyak orang sekarang dapat memanfaatkan sistem karena kemudahan penggunaan.
Meningkatkan proses pengambilan keputusan yang terlibat dalam menggunakan
informasi setelah itu telah diambil dengan menggunakan model informasi tingkat
yang lebih tinggi.
Saling berhubungan
informasi dari sumber yang berbeda menggunakan media yang berbeda sehingga
informasi lebih mudah diserap dan dimanfaatkan oleh pengguna. Gunakan
pengetahuan dan inferensi, sehingga lebih mudah untuk mengambil, melihat dan
membuat keputusan dengan informasi.
Dalam beberapa kali ini ,
ada meningkatnya permintaan untuk pengguna non-ahli untuk query database
relasional dalam bahasa yang lebih alami meliputi variabel linguistik ,
bukannya beroperasi pada nilai-nilai atribut. Natural Language Interface to
Database, pendekatan yang menjanjikan, meningkatkan pengguna dalam melakukan
query fleksibel dalam database. Penelitian dan kemajuan NLIDB, merupakan
langkah penting menuju pengembangan sistem database cerdas dan telah muncul
sebagai sebuah disiplin baru dan telah terpesona perhatian terhadap jumlah
peneliti.
2. Natural
Language Interface to Database (NLIDB)
Natural Language
Interface to Database merupakan untuk
menerima permintaan dalam bahasa Inggris atau bahasa alam lainnya dan mencoba
untuk 'memahami' mereka atau kita dapat mengatakan bahwa Natural Language
Interface to Database (NLIDB) adalah sistem yang menerjemahkan kalimat bahasa
alami ke dalam query database. Meskipun penelitian awal telah dimulai sejak
akhir tahun enam puluhan , NLIDB tetap sebagai masalah penelitian terbuka.
Sebuah sistem NLIDB lengkap akan menguntungkan kita dalam banyak cara. Siapapun
dapat mengumpulkan informasi dari database dengan menggunakan sistem seperti
.Additionally, mungkin mengubah persepsi kita tentang informasi dalam database.
Secara tradisional, orang yang digunakan untuk bekerja dengan bentuk harapan
mereka sangat tergantung pada kemampuan formulir. NLIDB membuat seluruh
pendekatan yang lebih fleksibel, karena itu akan memaksimalkan penggunaan
database. Ada banyak aplikasi yang dapat mengambil keuntungan dari NLIDB. Di
PDA dan ponsel lingkungan, tampilan layar tidak selebar komputer atau laptop.
Mengisi formulir yang memiliki banyak bidang dapat membosankan satu mungkin
harus menavigasi melalui layar, untuk menggulir, untuk mencari nilai-nilai
kotak scroll, dll Sebaliknya, dengan NLIDB, satu-satunya pekerjaan yang perlu
dilakukan adalah dengan mengetikkan pertanyaan serupa dengan SMS (Short
Messaging System).
Sub Komponen NLIDB
Komputasi ilmuwan telah
membagi masalah akses Natural Language Interface to Database menjadi dua
sub-komponen:
-
Komponen linguistik
-
komponen database
Komponen Linguistik
Hal ini bertanggung jawab
untuk menerjemahkan masukan bahasa alami ke dalam query formal dan menghasilkan
respon bahasa alami berdasarkan hasil dari database pencarian.
Komponen Database
Ini merupakan fungsi
tradisional dari Database Management . Sebuah leksikon adalah tabel yang
digunakan untuk memetakan kata-kata input alami ke objek formal (nama relasi,
atribut nama, dll) dari database. Kedua parser dan juru semantik memanfaatkan
leksikon. Sebuah generator bahasa alami mengambil tanggapan resmi sebagai
masukan, dan memeriksa pohon parsing untuk menghasilkan respon bahasa alami
yang memadai. sistem database bahasa alami memanfaatkan pengetahuan sintaksis
dan pengetahuan tentang database sebenarnya dalam rangka untuk benar
berhubungan masukan bahasa alami dengan struktur dan isi dari database
tersebut. pengetahuan sintaksis biasanya berada dalam komponen linguistik dari
sistem, khususnya dalam analisa sintaks sedangkan pengetahuan tentang database
sebenarnya berada sampai batas tertentu dalam model data semantik digunakan.
Pertanyaan yang dimasukkan dalam bahasa alami diterjemahkan ke dalam sebuah
pernyataan dalam bahasa query formal. Setelah pernyataan itu jelas terbentuk,
query diproses oleh sistem manajemen database untuk menghasilkan data yang
dibutuhkan. Data ini kemudian diteruskan kembali ke komponen bahasa alami di
mana rutinitas generasi memproduksi versi bahasa permukaan respon.
3. Contoh
Penerapan Aplikasi dari NLIDB
Masih sangat sedikit
sekali aplikasi yang memperlihatkan interaksi pengguna dengan actor virtual.
Untuk mempelajari kecocokan syarat-syarat teknis dalam lingkungan yang nyata,
penelitian dari setiap kemungkinan manusia mengendalikan karakter dalam sebuah
game dengan menggunakan instruksi bahasa natural. Game pada PC menyediakan
lingkungan virtual dengan skala besar yang terbatas, dengan beberapa tugas yang
dapat di definisikan; pada penelitian ini, mengambil sebuah game PC klasik
berjudul DOOM™ sebagai contoh, karena game ini memiliki sumber daya dan desain
yang cocok untuk sebuah game yang menggunakan metode pemrosesan bahasa natural.
Karakter DOOM™ yang digunakan adalah karakter “dengan panduan” on-line yang
bisa didapatkan di situs http://www.gamers.org . Panduan tersebut menjelaskan
dalam bahasa natural tentang alur dari tiap-tiap level dari game tersebut
seperti: penjabaran peta, lokasi-lokasi item, dan penjelasan tentang urutan
langkah yang harus diambil oleh pemain. Berikut adalah contoh panduan dari game
DOOM™:
Enter the door with the skull on it
and push the switch. Walk out of the room and turn right. There are now stairs
going into the wall, which is fake. Enter the teleporter, you’re now in a
circular room; find the secret door (the wall with the face on it) to go to the
next circular room and enter the teleporter.
Masuki pintu bergambar tulang dan
tekan switch yang ada. Jalan terus sepanjang ruangan dan belok kanan. Disana
ada tangga palsu yang menggantung di tembok. Masuki teleporter, sekarang kamu
ada di ruangan bundar; temukan pintu rahasia (dinding yang bergambar wajah)
untuk masuk ke ruangan bundar berikutnya dan masuki teleport
Gambar : Instruksi
bahasa natural dari emulator game DOOM
Panduan tersebut
berfungsi untuk mencocokan penjelasan yang diberikan kepada pemain sebelum sesi
game dimulai. Beberapa penjelasan memasukkan saran sepanjang tiap aksi yang
berkelanjutan di lakukan, termasuk akibat dari aksi sebelumnya (cth.“masuki
teleporter, sekarang kamu ada di ruangan bundar”). Dalam game ini terdapat
banyak variable yang memunculkan instruksi-instruksi yang dibawa pada setiap
aksi dasar, yang mana instruksi-instruksi tersebut membutuhkan pemrosesan
bahasa natural.
Karakter dalam game ini
memberi kesan keteraturan sosiolektal, yang dapat di kategorikan sebagai
sub-bahasa. Kesan ini akan membawa dampak yang signifikan terhadap pemrosesan
bahasa natural. Di lain pihak metode umum untuk merancang interaksi dari bahasa
natural adalah dengan mengartikan bahasa yang sering digunakan manusia. Metode
ini secara otomatis mendefinisikan pengendalian tata bahasa, yang di rancang
untuk memfasilitasikan pemrosesan tata bahasa yang membuat parsing menjadi
mudah dikerjakan. Di dalam tata bahasa yang umum digunakan manusia, pendekatan
praktis, mengidentifikasi aksi target, menyelidiki tiap perintah yang di
sampaikan, dan membangkitkan kumpulan dari aturan-aturan.
Komunikasi dengan actor virtual sampai pada dua
paradigma: di satu pihak, dilihat dari aplikasi awalnya (game computer), sangat
memungkinkan untuk menyadari kemunculan sub-bahasa yang actual. Di lain pihak,
batasan pengenalan ucapan (speech recognition) dan parsing membuat sebuah celah
antara actor virtual dengan tata-bahasa umum.
KELEBIHAN
DAN KEKURANGAN
Kelebihan NLIDB
a) Pengguna (user) sistem NLIDB tidak perlu
mempelajari bahasa query basis data (SQL, dll.) melainkan cukup melakukan
perintah dengan bahasa alami.
b) Perintah negasi (tidak, bukan, dll.) lebih mudah
diekspresikan dalam bahasa alami dibandingkan dengan menggunakan antarmuka
form.
c) Sudah dibuatnya aplikasi mobile-nya.
Kekurangan NLIDB
a) Perintah-perintah yang dapat dilakukan user
bersifat terbatas dan user sulit mengetahui perintah seperti apa yang tidak
boleh diinputkan ke sistem.
b) Ketika sistem NLIDB tidak mengerti perintah user,
seringkali sistem langsung menolak perintah tersebut sehingga user tidak
mengetahui dengan jelas pada bagian mana dari inputan perintahnya yang salah/tidak
diterima sistem.
c) Bersifat domain-dependent yang artinya satu sistem
hanya akan bekerja dengan baik pada satu kasus/domain tertentu. Jika digunakan
pada domain lain biasanya akan sulit melakukan konfigurasi yang sesuai.
d) Aplikasinya tidak mudah didapat.
KESIMPULAN
Natural language interface to a database (NLIDB) merupakan sebuah sistem yang digunakan untuk mendapatkan informasi yang tersimpan dalam basis data dengan menggunakan masukan yang menggunakan bahasa alami (Androutsopoulos, dkk, 1995). Tujuannya adalah untuk menerima permintaan dalam bahasa Inggris atau bahasa lainnya yang mana akan berupaya untuk memahami bahasa-bahasa tersebut dan menerjemahkannya ke dalam query database (perintah yang ada di dalam database).
SUMBER
https://id.wikipedia.org/wiki/Pemrosesan_bahasa_alami
http://www.mandalamaya.com/pengertian-database/
http://excitedrach.blogspot.co.id/2016/11/makalah-natural-language-interface-to.html
Kemacetan adalah masalah yang sering kita jumpai di negara besar dan
berkembang. Sering dengan pertumbuhan penduduk yang sangat signifikan dan
kebutuhan akan transportasi untuk menunjang aktifitas keseharian yang tidak di
dukung dengan fasilitas kendaraan umum yang nyaman dan bersahabat, mendorong
beberapa orang memilih menggunakan kendaraan pribadi sebagai solusinya. Namun
hal tersebut membuat volume kendaraan dijalan semakin besar dan menjadi salah
satu penyebab terjadi kemacetan. Kemacetan lalulintas ini khususnya di
kota-kota besar di Indonesia adalah merupakan masalah klasik yang masih belum
bisa dipecahkan secara menyeluruh hingga saat ini.
Penyebab kemacetan
Kemacetan dapat terjadi karena beberapa alasan:
1. Arus
yang melewati jalan telah melampaui kapasitas jalan
2. Terjadi
kecelakaan terjadi gangguan kelancaran karena masyarakat yang menonton kejadian
kecelakaan atau karena kendaran yang terlibat kecelakaan belum disingkirkan
dari jalur lalu lintas,
3. Terjadi
banjir sehingga kendaraan memperlambat kendaraan
4. Adanya
rumah-rumah kumuh/bangunan liar,
5. Kemacetan
lalu lintas di Perlintasan sebidang karena adanya kereta api yang lewat,
6. Adanya
kendaraan ngetem sembarangan, dll.
Dampak
negatif kemacetan
Kemacetan lalu lintas memberikan dampak negatif yang
besar yang antara lain disebabkan:
1. Kerugian
waktu, karena kecepatan perjalanan yang rendah
2. Pemborosan
energi, karena pada kecepatan rendah konsumsi bahan bakar lebih rendah,
3. Keausan
kendaraan lebih tinggi, karena waktu yang lebih lama untuk jarak yang pendek,
radiator tidak berfungsi dengan baik dan penggunaan rem yang lebih tinggi,
4. Meningkatkan
polusi udara karena pada kecepatan rendah konsumsi energi lebih tinggi, dan
mesin tidak beroperasi pada kondisi yang optimal,
5. Meningkatkan
stress pengguna jalan,
6. Mengganggu
kelancaran kendaraan darurat seperti ambulans, pemadam kebakaran dalam
menjalankan tugasnya
Solusi Kemacetan
Banyak cara yang digunakan berbagai negara maju dan
berkembang dalam hal penanganan kemacetan mulai dari perbaikan infrastruktur
jalan, perbaikan fasilitas kendaraan umum dan kenaikan tarif pajak bagi
pengguna kendaraan pribadi.
Beberapa negara mengatasi kemacetan dengan caranya
masing-masing, diantaranya adalah :
1. Malaysia
mengatasi kemacetan diantaranya dengan memindahkan dari Kuala Lumpur ke
Putrajaya. Membangun sistem transportasi bus dan kereta api secara terintegrasi,
menciptakan KL Sentral menjadi tempat pertemuan berbagai moda transportasi
dalam satu kawasan, membuat sub way, transportasi massal, serta pengelola
menyediakan tiket murah penggunaan bulanan yang membuat masyarakat menjadi
mudah beraktivitas
2. Rusia
mengatasi kemacetan dengan membangun jalur Golden Ring yaitu jalur bus yang
terintegrasi berbentuk cincin yang menghubungkan berbagai pemberhentian secara
efisien dan efektif. Jalur kereta bawah tanah yang langsung berhubungan dengan
pusat-pusat bisnis dibangun untuk memperkecil kemungkinan kemacetan yang
terjadi di jalan raya termasuk membangun kendaraan massal berbasis listrik Mass
Rapid Transportation ( MRT ).
3. Singapura
mengatasi kemacetan dengan menerapkan sistem pajak yamg mahal dan harga pasar
yang tinggi terhadap kendaraan bermotor. Masyarakat hanya boleh menggunakan
mobil yang sama selama 10 tahun, dan bahkan menerapkan biaya parkir yang sangat
mahal, sistem dua warna plat mobil yaitu plat merah digunakan pada hari libur
dengan pajak murah, sedangkan plat hitam digunakan setiap hari dengan pajak
tinggi, selain itu juga menerapkan Electronic Road Pricing (ERP) dan asuransi.
4. Jepang
mengatasi kemacetan dengan melakukan pembatasan emisi terhadap setiap kendaraan
dan dilakukan uji ulang setiap 2 tahun, dalam hal ini biaya semakin makin mahal
untuk kendaraan tua. Biaya parkir dan tol mahal, tetapi sebaliknya disediakan
sarana transportasi umum yang nyaman, aman dan murah.
Di negara dengan kapasitas penduduk yang cukup banyak
seperti china bahkan telah menyiapkan konsep transportasi unik yang di beri
nama “Land Airbus” atau yang lebih dikenal dengan “Straddling Bus” yaitu sebuah
kendaraan besar yang tentunya sangat efektif dalam mengurai kemacetan di negeri
Cina.
Kesipulan dan Saran
Banyak konsep solusi mengatasi kemcetan dari negara
maju dan berkembang yang sebenarnya bisa kita terapkan di Indonesia. Salah
satunya dengan bantuan Sistem Informasi Geografi yang dapat dijadikan informasi
bagi pengguna jalan ketika terjadi kemacetan. Ketika mendapat informasi
tersebut maka pengendara dapat mencari jalur lain dan membantu dalam hal
mengurai kemacetan. Atau konsep yang bisa kita adobsi dari negara Brazil dalam
menelesaikan kemacetan adalah dengan menegakan aturan alulintas, sehingga
pengendara kendaraan akan tertib dan mengurangi resiko terjadina kemacetan. Konsep
ini dilakukan dengan menempatkan sebuah kamera CCTV di berbagai sudut kota.
Dengan bantuan teknologi yang ada, setiap pelanggar bisa dicatat nomor
kendaraannya, bahkan difoto wajahnya untuk bisa ditindak kemudian. Demikian
artikel yang dapat saya sajikan karena sesungguhnya kemacetan atau sesuatu
masalah yang sering kita jumpai di jalan adalah karena kurangnya kesadaraan
dari pengguna jalan untuk dapat bersikap adil dan tertib.
Sumber :
http://ristekdikti.go.id/iptek-solusi-komprehensif-atasi-kemacetan-lalu-lintas/#A72Pv1eOx5Qir1Rd.99
https://id.wikipedia.org/wiki/Kemacetan
http://inhabitat.com/
http://inovasipintar.com/transportasi-impian-untuk-mengatasi-kemacetan/
A.
PERKEMBANGAN
TRANS JAKARTA
Di era
globalisasi dan pesatnya kemajuan zaman telah merubah gaya hidup masyarakat
khususnya didaerah perkotaan. Kepadatan penduduk, Kemacetan, dan sekian masalah
di daerah perkotaan telah menjadi makanan sehari-hari pemerintah kota. Banyak
program pemerintah untuk menangani masalah yang sering di hadapi masyarakat
perkotaan ini salah satunya adalah memperbaiki fasilitas transportasi umum demi
mengurangi kemacetan di perkotaan.
Trans Jakarta
atau lebih dikenal dengan sebutan Busway merupakan salah satu solusi pemerintah
ibukota DKI Jakarta untuk mengurangi angka kemacetan. Banyak terobosan yang
dilakukan untuk membuat minat orang atau merubah gaya hidup orang yang
sebelumnya sering menggunakan kendaraan pribadi untuk berpergian kini bisa
beralih menggunakan Trans Jakarta.
Transjakarta
—umumnya disebut Busway— adalah sistem transportasi Bus Rapid Transit (BRT)
pertama di Asia Tenggara dan Selatan, yang beroperasi sejak tahun 2004 di
Jakarta, Indonesia. Sistem ini didesain berdasarkan sistem TransMilenio yang
sukses di Bogota, Kolombia. Transjakarta dirancang sebagai moda transportasi
massal pendukung aktivitas ibukota yang sangat padat. Transjakarta merupakan
sistem BRT dengan jalur lintasan terpanjang di dunia (208 km), serta memiliki
228 stasiun BRT (sebelumnya disebut halte) yang tersebar dalam 12 koridor
(jalur), yang awalnya beroperasi dari 05.00 - 22.00 WIB, dan kini beroperasi 24
jam di sebagian koridornya.
Transjakarta
dioperasikan oleh PT Transportasi Jakarta. Jumlah tenaga kerja yang terlibat
dalam operasional Transjakarta (Pramudi, petugas bus, petugas stasiun BRT, dan
petugas kebersihan) sekitar 6.000 orang.[2] Jumlah rata-rata harian pengguna
Transjakarta diprediksikan sekitar 350.000 orang. Sedangkan pada tahun 2012,
Jumlah pengguna Transjakarta mencapai 109.983.609 orang.
Ide
pembangunan proyek Bus Rapid Transit di Jakarta muncul sekitar tahun 2001.
Kemudian ide ini ditindaklanjuti oleh Gubernur DKI Jakarta saat itu, Sutiyoso.
Sebuah institut bernama Institute for Transportation & Development Policy
(ITDP) menjadi pihak penting yang mengiringi proses perencanaan proyek ini.
Konsep awal dibuat oleh PT Pamintori Cipta, sebuah konsultan transportasi yang
sudah sering bekerjasama dengan Dinas Perhubungan DKI Jakarta. Selain pihak
swasta, terdapat beberapa pihak lain yang juga mendukung keberhasilan dari
proyek ini, di antaranya adalah badan bantuan Amerika (US AID) dan The
University of Indonesia’s Center for Transportation Studies (UI-CTS).
Transjakarta
memulai operasinya pada 15 Januari 2004, ditandai dengan peresmian Koridor 1,
dengan tujuan memberikan jasa angkutan yang lebih cepat, nyaman, dan terjangkau
bagi warga Jakarta. Sejak awal pengoperasian Transjakarta, harga tiket
ditetapkan untuk disubsidi oleh pemerintah daerah. Dalam rangka sosialisasi dan
pengenalan angkutan massal ini kepada masyarakat, pada 2 minggu pertama
pengoperasiannya (15-30 Januari 2004) pengguna Transjakarta tidak dikenakan
tarif. Mulai 1 Februari 2004, tarif Transjakarta mulai diberlakukan seharga
Rp2000. Pada tahun 2012, Dinas Perhubungan DKI Jakarta memutuskan untuk
menaikkan tarif Transjakarta seharga Rp3500.
Beberapa
pengembangan pasca-peresmian Koridor 1 terus dilakukan, antara lain lowongan
supir bus yang terbuka bagi perempuan, perbaikan sarana-prasarana bus dan
stasiun BRT, pemberlakuan zona khusus perempuan, penempatan petugas di dalam
bus, sterilisasi jalur Transjakarta dengan portal manual maupun otomatis, uji
coba sistem contra-flow (jalur Transjakarta yang berlawanan arah dengan jalur
umum yang bersinggungan), serta pelayanan bagi pengguna penyandang cacat.
Pada tanggal
21 April 2016, bertepatan dengan Hari Kartini, PT. Transportasi Jakarta
meluncurkan bus khusus perempuan. Ada dua bus khusus perempuan yang
diluncurkan. Bus tersebut berwarna putih-merah muda dan hanya beroperasi di
Koridor 1 saja. Sesuai dengan namanya bus tersebut hanya bisa dinaiki oleh
pengguna perempuan saja dan bus tersebut dikemudikan oleh pramudi perempuan.
B.
KEKURANGAN/
MASALAH
1. Armada
Trans Jakarta yang masih sedikit
2. Tidak
terintegerasinya antar Koridor TransJakarta
3. Kurangna
Sosialisasi dan adanya pengembangan aplikasi TransJakarta
C.
INOVASI
PENGEMBANGAN SISTEM TRANSJAKARTA
Untuk memberikan
kenyamanan bagi pengguna transportasi ini, perlu adanya sebuah sistem yang
dapat memberikan kemudahan untuk membantu setiap pengguna jasa transportasi
agar bisa mengetahui posisi dan kapasitas penumpang yang berada di dalam
TransJakarta.
Seiring dengan
kemajuan teknologi sistem informasi, Saya ingin memberikan sebuah konsep
aplikasi, dimana aplikasi ini akan memberikan informasi kepada pengguna jasa
transportasi TransJakarta agar dapat mengetahui setiap rute dari TransJakarta,
dan dimana keberadaan bus TransJakarta yang akan kita gunakan, serta mengetahui
berapa banyak jumlah penumpang yang dapat menaiki bus TransJakarta.
Dengan adanya
sistem informasi ini diharapkan pengguna jasa Transportasi TransJakarta dapat
terbantu dan tidak harus kebingungan ketika hendak berpergian. Sistem Informasi
ini dapat di letakan di setiap koridor TransJakarta dan dapat juga di akses
melalui smartphone.
Kemudahan yang diberikan melalui
sistem informasi ini, kita dapat melihat informasi bus yang akan kita gunakan
serta terdapat informasi sisa bangku atau kapasitas maksimal dari penumpang
bus. Sistem informasi ini juga memberikan kemudahan untuk penumpang bus
TransJakarta agar dapat mengetahu jumlah saldo yang ada pada kartu
TransJakarta.
Sumber :
https://id.wikipedia.org/wiki/Transjakarta
A.
Definisi Sistem Pakar
Sistem Pakar(expert system)
adalah sistem informasi yang berisi dengan pengetahuan dari pakar sehingga
dapat digunakan untuk konsultasi. Pengetahuan dari pakar di dalam sistem ini
digunakan sebagi dasar oleh Sistem Pakar untuk menjawab pertanyaan
(konsultasi).
Sistem pakar adalah suatu program
komputer yang mengandung pengetahuan dari satu atau lebih pakar manusia
mengenai suatu bidang spesifik. Jenis program ini pertama kali dikembangkan
oleh periset kecerdasan buatan pada dasawarsa 1960-an dan 1970-an dan
diterapkan secara komersial selama 1980-an. Bentuk umum sistem pakar adalah
suatu program yang dibuat berdasarkan suatu set aturan yang menganalisis
informasi (biasanya diberikan oleh pengguna suatu sistem) mengenai suatu kelas
masalah spesifik serta analisis matematis dari masalah tersebut. Tergantung
dari desainnya, sistem pakar juga mampu merekomendasikan suatu rangkaian
tindakan pengguna untuk dapat menerapkan koreksi. Sistem ini memanfaatkan
kapabilitas penalaran untuk mencapai suatu simpulan.
B.
Contoh Sistem Pakar
1. XCON
& XSEL : konfigurasi sistem komputer besar,
2. Adver
: sebuah prototipe Expert system digunakan untuk menggunakan strategi media
periklanan yang sesuai dengan kondisi internal dan eksternal perusahaan dengan
parameter biaya iklan per seribu pemirsa.
3. Brickwork
expert(Bert) : sebuah Expert system untuk disain bangunan. BERT digunakan untuk
memeriksa sebuah disain bangunan, kemudian memberikan beberapa rekomendasi
untuk perbaikan. Inputnya bisa dalam bentuk gambar.
4. Delta
: Expert system untuk mendiagnosa kerusakan pada mesin-mesin Diesel Electric
Locomotive.
5. Dendral
: Sistem pakar untuk analisis struktur molekul suatu senyawa yang belum
diketahui. Senyawa yang belum diketahui tersebut dianalisis dengan menggunakan
“mass spectrometer” dan “nuclear magnetic reconancy equipment”. Data hasil
analisis tersebut dimasukkan ke DENDRAL yang akan membuat struktur molekulnya.
6. Mycin
: Expert system untuk mendiagnosa infeksi akibat bakteri dan menyarankan jenis
obat dan dosisnya untuk penyembuhan.
7. Opera:OPERator
Advisor yang digunakan untuk mendiagnosa dan menangani kerusakan pada suatu
jaringan komputer. OPERA dijalankan pada malam hari untuk menggantikan
Supervisor System Manager.
8. Prospector
: Untuk membantu menemukan lokasi yang mengandung bahan tambang. Basis
pengetahuannya berisi kaidah berdasar data empiris dan taksonomi beberapa jenis
mineral dan batu-batuan. Untuk mengetahui apakah suatu daerah mengandung bahan
tambang , lebih dahulu dilakukan survey keadaan geologi dan pengambilan contoh
tanah dan batu-batuan. Berdasarkan data hasil survey tersebut akan diberikan
rekomendasi apakah daerah tsb layak untuk dieksplorasi dan akan diputuskan
apakah akan dilakukan penggalian atau tidak.
C.
Konsep Sistem Pakar
Adapun konsep-konsep utama dalam
Expert System adalah:
1. Knowledge base (basis
pengetahuan)
berisi pengetahuan-pengetahuan dalam
penyelesaian masalah.
·
Domain pengetahuan seorang pakar pada dasarnya
adalah spesifik terhadap domain masalah.
·
Inference engine (motor inferensi) bertugas
untuk menganalisis pengetahuan dan menarik kesimpulan berdasarkan knowledge
base.
Basis pengetahuan (Bahasa
Inggris: knowledge base) adalah suatu jenis basis data yang dipergunakan untuk
manajemen pengetahuan. Basis data ini menyediakan fasilitas untuk koleksi,
organisasi, dan pengambilan pengetahuan terkomputerisasi. Hal terpenting dari
suatu basis pengetahuan adalah kualitas informasi yang dikandungnya. Basis
pengetahuan yang terbaik memiliki artikel-artikel yang ditulis dengan baik dan
dijaga untuk selalu mutakhir, memiliki sistem pengambilan (mesin pencari) yang
baik, serta format isi dan struktur klasifikasi yang dirancang dengan seksama.
Untuk mengelola suatu basis
pengetahuan, dibutuhkan suatu sistem manajemen basis
pengetahuan yang biasanya
memiliki kemampuan sebagai berikut:
a.
Membuat simpulan berdasarkan aturan-aturan,
deskripsi data, dan fakta untuk menghasilkan informasi yang baru. Hal ini
dibutuhkan karena pengguna sistem harus bisa menarik kesimpulan meski dengan
ketidaklengkapan informasi.
b.
Mekanisme untuk melakukan perbaruan (semisal,
memasukkan, menghapus, atau memodifikasi) basis pengetahuan.
c.
Kemampuan untuk mengoptimalkan query. Bila
sistem tidak memiliki query, maka aktivitas pencarian informasi bisa
berlangsung amat lama.
d.
Kemampuan untuk mengintegrasikan beragam basis
pengetahuan. Kemampuan semacam ini sangat dibutuhkan terutama oleh organisasi
yang tersebar secara lokasi.
e.
Kemampuan untuk menyediakan jawaban yang
bersifat kooperatif kepada pengguna. Semisal saja, pengguna perlu tahu manakala
sebuah query ternyata tidak bisa memberikan suatu keluaran dikarenakan kondisi
keterbatasan basis data, atau data yang di-query-kan ternyata tidak tersedia di
dalam basis data.
f.
Kemampuan untuk melakukan penggalian data, atau
penemuan pengetahuan di dalam basis data. Penggalian data merupakan suatu
bentuk cara berpikir induktif, yang mana membentuk suatu aturan dari suatu atau
rangkaian kasus yang ada.
2. User Interface
Antarmuka pemakai (User
Interface) merupakan mekanisme komunikasi antara penggunan (user) dengan
sistem. Antarmuka pemakai (User Interface) dapat menerima informasi dari pengguna
(user) dan memberikan informasi kepada pengguna (user) untuk membantu mengarahkan
alur penelusuran masalah sampai ditemukan suatu solusi. User interface memungkinkan
pemakai untuk berinteraksi dengan sistem pakar.
Contoh konsep luas user interface
mencakup aspek interaktif sistem operasi komputer,perkakas tangan, operator
kontrol mesin berat. dan proses kontrol. Pertimbangan desain yang berlaku saat
membuat user interface berkaitan dengan ergonomik dan psikologi.
User interface yang ada untuk berbagai
sistem, dan menyediakan cara :
§
Input : Memungkinkan pengguna untuk memanipulasi
sistem. Format interface paling populer saat ini adalah GUI (Graphical User
Interface), yang menyajikan tampilan Windows. Sebagian sistem menggunakan custom
interface, yang disesuaikan dengan masalah yang sedang dipecahkan. Misalnya,
layar mungkin menampilkan gambar suatu perakitan mekanis.
§
Output : Memungkinkan sistem untuk menunjukkan
efek manipulasi pengguna. Dalam bagian output ini, sistem pakar dirancang untuk
menyarankan pemecahan. Pemecahan ini dilengkapi penjelasan. Ada dua jenis
penjelasan yakni:
a.
Penjelasan atas pertanyaan
Manajer mungkin menginginkan penjelasan sementara
sistem pakar akan meminta manajer untuk memasukkan sejumlah informasi. Manajer
menanyakan mengapa informasi itu diperlukan dan sistem pakar menyediakan
penjelasannya.
b.
Penjelasan atas penyelesaian masalah
Setelah sistem pakar memberikan suatu pemecahan masalah,
manajer dapat meminta penyelesaian mengenai bagaimana itu dicapai. Sistem akan
menampilkan tiap langkah-langkah penalaran yang menuju pada penyelesaian.
3. Inference Engine
Menyediakan kemampuan penalaran
yang menafsirkan isi Knowledge Base berdasarkan urutan tertentu. Selama
konsultasi, inference engine menguji aturan-aturan dari knowledge base satu demi satu, dan saat kondisi aturan itu
benar tindakan tertentu diambil. Dalam terminology sistem pakar, aturan itu
“ditembakkan” saat tindakan diambil.
Dua metode utama telah dibuat
bagi inference engine untuk menguji aturan yakni :
a. Penalaran maju (forward chaining)
Aturan-aturan diuji satu per satu
dalam urutan tertentu. Urutan itu mungkin berupa urutan pemasukan aturan ke
dalam perangkat aturan, atau dapat juga urutan lain yang ditentukan oleh
pemakai. Saat tiap aturan diuji, sistem pakar berusaha mengevaluasi apakah
kondisinya benar atau salah. Jika kondisinya betul, aturan itu ditembakkan dan
aturan berikutnya diuji. Saat kondisinya salah, aturan itu tidak ditembakkan
dan aturan berikutnya diuji. Jika kondisi aturan tidak diketahui, aturan tidak
ditembakkan dan aturan berikutnya diuji. Contoh proses penalaran maju yakni
b. Penalaran mundur (backward chaining)
Inference engine memilih suatu
aturan dan menganggapnya sebagai masalah yang harus diselesaikan.
4. Development Engine
Digunakan untuk menciptakan Sistem
Pakar. Pada dasarnya proses ini melibatkan pembuatan perangkat aturan. Ada dua
pendekatan dasar yakni bahasa pemrograman dan shell sistem pakar.
a. Bahasa
Pemrograman
Kita
dapat menciptakan sistem pakar dengan menggunakan bahasa pemrograman apapun,
akan tetapi ada dua yang sangat cocok dengan representasi simbolis dari
knowledge base yaitu Lisp dan Prolog. Lisp dikembangkan tahun 1959 oleh John
McCarthy (salah seorang anggota rapat pertama AI) dan pengerjaan prolog dimulai
oleh Alain Colmerauer pada University of Marseilles tahun 1972.
b. Shell
Sistem Pakar
Sakah
satu sistem pakar pertama adalah Mycin, yang dikembangkan oleh Edward
Shortliffe dan Stanley Cohen dari Stanford University, dengan bantuan Stanton
Axline, seorang dokter. Mycin diciptakan untuk mendiagnosa penyakit menular
tertentu. Ketika keberhasilan Mycin mulai mapan, para pengemang mencari
berbagai cara lain untuk menerapkan pencapaian mereka. Mereka menemukan bahwa
inference engine Mycin dapat disesuaikan ke jenis problem lain dengan mengganti
knowledge base Mycin dengan knowledge base lain
yang merefleksikan problem domain lain. Temuan ini menandakan dimulainya
pendekatan baru untuk membangun sistem pakar: shell sistem pakar.
Shell
sistem pakar adalah prosesor siap pakai yang dapat disesuaikan untuk problem
domain tertentu melalui penambahan knowledge base yang sesuai. Sekarang,
sebagian besar minat dalam menerapkan sistem pakar untuk masalah bisnis melibatkan
penggunaan shell.
D.
Kelebihan Sistem Pakar
Secara garis besar, banyak
manfaat yang dapat diambil dengan adanya sistem pakar, antara lain :
1. Memungkinkan
orang awam bisa mengerjakan pekerjaan para ahli.
2. Bisa
melakukan proses secara berulang secara otomatis.
3. Menyimpan
pengetahuan dan keahlian para pakar.
4. Meningkatkan
output dan produktivitas.
5. Meningkatkan
kualitas.
6. Mampu
mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian
langka).
7. Mampu
beroperasi dalam lingkungan yang berbahaya.
8. Memiliki
kemampuan untuk mengakses pengetahuan.
9. Memiliki
reliabilitas.
10. Meningkatkan
kapabilitas sistem komputer.
E.
Kelemahan Sistem Pakar
Di samping memiliki beberapa
keuntungan, sistem pakar juga memiliki beberapa kelemahan, antara lain :
1. Biaya
yang diperlukan untuk membuat dan memeliharanya relatif mahal karena diperlukan
banyak data.
2. Perlu
admin khusus yang selalu update informasi dalam bidang yang sesuai dengan
sistem pakar.
3. Pengembangan
perangkat lunak sistem pakar lebih sulit dibandingkan perangkat lunak
konvensional.
4. Susah
di kembangkan.
5. Membutuhkan
waktu yang lama.
Sumber :
