Alan Turing, dalam tulisan papernya yang sangat terkenal yang berjudul "Computing Machinery and Intelligence" (1950) [bisa download pdf-nya disini], mengemukakan bahwa alih-alih bertanya apakah mesin mampu berpikir atau tidak, kita lebih baik bertanya apakah mesin mampu lulus dalam tes kecerdasan perilaku, yang kemudian seringkali disebut dengan Turing Test. Tes ini adalah untuk menguji sebuah program untuk melakukan percakapan (melalui pesan yang diketik secara online) dengan interogator (manusia) selama lima menit. Interogator tersebut kemudian harus menebak apakah percakapan itu dengan sebuah program (mesin) atau dengan seseorang; program tersebut dinyatakan lolos tes jika mampu mengelabui sang interogator kira-kira 30% dari waktu percakapan tersebut. Turing menduga bahwa, pada tahun 2000, komputer dengan penyimpanan 109 unit dapat diprogram dengan cukup baik untuk lulus tes tersebut. Tenyata dugaannya salah karena program belum mampu menipu interogator yang canggih (harap di catat: hanya interogator yang canggih!!). Tetapi di sisi lain, banyak juga orang yang telah tertipu karena mereka tidak tahu apakah mereka sedang mengobrol dengan komputer atau tidak.
Mengontrol Biaya TI dan Evaluasi Dampak Pada Bottom Line
Para manajer akan berusaha meningkatkan dampak TI pada bottom line perusahaan dengan mengendalikan pengeluaran TI dan mengevaluasi semua komponen dari pengeluaran TI agar sesuai dengan manfaatnya.
Ada tiga cara mendasar bagaimana menghubungkan total pengeluaran TI ke bottom line organisasi.
- Pertama, dan yang paling jelas, uang yang dikeluarkan untuk TI adalah biaya bagi perusahaan, sehingga mengilangkan proyek atau mengurangi biaya lights-on akan mempengaruhi dampak pada bottom line.
- Kedua, investasi TI yang baru dapat langsung menghasilkan pendapatan atau mengurangi biaya, dan dengan demikian secara langsung akan menghubungkan TI ke bottom line. Analisis keuangan pada kasus bisnis proyek akan menyoroti keuntungan finansial secara langsung. Jika kenaikan secara langsung dalam ROI karena memilih proyek yang tepat, hasilnya akan menunjukkan langsung pada bottom line. Diperlukan proses memilih hanya pada proyek-proyek yang bisa pengurangan biaya atau menghasilan pendapatan tambahan.
- Ketiga, pengeluaran TI dapat mendorong atau mendukung kegiatan bisnis yang berdampak pada bottom line.
Pertanyaan Tentang Hubungan Bisnis dan Anggaran TI di Perusahaan
Dunia bisnis akan merasakan berbagai macamm tekanan ketika mencoba untuk mengontrol belanja TI sambil dalam waktu yang sama menghasilkan dampak pada bottom-line. Pertama, kegiatan TI yang ada (misalnya, sistem warisan yang sudah biasa berjalan, infrastruktur , personil, dll, yang akan kita sebut sebagai beban "lights-on") biasanya membutuhkan pengeluaran yang meningkat setiap tahunnya. Kedua, setiap tahun ketika menetapkan investasi baru TI ("proyek pengembangan" ), akan meningkatkan permintaan anggaran untuk periode berikutnya. Akhirnya, manajer bisnis akan terus memberikan tekanan pada biaya TI, memaksa meneliti secara ketat biaya lights-on dan biaya investasi baru. Secara praktis tekanan ini terjadi dalam siklus penganggaran TI tahunan.
Di banyak perusahaan, anggaran lights-on (bisa mencapai 85% dari beban TI perusahaan) diperlakukan sebagai semacam hak yang layak diperoleh, dengan sedikit pemeriksaan besarnya nilai biayanya. Akibatnya, mengendalikan belanja TI berarti mengendalikan biaya investasi baru, memaksa mengeluarkan proyek baru dari daftar dari pada mengurangi kegiatan yang ada dan berlangsung. Akhirnya, jumlah investasi TI baru adalah selisih antara target anggaran secara keseluruhan dikurangi biaya lights-on yang sudah dianggarkan. Disarankan bahwa peran manajemen dalam konteks ini adalah untuk memaksa memeriksa semua biaya TI, dengan menggunakan tolok ukur dampak terhadap bottom-line, dan menciptakan pola belanja TI dan anggaran yang terjangkau untuk bisnis, karena dihadapkan pada keterbatasan anggaran, sementara harus tetap mendukung proyek TI baru yang dibutuhkan untuk bisnis. Untuk melakukan hal ini, manajemen harus mengatasi dua set pertanyaan yang komplementer:
Lima Praktek New Information Econonics (NIE / Ekonomi Informasi Baru)
Lima praktek manajemen dasar dalam Rantai Nilai Strategi-ke–Bottom-Line, telah dikembangkan, dan secara lebih khusus lagi, lima praktek ini akan membawa perusahaan dengan jawaban yang sesuai atas delapan pernyataan dalam faktor penentu keberhasilan (CSF) dalam proses manajemen dinyatakan diatas. Kelima praktek tersebut, ditunjukkan dalam Exhibit 1.5, merupakan dasar untuk menghubungkan strategi dan hasil. [Baca juga: 8 CSF dalam bagian akhir artikel Valuasi atau Evaluasi TI?]
Lima praktik "New Information Economics" (NIE / Ekonomi Informasi Baru) untuk mencerminkan Kelima praktik NIE menjadi satu set alat untuk TI dan manajer bisnis yang digunakan untuk menerjemahkan strategi bisnis perusahaan ke dalam program dan inisiatif yang bisa diterapkan oleh TI.
Kelima praktik didefinisikan secara singkat sebagai:
Valuasi atau Evaluasi TI?
Suatu pemikiran yang sederhana, bahwa sebuah perusahaan hanya akan bersedia untuk mengeluarkan uang pada TI (Teknologi Informasi) yang secara langsung mendukung strategi bisnis dan efektivitas operasional mereka, dan tidak akan mengeluarkan uang untuk TI yang tidak mendukung hal tersebut. Tim manajemen seharusnya dapat mengendalikan anggaran dan investasi TI, dan pada saat yang bersamaan meningkatkan dampak TI pada bottom-line perusahaan, dengan secara konsisten dan terus-menerus menseleksi investasi TI-nya yang terbaik, dan meningkatkan kinerja kegiatan TI yang ada.
Hasil dan Keputusan Yang Tepat
Hasil yang tepat, artinya adalah bahwa manajemen harus dapat mengendalikan biaya TI dan pada saat yang sama juga meningkatkan dampak bottom-line. Hasil yang tepat akan dihasilkan dari keputusan yang tepat. Jadi keputusan yang tepat akan menyebabkan tindakan manajemen yang dibutuhkan untuk menghasilkan hasil yang tepat.
Keputusan yang tepat akan mengarahkan pada:
Model Penerimaan Teknologi (Technology Acceptance Model)
Technology Acceptance Model (TAM) adalah landasan teoritis untuk menjelaskan dan memprediksi penerimaan individu terhadap sistem teknologi informasi. TAM pertama kali diusulkan oleh Davis (1989) dalam tesis Doktoralnya. Model Penerimaan Teknologi (TAM) yang telah dikembangkan oleh Davis (1989) adalah salah satu model penelitian yang paling populer untuk memprediksi penggunaan dan penerimaan sistem informasi dan teknologi oleh pengguna individual. TAM telah dipelajari dan diverifikasi secara luas oleh berbagai studi yang menguji perilaku penerimaan teknologi individual dalam konstruksi sistem informasi yang berbeda-beda.
Daftar Pertanyaan Para Manajer Tentang Budget TI Perusahaan
Di dalam perusahaan, manajemen selalu ingin supaya bisa mengendalikan biaya TI secara efektif dan memaksimalkan impact terhadap bottom-line (profit/hasil). Para manajer umumnya punya daftar pertanyaan di benak mereka tentang biaya TI, terutama saat penyusunan budget. Berikut adalah pertanyaan-pertanyaan yang umum muncul di benak para manajer:
CEO:
Apakah kita mampu mengupayakan anggaran belanja untuk TI? Apakah kita tahu berapa banyak yang kita belanjakan untuk TI? Bagaimana saya bisa tahu apakah TI membantu strategi kita? Apakah kita mendapatkan dampak bottom line dari investasi TI kita, dan bagaimana saya bisa mengetahuinya? Apakah kita sedang memanfaatkan teknologi dalam bisnis kita seperti seharusnya/idealnya? Bagaimana saya bisa membuat semua manajer lain yang ada menyetujui strategi dan rencana teknologi kita?
Landasan Filosofis Kecerdasan Buatan
Riwayat tentang landasan filosofis kecerdasan buatan disini disajikan dalam bentuk serangkaian pertanyaan. Tetapi pertanyaan-pertanyaan ini bukan dimaksudkan bahwa melulu pertanyaan ini saja yang akan menjadi pokok bahasan dalam kecerdasan buatan. Serangkaian pertanyaan tersebut adalah seperti berikut:
- Bisakah aturan-aturan formal digunakan untuk untuk menarik kesimpulan?
- Bagaimana pikiran muncul dari otak?
- Dari mana asalnya pengetahuan?
- Bagaimana pengetahuan membawa ke suatu tindakan?
Bisakah aturan-aturan formal digunakan untuk untuk menarik kesimpulan?
Artificial Intelligence (AI) di Era Kini
Bagaimana perkembangan AI saat ini? Sangatlah sulit menjawab dalam jawaban yang singkat karena ada banyak sekali pekerjaan atau aktivitas di berbagai macam bidang. Namun sedikit contoh penerapan AI di era modern bisa memberikan sedikit gambaran tentang perkembangan AI saat ini.
- Kendaraan Berbasis Robot. Mobil robot tanpa sopir sudah mulai diproduksi, meskipun kemunculannya sudah sejak tahun 2005 ketika saat itu mobil yang bernama STANLEY dengan kecepatan sekitar 22 mph menyelesaikan perjalanan sejauh 132 mil di gurun Monjave dan memenangkan kompetisi DARPA Grand challenge. STANLEY adalah mobil Volkswagen Touareg yang dilengkapi dengan banyak kamera, radar, dan laser pengukur jarak untuk mengamati sekitarnya dan software yang di dalam mobil untuk mengontol kemudi, rem, dan kecepatan. Tahun berikutnya, BOSS dari CMU memenangkan urban Challenge karena mengemudi dengan baik dan aman dengan kondisi lalu lintas di kompleks landasan terbang Angkatan Udara, dan bisa menaati rambu-rambu laluu lintas dan menghindari pejalan kaki dan kendaraan yang lain.
Beberapa Definisi Tentang Data, Informasi, dan Sistem Informasi Menurut Beberapa Ahli
Definisi Data
Menurut 1) Connolly dan Begg dan 2) Carlos Coronel dan Steven Morris
Menurut Connolly dan Begg (2015:68) Data merupakan komponen terpenting sebagai penghubung antara mesin (hardware) dan manusia. Data adalah komponen utama yang ada di dalam sebuah Database Management System (DBMS).data adalah suatu komponen penghubung antara hardware dan manusia, data merupakan komponen terpenting yang ada dalam Database Management System (DBMS).
Sedangkan menurut Carlos Coronel dan Steven Morris (2016:40) data berisikan fakta mentah. Jadi dari pendapat di atas dapat disimpulkan bahwa data adalah fakta Sebuah fakta mentah yang belom di olah. data adalah fakta mentah atau pengamatan, biasanya tentang fenomena fisik atau transaksi bisnis menurut O’brie Marakas (2011:32).
Keuntungan dan Kerugian Sistem Manajemen Basis Data (DBMS)
Keuntungan Sistem Manajemen Basis Data (DBMS)
Menurut Connolly dan Begg (2010,p26), keuntungan penggunaan DBMS adalah sebagai berikut:
- Kontrol redudansi data
Pendekatan basis data untuk menghilangkan redudansi dengan mengintegrasikan file-file sehingga salinan data yang sama tidak disimpan. Walau begitu, penggunaan pendekatan basis data tidak dapat menghilangkan redudansi sepenuhnya tetapi hanya mengontrol jumlah redudansi.
- Konsistensi data
Pengurangan redudansi secara otomatis akan meningkatkan konsistensi data.
Fungsi Sistem Manajemen Basis Data
Berikut adalah fungsi Sistem manajemen Basis Data (DBMS) menurut dua pakar basis data, yaitu C.J. Date dan Connoly & Begg.
Menurut Date, fungsi Sistem Manajemen basis Data (DBMS), adalah sebagai berikut:
Menurut Date, fungsi Sistem Manajemen basis Data (DBMS), adalah sebagai berikut:
- Data Definition Language (DDL)
DDL adalah sebuah bahasa yang memungkinkan Administrator Sistem Basis Data (DBA) atau pengguna lainnya mendeskripsikan dan memberi nama suatu entitas,atribut, relasi data, dan juga integritas dan keamanan data.
- Data Manipulation Language (DML)
DML adalah bahasa yang menyediakan satu set operasi untuk mendukung pengoprasian manipulasi data dasar pada basis data.Data yang akan dimanipulasi meliputi:
- Penambahan data pada basis data (Add)
- Modifikasi data pada basis data (Alternate)
- Pengembalian data pada basis data (Recovery)
- Penghapusan data pada basis data (Deleting)
Komponen dan Fasilitas Sistem Manajemen Basis Data
Komponen-komponen Sistem Manajemen basis Data
Menurut Connolly and Begg, terdapat 5 komponen utama dalam DBMS. Kelima komponen tersebut adalah 1) Hardware, 2) Software, 3) Data, 4) Prosedur, dan 5) Manusia.
1. Hardware
Aplikasi DBMS memerlukan hardware untuk menjalankan prosesnya, hardware tersebut bisa berupa satu unit komputer, satu unit mainframe,hingga satu jaringan komputer.
2. Software
Komponen software terdiri dari software itu sendiri dan program-program aplikasi,bersama-sama dengan sistem operasi,termasuk software jaringan jika DBMS digunakan melalui sebuah jaringan.
3. Data
Data berfungsi sebagai sebuah jembatan, karena menghubungkan komponen-komponen mesi(hardware dan software)dengan komponen-komponen manusia(procedure dan people)
Pengantar Kecerdasan Buatan (Artificial Intelligence / AI)
Kecerdasan Buatan (Artificial Intelligene / AI) adalah salah satu bidang ilmu yang relatif baru dibandingkan dengan bidang ilmu yang lain dan dimulai setelah perang dunia II. Nama Kecerdasan Buatan (AI) sendiri mulai diperkenalkan mulai tahun 1956. AI saat ini meliputi banyak sekali sub-bidang ilmu mulai dari yang umum (general AI, yaitu tentang learning dan perception) hingga ke yang spesifik, seperti permainan catur, pembuktian berbagai macam theorema matematika, menulis puisi, menyetir mobil di jalan yang padat, dan mendiagnosa penyakit. Kecerdasan Buatan (AI) terkait dengan pekerjaan-pekerjaan apapun yang terkait dengan intelektual. Jadi Kecerdasan Buatan (AI) adalah bidang ilmu yang benar-benar universal.
Definisi Kecerdasan Buatan (AI)
Ada delapan definisi yang diajukan oleh para ahli Kecerdasan Buatan yang disajikan dalam 4 aspek kategori yaitu, 1) berpikir secara manusiawi, 2) bertindak secara manusiawi, 3) berpikir secara rasional, dan 4) bertindak secara rasional.
10 Fakta Tentang Hadoop Yang Bertentangan Dengan Anggapan Banyak Orang
 |
| Gambar, sumber: flickr, license: public domain |
Fakta #1. Hadoop terdiri dari banyak produk.
Hadoop - Teknologi dalam Big Data dan Cara Kerjanya
 |
| Gambar, source: Wikimedia. License: Common Creative |
Cara Kerja Hadoop
MapReduce - Teknologi dalam Big Data
Ada banyak teknologi untuk memproses dan menganalisa Big Data, tetapi sebagian besar memiliki karakteristik yang sama. Yaitu memanfaatkan keunggulan komoditas hardware yang mampu untuk melakukan teknik scale-out dan parallel-processing, menerapkan kemampuan storage data yang non-relational untuk memproses data yang tak-terstruktur dan semi-terstruktur; dan menerapkan analytics canggih dan teknologi visualisasi data ke Big Data untuk menyalurkan insight ke end-users. Ada banyak teknologi Big Data yang unggul, yang sebagian besar dipercaya akan mentransformasi analisa bisnis dan pasar manajemen data, yaitu: MapReduce, Hadoop, dan NoSQL.
MapReduce
Beberapa Contoh Problem Bisnis Yang Menjadi Perhatian Dalam Big Data Analytics
Problem-problem bisnis utama yang menjadi perhatian dalam Big Data secara keseluruhan adalah efisiensi proses dan pengurangan biaya dan juga bagaimana meningkatkan pengalaman pelanggan, namun beberapa prioritas yang lain akan muncul ketika dilihat dari sisi industri. Efisiensi proses dan pengurangan biaya adalah problem bisnis yang umum dialami ketika menganalisa Big Data.
Proses efisiensi dan pengurangan biaya barangkali ada diantara daftar problem utama yang menjadi perhatian dalam Big Data Analytics di industri manufaktur, pemerintahan, energi dan utilitas, komunikasi dan media, transport, dan sektor-sektor kesehatan. Pengalaman pelanggan yang selalu harus ditingkatkan mungkin akan menjadi salah satu problem utama di industri asuransi dan retail. Sedangkan manajemen risiko biasanya ada menjadi problem utama di industri perbankan dan pendidikan. Berikut di bawah ini adalah daftar problem bisnis yang menjadi perhatian dalam Big Data Analytics:
Faktor Kunci Dalam Keberhasilan Investasi Big Data Analytics
Seperti halnya investasi IT yang besar lainnya, faktor keberhasilan investasi dalam implementasi Big Data Analytics bergantung pada sejumlah faktor. Gambar berikut di bawah ini menunjukkan faktor keberhasilan yang paling menentukan.
 |
| Faktor kunci keberhasilan Big Data Analytics |
1. Kebutuhan bisnis yang jelas (selaras dengan visi dan strategi).
Investasi bisnis harus dibuat demi kebaikan bisnis, bukan melulu demi perkembangan teknologi. Karena itu pendorong utama dalam Big Data Analytics seharusnya adalah kebutuhan bisnis di semua tingkatan baik di tingkat strategis, taktis, maupun operasional.
Prediksi Para Ahli Tentang Ketrampilan IT Yang Paling Dibutuhkan Perusahaan di Tahun 2017
Menurut survei terbaru dari Robert Half Technology menunjukkan bahwa mayoritas CIO akan mengembangkan tim IT dan juga berfokus pada mengisi peran yang kosong, sedangkan 2017 prediksi IT dari TEKsystems menunjukkan bahwa tingkat konfidensi pada IT akan tinggi dan anggaran IT akan rebound. Secara keseluruhan, itu adalah prospek yang sangat cerah untuk para profesional IT di tahun ini, terutama bagi mereka yang memmiliki keahlian tertentu. Berikut dibawah ini adalah prediksi para ahli tentang keterampilan IT yang akan paling dibutuhkan pada tahun 2017.
1. Full-stack software developers
Para pengembang perangkat lunak tidak lagi cukup memiliki keahlian dalam satu bahasa atau platform, kata Gene Richardson, COO dari Expert Exchange. "Mereka juga harus memahami dan memiliki pengalaman berperan sebagai DevOps, desain, QA, DBA, analisis. Memiliki full-stack developers akan meningkatkan 'time-to-market', meminimalkan biaya dan menyediakan tim dengan pemahaman yang lebih baik dari masalah bisnis dan bagaimana menyelesaikannya, "kata Richardson.
Big Data Analytics: Perlu atau Tidak Perusahaan Menerapkannya?
Big Data (tanpa menghiraukan ukuran data, jenis data, atau kecepatan pemrosesannya) adalah sesuatu yang tak berharga kecuali bila penggunanya bisa melakukan sesuatu yang mampu menghasilkan value/manfaat bagi organisasi. Meskipun perusahaan/organisasi selalu menjalankan berbagai macam reports dan dashboards yang berasal dari datawarehouese, namun kebanyakan dari mereka tidak mengekplorasi secara mendalam isi data tersebut. Hal ini sebagian disebabkan karena tool-tool analytics tersebut terlalu kompleks bagi kebanyakan pengguna pada umumnya dan sebagian sebab lain adalah bahwa repository (tempat penyimpanan data) data tidak berisi semua data yang diperlukan oleh para user pengambil keputusan. Tetapi hal ini akan segera berubah (dan sedang berubah sebagian) dalam cara yang cepat, karena munculnya paradigma Big Data analytics.
Prinsip Dasar Bagi Perusahaan Untuk Menerapkan Big Data Analytics
6 Ukuran Data Baru Yang Mungkin Belum Anda Ketahui di Era Big Data
Ukuran besarnya data di dunia saat ini adalah sesuatu yang sulit untuk diikuti dan disebut karena perlu nama atau istilah baru. Kita semua sudah akrab dengan istilah kilobyte (KB atau 1.000 byte), megabyte (MB atau 1.000.000 bytes), gigabyte (GB atau 1.000.000.000 byte) dan terabyte (TB atau 1.000.000.000.000). Untuk yang lebih dari itu, nama atau istilah yang diberikan masih relatif baru dan asing bagi kita pada umumnya. Berikut adalah tabel yang menunjukkan nama atau istilah yang muncul setelah terabyte dan selebihnya:
 |
| Tabel Ukuran Data di Era "Big Data" |
Pengertian Big Data
Definisi Big Data
Memanfaatkan data untuk memahami pelanggan atau klien dan sistem operasi bisnis untuk mempertahankan maupun meningkatkan pertumbuhan dan profit adalah hal yang selalu menantang bagi perusahaan-perusahaan saat ini. Karena data semakin lama semakin tersaji dalam berbagai macam bentuk dan cara, maka pemrosesan data yang cepat dan tepat waktu menggunakan cara-cara tradisional menjadi tidak praktis. Fenomena ini disebut dengan "Big Data", yang mendapatkan penerimaan dari dunia media massa dan menarik perhatian dari kalangan pebisnis dan profesional TI (Teknologi Informasi). Hasilnya adalah bahwa "Big Data' menjadi 'terlalu' sensasional dan menjadi semacam jargon marketing yang terlalu berlebihan.
Beberapa Contoh Nilai/Manfaat Bisnis Ketika Menerapkan Analytics Big Data Dalam Bisnis
Pada post artikel sebelumnya, tentang: Pengenalan Singkat Tentang Big Data Analytics, dikatakan bahwa data tidak berguna apabila tidak memberikan nilai bisnis, dan supaya data mampu memberikan nilai bisnis, data harus di-analisa
Berikut di bawah ini adalah beberapa contoh kecil dalam penerapan analisa data dalam bisnis dan apa nilai (manfaat) bisnisnya.
- Analisa tentang segmentasi pelanggan.
- Problem bisnis: Pelanggan kita berada di segmen market yang mana? Apa saja karakteristik mereka?
- Nilai bisnis: Untuk membuat personalisasi hubungan dengan pelanggan (customer relationship) untuk kepuasan yang lebih baik dan retensi.
Pengenalan Singkat Tentang Big Data Analytics
Big Data, yang sering disebut-sebut sebagai "banyak hal bagi banyak orang", bukanlah suatu ke-iseng-an belaka tentang teknologi yang baru. Big Data adalah prioritas bisnis yang berpotensi untuk mengubah secara mendalam landskap kompetitif pada ekonomi yang terintegrasi secara global saat ini. Selain memberikan solusi-solusi yang inovatif untuk menghadapi masalah bisnis yang selalu ada (masalah yang abadi 😃), Big Data dan Analytics mendorong cara-cara baru dalam mentransformasi berbagai macam proses, organisasi, seluruh industri, dan bahkan semua masyarakat. Tetapi, pemberitaan media yang sangat ekstensif membuatnya sulit membedakan antara yang sensasi dan kenyataan.
Apa yang dimaksud dengan Big Data?
Mengapa Anda Harus Belajar Pengembangan App di Android di 2017?
Sudah banyak yang menjawab pertanyaan ini...jika Anda sedang mencari peluang kerja - saat ini dan hingga masa mendatang yang masih sulit diprediksi, Android sedang dan masih akan tumbuh sangat pesat. Android menyebar ke seluruh penjuru dunia karena hadir di berbagai perangkat dan di semakin lama semakin banyak di genggaman tangan orang.
Perusahaan akan selalu menginginkan produk-produk mereka berjalan pada perangkat Android. Ini berarti permintaan untuk para pengembang mobile dengan spesialisasi di Android akan terus tumbuh di masa mendatang.
Subscribe to:
Posts (Atom)