Definsi dan Contoh Metode Pencarian Buta & Heuristik

1.          Metode Pencarian Buta (Blind Searching)

            Blind Searching adalah model pencarian buta atau pencarian yang tidak memiliki informasi awal, model pencarian ini memiliki tiga ciri – ciri utama yaitu:

-         Membangkitkan simpul berdasarkan urutan
-         Kalau ada solusi maka solusi akan ditemukan
-         Hanya memiliki informasi tentang node yang telah dibuka (node selanjutnya tidak diketahui).

Jenis-jenis dalam Blind Searching yaitu :

• ·         Breadth-First Search  (Pencarian Melebar Pertama)

Breadth First Search yaitu model pencarian yang memakai metode melebar. Untuk mencari hasilnya, model BFS ini menggunakan teknik pencarian persoalannya dengan cara membuka node (titik) pada tiap levelnya. Pada metode Breadth-First Search, semua node pada level n akan dikunjungi terlebih dahulu sebelum mengunjungi node-node pada level n+1. Pencarian dimulai dari node akar terus ke level ke-1 dari kiri ke kanan, kemudian berpindah ke level berikutnya demikian pula dari kiri ke kanan sampai ditemukannya solusi

.

Algoritma :

– Buat sebuah antrian, inisialisasi node pertama dengan Root dari tree

– Bila node pertama, jika ≠ GOAL, diganti dengan anak-anaknya dan diletakkan di belakang per level

– Bila node pertama = GOAL, selesai

Keuntungan :

– Tidak akan menemui jalan buntu

– Jika ada satu solusi, maka breadth first search akan menemukannya. Dan jika ada lebih dari satu solusi, maka solusi minimum akan ditemukan.

Kelemahan :

– Membutuhkan memori yang cukup banyak, karena menyimpan semua node dalam satu pohon

– Kemungkinan ditemukan optimal local

Contoh :

Penjelasan Gambar :

1.       Membangkitakan anak dari terminal Senen = Terminal blok M, Terminal Pulo Gadung, Terminal Manggarai

2.       Karena goal state (Terminal Kp. Rambutan) belum tercapai maka kita bangkitkan anak dari terminal senen

Terminal Blok M = Terminal Grogol, Terminal Lebak Bulus            

Terminal Lebak Bulus = Terminal Ciputat, Terminal Kp. Rambutan.            

Terminal Pulo Gadung = Terminal bekasi            

Terminal Manggarai = Terminal Cililitan, Terminal Harmoni

3.       Akhirnya tercapai Goal State (Terminal Kp. Rambutan).

• ·         Depth-First Search  (Pencarian Mendalam Pertama)

DFS (Depth-first Search) sering disebut juga pencarian mendalam. Sesuai dengan namanya “pencarian mendalam”, DFS tidak mencari solusi per level, namun mencari pada kedalaman sebelah kiri terlebih dahulu, kemudian bila belum ditemuakn “goal”nya dilanjutkan ke sisi sebelah kanan dan seterusnya sampai ditemukan target/goal. Pada Depth First Search, proses pencarian akan dilaksanakan pada semua anaknya sebelum dilakukan pencarian ke node-node yang selevel. Pencarian dimulai dari node akar ke level yang lebih tinggi. Proses ini diulangi terus hingga ditemukannya solusi.

Algoritma :

– Buat sebuah antrian, inisialisasi node pertama dengan Root dari tree

– Bila node pertama, jika ≠ GOAL, node dihapus diganti dengan anak-anaknya dengan urutan LChild

– Bila node pertama = GOAL, selesai

Keuntungan :

– Membutuhkan memori yang relatif kecil, karena hanya node-node pada lintasan yang aktif saja yang disimpan

– Menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan

Kelemahan :

– Kemungkinan terjebak pada optimal lokal

– Hanya akan mendapatkan 1 solusi pada setiap pencarian

Contoh:

Pencarian dimulai dari simpul sebelah kiri yaitu ABD karena D tidak memiliki anak maka lanjut ke sebelah kanan yaitu E lalu FG. Anak-anak dari simpul B sudah habis maka lanjut ke simpul C dan di teruskan ke HIJK. K merupakan goal state dari pohon tersebut

Pada prinsipnya, DFS ini menggunakan tumpukan untuk menyimpan seluruh state yang ditemukan atau bisa dikatakan bahwa DFS menggunakan metode LIFO (Last In First Out).

2.      Metode Pencarian Heuristik (Heuristic Search )

Heuristic Search merupakan metode pencarian yang memperhatikan nilai heuristik (nilai perkiraan).
Teknik pencarian heuristik (heuristic searching) merupakan suatu strategi untuk melakukan proses pencarian ruang keadaan (state space) suatu problema secara selektif, yang memandu proses pencarian yang kita lakukan di sepanjang jalur yang memiliki kemungkinan sukses paling besar, dan mengesampingkan usaha yang bodoh dan memboroskan waktu.
Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namun dengan kemungkinan mengorbankan kelengkapan (completeness).
Heuristic Search memperkirakan jarak menuju Goal (yang disebut dengan fungsi heuristik).
Fungsi heuristik ini digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.

Jenis-jenis dalam Heuristic Search  yaitu :

• ·         Generate and Test (membangkitkan dan menguji)

Strategi bangkitkan dan uji (generate and test) merupakan pendekatan yang paling sederhana dari semua pendekatan yang akan dibicarakan.
Pendekatan ini meliputi langkah–langkah sebagai berikut :

11.       Buatlah/bangkitkan sebuah solusi yang memungkinkan. Untuk sebuah problema hal ini dapat berarti pembuatan sebuah titik khusus dalam ruang problema.

22.       Lakukan pengujian untuk melihat apakah solusi yang dibuat benar–benar merupakan sebuah solusi, dengan cara membandingkan titik khusus tersebut dengan goal-nya (solusi).

33.       Jika telah diperoleh sebuah solusi, langkah – langkah tersebut dapat dihentikan. Jika belum, kembalilah ke langkah pertama.

Jika pembangkitan atau pembuatan solusi – solusi yang dimungkinkan dapat dilakukan secara sistematis, maka prosedur ini akan dapat segera menemukan solusinya (bila ada).  Namun, jika ruang problema sangat besar, maka proses ini akan membutuhkan waktu yang lama.
Metode generate and test ini memang kurang efisien untuk masalah yang besar atau kompleks.

Contoh:

 “Travelling Salesman Problem (TSP)” Seorang salesman ingin mengunjungi n kota. Jarak antara tiap-tiap kota sudah diketahui. Kita ingin mengetahui ruter terpendek dimana setaip kota hanya boleh dikkunjungi tepat  1 kal i. Misalkan ada 4 kota dengan jarak antara tiap-tiap kota seperti gambar di bawah ini: 

Penyelesaian dengan Generate and Test

• ·         Hill Climbing (mendaki bukit)

Hill Climbing (mendaki bukit) merupakan salah satu variasi metode buat dan uji (generate and test) dimana umpan balik yang berasal dari prosedur uji digunakan untuk memutuskan arah gerak dalam ruang pencarian (search).
Dalam prosedur buat dan uji yang murni, respon fungsi uji hanyalah ya atau tidak. Dalam prosedur Hill Climbing, fungsi uji dikombinasikan dengan fungsi heuristik yang menyediakan pengukuran kedekatan suatu keadaan yang diberikan dengan tujuan (goal).

Prosedur Hill Climbing :

11.       Buatlah solusi usulan pertama dengan cara yang sama seperti yang dilakukan dalam prosedur buat dan uji (generate and test). Periksalah apakah solusi usulan itu merupakan sebuah solusi. Jika ya, berhentilah. Jika tidak, kita lanjutkan ke langkah berikutnya.

22.       Dari solusi ini, terapkan sejumlah aturan yang dapat diterapkan untuk membuat sekumpulan solusi usulan yang baru.

33.       Untuk setiap elemen kumpulan solusi tersebut, lakukanlah hal-hal berikut ini :

11.       Kirimkanlah elemen ini ke fungsi uji. Jika elemen ini merupakan sebuah solusi, berhentilah.

22.       Jika tidak, periksalah apakah elemen ini merupakan yang terdekat dengan solusi yang telah diuji sejauh ini. Jika tidak, buanglah.

33.       Ambilah elemen terbaik yang ditemukan di atas dan pakailah sebagai solusi usulan berikutnya. Langkah ini bersesuaian dengan langkah dalam ruang problema dengan arah yang muncul sebagai yang tercepat dalam mencapai tujuan.

44.       Kembalilah ke langkah 2.

Masalah-masalah yang mungkin timbul pada prosedur Hill Climbing :

-          Maksimum lokal adalah suatu keadaan yang lebih baik daripada semua tetangganya namun masih belum lebih baik dari suatu keadaan lain yang jauh letaknya darinya.
-          Daratan  (Plateau) adalah suatu daerah datar dari ruang pencarian (search) dimana semua himpunan keadaan tetangganya memiliki nilai yang sama.
-          Punggung (Ridge) adalah suatu daerah ruang pencarian (search) yang lebih tinggi daripada daerah sekitarnya, namun tidak dapat dibalikkan oleh langkah–langkah tunggal ke arah manapun.
Solusinya:
-          Melakukan langkah balik (backtracking) ke simpul yang lebih awal dan mencoba bergerak ke arah yang lain.
-          Melakukan lompatan besar ke suatu arah untuk mencoba bagian ruang pencarian yang baru.
-          Menerapkan dua atau lebih aturan sebelum melakukan uji coba. Ini bersesuaian dengan bergerak ke beberapa arah sekaligus.

Contoh:

Disini ruang keadaan berisi semua kemungkinan lintasan yang mungkin. Operator digunakan untuk menukar posisi kota-kota yang bersebelahan. Apabila ada n kota, dan kita ingin mencari kombinasi l intasan dengan menukar posisi urutan 2 kota, maka kita akan mendapatkan sebanyak: 

atau sebanyak 6 kombinasi (lihat gambar dibawah). Fungsi heuristic yang digunakan adalah panjang lintasan yang terjadi 

Sumber:

http://fryunfirst.blogspot.co.id/2015/06/pencarian-heuristik-heuristic-search.html

http://cikalinspirasi.blogspot.co.id/2013/05/algoritma-dept-first-search-dfs.html

http://tioramadhani.blogspot.co.id/2015/04/algoritma-metode-pencarian-buta.html

http://najibzot.blogspot.co.id/p/teknik-searching-kecerdasan-buatan-di.html

http://yoursknowladge.blogspot.co.id/2015/04/makalah-algoritma-breadth-first-search.html

Natural Language Processing ( NLP )

• Definisi NLP

Natural Language Processing merupakan operasi komputer menggunakan bahasa alami manusia misalnya bahasa inggris yang sering digunakan untuk menerima suatu respons maupun memberikan suatu instruksi.  Natural Language Processing  juga bisa diartikan suatu formulasi dan penelitian terhadap suatu mekanisme perhitungan yang efektif pada suatu  komputer agar bisa berinteraksi atau  berkomunikasi dengan menggunakan bahasa alami. Mekanisme ini melibatkan natural language generation (NLG) dan understanding. Sebuah arsitektur yang memuat tentang salah satu natural language generator maupun Natural Language Understanding (NLU) dapat dikatakan memuat tentang  Natural Language Processing. Apabila user dapat berinteraksi dengan komputer dengan  bahasa alami maka terbukti  arsitektur tersebut mempunyai Natural Language Processing didalamnya. Secara teori kebanyakan arsitektur dapat diterapkan ke dalam suatu  program dengan suatu  cara tertentu agar dapat mendukung Natural Language Processing. Misalnya dengan cara  mengimplementasikan arsitektur yang sudah ada untuk menunjukan apakah arsitektur tersebut  mendukung Natural Language Processing atau tidak. Penggunaan bahasa alami di dunia komputer biasanya digunakan pada sebuah laporan  misalnya prakiraan cuaca, laboratorium medis dan lain-lain.

• Tahap-tahap NLP

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 dilakukan analisis berdasarkan komponennya, dan token yang tidak termasuk, seperti tanda baca dipisahkan dari kata-kata yang ada. Analisis ini memperhatikan arti dari setiap komponen yang ada  membentuk suatu kata. Analisis morfologi sangat penting untuk menentukan aturan kata yang ada dalam pada kalimat, termasuk tata bahasa.

b. Syntax Analysis

Urutan-mutan linear dari kata-kata diubah menjadi struktur yang menunjukkan bagaimana satu kata berhubungan dengan kata yang lain.Dimana analisis ini mempelajari aturan untuk menggabungkan kata menjadi frase dan kalimat, serta menggunakan aturan tersebut untuk menguraikan (parse) dan membentuk kalimat. Level analisis ini yang lebih banyak berhasil.

c. Semantic Analysis

Struktur yang diciptakan dari hasil  analisis sintaksis akan diperiksa arti yang sebenarnya. Kalau struktur tersebut tidak memenuhi persyaratan kaidah bahasa, maka kalimat tersebut dapat dianggap anomali semantik

.

d. Discourse Integration

Mungkin saja arti dari suatu kalimat bergantung dari kalimat sebelumnya dan mungkin dapat mempengaruhi kalimat-kalimat selanjutnya.

e. Pragmatics Analysis

Meinterpretasikan lagi apa yang di katakan dimana sebelumnya telah direpresentasikan oleh struktur tersebut guna untuk menentukan apa yang dimaksud sebenarnya.

Batasan-batasan dari kelima fase ini kadang-kadang belum jelas. Fase tersebut kadang dilakukan secara bertahap, tetapi kadang-kadang dilaksanakan sekaligus.

• Aplikasi NLP

Secara umum, Jenis aplikasi yang bisa dibuat dalam bidang ilmu NLP terbagi dua, yaitu text-based application dan dialogue-based application.

Text-based application adalah segala macam aplikasi yang melakukan proses terhadap teks tertulis seperti misalnya dokumen, e-mail, buku dan sebagainya. Beberapa jenis aplikasi NLP yang berbasis teks :

1. Programs for classifying and retrieving documents by content

Program yang mampu mengklasifikasi dan mengambil isi dari suatu dokumen berdasarkan kontennya. Seperti spam filtering (pemfilteran pesan sampah), language identification (identifikasi bahasa), dan lain-lain.

2. Machine Translation

Program yang mampu mentranslasi kalimat baik berupa teks maupun suara dari satu bahasa alami ke bahasa lainnya. Contoh : Google Translate.

Dialogue-based application idealnya melibatkan bahasa lisan atau pengenalan suara, akan tetapi bisa juga memasukan interaksi dialog dengan mengetikkan teks pertanyaan melalui keyboard. Contoh :

1. Intelligent personal assistant

Perangkat lunak yang mampu melakukan tugas-tugas dan jasa berdasarkan inputan dari pengguna, lokasi, dan memiliki kemampuan untuk mengakses informasi dari berbagai sumber online (seperti cuaca, keadaan lalu lintas, berita, saham, dll). Contohnya adalah Siri pada produk-produk Apple dan S-Voice pada produk-produk seluler Samsung.

2. Chatbot

Chatbot adalah program komputer yang didesain untuk mensimulasikan sebuah percakapan cerdas dengan satu atau lebih pengguna manusia melalui inputan suara atau teks, utamanya digunakan untuk percakapan kecil. Contoh : Cleverbot, SimSimi, dan begobet.

Sumber : 

http://library.binus.ac.id/eColls/eThesisdoc/Bab2DOC/2003-1-20005-IF%20bab%202.doc

http://thesis.binus.ac.id/Asli/Bab2/2010-1-00110-if%20bab%202.pdf

INTERNATIONAL JOURNAL OF TECHNOLOGY ENHANCEMENTS AND EMERGING ENGINEERING RESEARCH, VOL 1, ISSUE 4 131 ISSN 2347-4289

Sistem Pakar

•  Definisi Sistem Pakar

Sistem pakar adalah salah satu cabang dari AI yang membuat penggunaan secara luas knowledge yang khusus untuk penyelesaian masalah. Seorang pakar adalah orang yang mempunyai keahlian dalam bidang tertentu,yaitu pakar yang mempunyai knowledge atau kemampuan khusus yang orang lain tidak mengetahui atau mampu dalam bidang yang dimilikinya. Ketika sistem pakar dikembangkan pertama kali sekitar tahun 70-an sistem pakar hanya berisi knowledge. Namun demikian sekarang ini istilah sistem pakar sudah di gunakan untuk berbagai macam sistem yang menggunakan teknologi sistem pakar itu. Profesor Edward Fieganbaum(1982 : 1) dari Universitas Stanford sebagai seorang pelopor awal dari teknologi sistem pakar, mendefinisikan sistem pakar sebagai "… suatu program komputer cerdas yang menggunakan knowledge dan prosedur inferensi untuk menyelesaikan masalah yang cukup sulit sehingga membutuhkan seorang yang ahli untuk menyelesaikannya.

• Struktur Sistem Pakar

Sistem pakar disusun oleh dua bagian yaitu lingkungan pengembangan dan lingkungan konsultasi. lingkungan pengembangan sistem pakar digunakan untuk memasukan knowledge  pakar ke dalam lingkungan sistem pakar, sedangkan lingkungan konsultasi digunakan oleh pengguna yang bukan pakar guna memperoleh knowledge pakar.

Komponen utama pada struktur sistem pakar meliputi:

1.    Basis Pengetahuan (Knowledge Base)

Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui. Menurut Gondran (1986) dalam Utami (2002), basis pengetahuan merupakan representasi dari seorang pakar, yang kemudian dapat dimasukkan kedalam bahasa pemrograman khusus untuk kecerdasan buatan (misalnya PROLOG atau LISP) atau shell sistem pakar (misalnya EXSYS, PC-PLUS, CRYSTAL, dsb.)

2.    Mesin Inferensi (Inference Engine)

Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi penalaran dan strategi pengendalian.
Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada keadaan sebaliknya.
Strategi pengendalian berfungsi sebagai panduan arah dalam melakukan prose penalaran. Terdapat tiga tehnik pengendalian yang sering digunakan, yaitu forward chaining, backward chaining, dan gabungan dari kedua tehnik pengendalian tersebut.

3.    Basis Data (Database)

Basis data terdiri atas semua fakta yang diperlukan, dimana fakta-fakta tersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam sistem. Basis data menyimpan semua fakta, baik fakta awal pada saat sistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saat proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan untuk menyimpan data hasil observasi dan data lain yang dibutuhkan selama pemrosesan.

4.    Antarmuka Pemakai (User Interface)

Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai dengan sistem.

• Beberapa Contoh Sistem Pakar

1.      MYCIN
Memberikan diagnosa dan solusi pengobatan penyakit.

2.      MACSYMA
Menangani masalah matematika.

3.      DENDRAL
Mengidentifikasi struktur molekular campuran yang tidak dikenal.

4.      XCON&XSEL
Membantu konfigurasi sistem komputer besar.

5.      SOPHIE
Melakukan analisis sirkuit elektronik.

6.      Prospector
Membantu mencari dan menemukan deposit dalam geologi.

7.      FOLIO
Membantu memberikan keputusan bagi seorang manajer dalam hal stok broker dan investasi.

8.      DELTA
Pemeliharaan lokomotif disel.

• Kelebihan & Kekurangan Sistem Pakar

Sistem pakar sekarang banyak digunakan baik pada aplikasi bisnis maupun apikasi lainnya. Akan tetapi perlu juga diketahui bahwa seperti halnya sistem yang lainnya, selain memberikan banyak kelebihan, sistem pakar juga mempunyai beberapa kelemahan. 

Kelebihan-kelebihan dari sistem pakar secara umum adalah sebagai berikut:

1. Memberikan pengambilan keputusan yang lebih baik. Karena sistem pakar memberikan jawaban yang konsisten dan logis dari waktu ke waktu. Jawaban yang diberikan logis karena alasa logiknya dapat diberikan oleh sistem pakar dalam proses konsultasi.

2. Memberikan solusi tepat waktu. Kadang kala seorang manajer membutuhkan jawaban dari pakar, tetapi pakar yang dibutuhkan tidak berada ditempat, sehingga keputusan menjadi terlambat. Dengan sistem pakar, jawaban yang dibutuhkan oleh pengambil keputusan selalu tersedia setiap saat dibutuhkan.

3. Menyimpan pengetahuan di organisasi. Pengetahuan pakar merupakan hal yang penting dan kadang kala pengetahuan iniakan hilang jika pakar keluar atau telah pensiun dari perusahaan. Dengan sistem pakar, pengetahuan dari pakar dapat disimpan di sistem pakar dan tersedia terus selama dibutuhkan.

Kekurangan-kekurangan dari sistem pakar adalah sebagai berikut:

1. Sistem pakar hanya dapat menangani pengetahuan yang konsisten. Sistem pakar dirancang dengan aturan-aturan yang hasilnya sudah pasti dan konsisten sesuai dengan alur di diagram pohonnya. Untuk pengetahuan yang cepat berubah-rubah dari waktu ke waktu, maka knowledge base di sistem pakar harus selalu diubah (perbaruired), yang tentu cukup merepotkan.

2. Sistem pakar tidak dapat menangani hal yang bersifat judgement. Sistem pakar memberikan hasil yang pasti, sehingga keputusan akhir pengambilan keputusan jika melibatkan kebijaksaaan dan institusi masih tetap di tangan manajemen.

3. Format knowledge base sistem pakar terbatas. Knowledge base pada sistem pakar berisi aturan-aturan (rules) yang ditulis dalam bentuk statemen if-then.

SUMBER:
Jurnal Teknologi Informasi DINAMIK Volume XIII, No.2, Juli 2008 : 115-124 ISSN : 0854-9524

Dym, Clive L & Levitt, Raymond E, Knowlegde-Based Systems in Engineering, McGraw-Hill, Singapore, 1991

Endra Pitowarno, Robotika: Disain, Kontrol, dan Kecerdasan Buatan, Andi, Yogyakarta, 2006.

 Giarratano, J and G. Riley, Expert System : Principle and Programming, 4th ed, PWS Kent, USA,2004

Program Membuat Garis Vertikal, Horizontal dan Diagonal dengan Menggunakan Java dan OpenGL

Tugas mata kuliah Grafik Komputer & Pengolahan Citra untuk membuat program garis horizontal,vertikal dan diagonal  menggunakan Java dan OpenGL.

download link pdf dibawah ini:

https://drive.google.com/open?id=0BzP_uTpArHducS14QXo1Z1JNN00

Definisi PEAS (Performance Measure, Environment, Actuators dan Sensor)

PEAS adalah singkatan dari Performance Measure, Environment, Actuators, dan Sensor. Dimana harus dispesifikasikan terlebih dahulu mengenai rancangan intelligent agent.

1. Performance Measure

Performance Measure/Pengukuran Kinerja adalah suatu proses penilaian kemajuan pekerjaan terhadap tujuan dan sasaran yang telah ditentukan sebelumnya. Dengan kata lain performance measure merupakan keberhasilan suatu agent.

2. Environment

Environment adalah suasana/kondisi yang terbentuk akibat interaksi semua elemen-elemen seperti benda mati, hidup atau abstrak. 

3. Actuators

Actuator/Aktuator adalah sebuah peralatan mekanis untuk menggerakkan atau mengontrol sebuah mekanisme atau sistem. 

4. Sensor 

Sensor adalah tiruan dari indra pada makhluk

Misalkan untuk task yang disusun untuk agent sistem diagnosis medis:
Performance Measure : Kesehatan Pasien, Biaya minimal, Hukum
Environment: Pasien, Rumah Sakit, Staf
Actuator : Tampilan Layar (Pertanyaan, Tes, Diagnosa, Perawatan, Rujukan)
Sensors : Keyboars(Entri gejala, pencarian penyakit, jawaban untuk pasien)

SUMBER:

http://tiindonesia.blogspot.co.id/2013/01/peas.html

http://maisarohmae23.blogspot.co.id/2016/09/pengertian-peas-dan-cara-kerja-jenis.html

http://arismunawarslalu.blogspot.co.id/2011/05/pengertian-dan-komponen-lingkungan.html

irhamworld.blogspot.co.id

Pengenalan Intelligent Agents (Definisi, Konsep serta Contohnya)

1. Definisi Agent

Pengertian sebuah Agent adalah segala sesuatu yang dapat dipandang sebagaimana mengamati lingkungannya melaluisensor dan bertindak atas lingkungan yang melalui efektor. Agen manusia memiliki mata, telinga, dan organ lain untuk sensor, dan tangan, kaki, mulut, dan bagian tubuh lainnya untuk efektor. Sebuah pengganti agen robot kamera dan berbagai pencari inframerah untuk sensor dan berbagai motor untuk efektor. Dapat digambarkan secara sederhana sebagai berikut:

Dalam kecerdasan buatan, intelligent agent (IA) adalah sebuah entitas otonom yang mengamati dan bertindak atas lingkungan (yaitu membutuhkan agen) dan mengarahkan aktivitasnya untuk mencapai tujuan  yaitu rasional. Intelligent agen juga dapat belajar atau menggunakan pengetahuan untuk mencapai tujuan mereka. Russell & Norvig (2003) mengartikan Rational Agent  yang mengerjakan segala sesuatu hal dengan benar. Agen Intelligentmenurut Nikola Kasabov adalah bahwa Agent harus menunjukkan karakteristik berikut.:

·         mengakomodasi pemecahan masalah baru aturan bertahap

·         beradaptasi online dan real time

·         mampu menganalisis sendiri dalam hal perilaku, kesalahan dan kesuksesan.

·         belajar dan meningkatkan melalui interaksi dengan lingkungan (perwujudan)

·         belajar dengan cepat dari sejumlah besar data

·         memiliki penyimpanan memori berbasis contoh dan kapasitas pengambilan

·         memiliki parameter untuk mewakili umur pendek dan jangka panjang memori.

2.      Konsep Agents

1)      Rational Agent

·         Definisi:
Rational agent: suatu agent yang selalu bertindak memaksimalkan ukuran kinerja, mengingat apa yang ia amati tentang lingkungan (sejarah input) dan pengetahuan lain yang dimilikinya.

·         Rational tidak berarti sempurna: ada aspek lingkungan yang tidak diketahui, di luar kendali.

·         Terkadang agent bermulai tanpa pengetahuan lingkungan → exploration, learning, autonomy.

2)      Task Environment

Ketika merancang sebuah agent, kita harus mendefinisikan lingkungan masalah (task environment), yakni:

·         Performance measure: apa saja yang menjadi ukuran kinerja agent?

·         Environment: di manakah agent berperan?

·         Actuators: apa saja yang bisa dilakukan si agent?

·         Sensors: apa saja yang menjadi perantara input untuk agent?

·         PEAS

Contoh: Agent taksi otomatis

Bayangkan sebuah agent taksi otomatis yang menerima penumpang dan mengantarkannya ke tujuan.

·         Performance measure: keamanan, kecepatan, legalitas, kenyamanan perjalanan, keuntungan

·         Environment: jalanan, lampu merah, lalulintas, pejalan kaki, cuaca

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

·         Sensors: kamera, sonar, speedometer, GPS, odometer, accelerometer, mesin sensor, keyboard

Jenis environment

·         Fully-observable vs. partially-observable: semua info relevan diketahui?

·         Deterministic vs. stochastic: next state = current state + action?

·         Episodic vs. sequential: apakah tergantung sejarah?

·         Static vs. dynamic: environment berubah jika agent tidak bertindak?

·         Discrete vs. continuous: bisa terhadap sifat state, percept, action.

·         Single agent vs. multiagent: apakah ia kawan (kooperatif) atau lawan (kompetitif)?

·         Tentunya, dunia nyata kita partially-observable, stochastic, sequential, dynamic, continuous, dan multiagent.

3)      Struktur sebuah agent

·         Agent function

Sebuah fungsi yang memetakan sejarah input (percept sequence) terhadap tindakan yang dilakukan (action)

f : P* → A     

·         Agent program

Sebuah program yang mengimplementasikan fungsi f di atas arsitektur

·         Agent = Arsitektur + Program

·         Agent program menerima input percept terakhir (*mungkin* ia menyimpan percept sequence di dalam memory-nya)

3.      Contoh Agents

1)      Contoh: Taksi Otomatis

Sebuah agent taksi otomatis yang menerima penumpang dan mengantarkannya ke tujuan

·         Performance measure: sampai tujuan, tidak melanggar lalu lintas, perjalanan nyaman, hemat bensin.

·         Environment: jalan, lalu lintas, pejalan kaki, pelanggan.

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

·         Sensors: video, speedometer, GPS, keyboard.

2)      Contoh: Medical Diagnosis System

Sebuah agent Medical Diagnosis System yang mendiagnosa pasien secara otoatis:

·         Performance measure: pasien sembuh, biaya murah, tidak menyalahi hukum.

·         Environment: pasien, rumah sakit, suster, dokter.

·         Actoators: layar monitor (pertanyaan, test, diagnosa, treatment, petunjuk).

·         Sensors: keyboard (masukkan gejala penyakit, jawaban pasien).

3)      Contoh: Robot Pabrik Penjamin Mutu

Sebuah robot yang melakukan pemisahan komponen yang bermutu tinggi pada  ban berjalan ke dalam kotak berbeda

·         Performance measure: presentase jumlah komponen yang diletakkan pada kotak yang benar.

·         Environment: ban berjalan, komponen yang diuji, kotak.

·         Actuators: gerak lengan dan tangan robot.

·         Sensors: kamera, sensor fisik.

4)      Contoh: Interactive English Tutor

Sebuah agent tutor yang memberikan latihan english secara interaktif

·         Performance measure: nilai skor maksimal.

·         Environment: para siswa.

·         Actuators: laya monitor (latihan, saran koreksi).

·         Sensors: keyboard.

SUMBER:

https://layangantw.wordpress.com/2014/10/26/konsep-intellegent-agents/

http://yogipratama97.blogspot.co.id/2016/10/pengenalan-intelligent-agents.html

http://artikel-teknologi-informasi.blogspot.co.id/2012/11/pengertian-agent-pada-ai-artificial.html

Definisi, Sejarah & Contoh Artificial Intelligence (Kecerdasan Buatan)

• Definisi Artificial Intelligence

Artificial Intelligence atau yang lebih sering disingkat dengan AI merupakan kecerdasan buatan/bikinan atau sebuah kecerdasan yang ditanamkan dalam sistem yang dapat dikelola dalam konteks ilmiah atau Artificial Intelligence (inteligensi artifisial). AI bisa juga diartikan sebagai kecerdasan yang berwujud ilmiah. Sistem yang dibenamkan AI biasanya adalah sistem yang berkaitan dengan komputer atau robot.

AI sendiri dibuat dan dibenamkan dalam mesin komputer supaya ia bisa mengerjakan pekerjaan layaknya manusia. Hal ini tentu saja akan mempermudah dan mempersingkat suatu pekerjaan agar lebih praktis dan efisien dalam menghemat waktu pengerjaan. Namun begitu, bukan berarti AI adalah robot yang selalu bekerja membantu manusia. Tetapi AI juga termasuk dalam pelbagai bidang seperti sistem expert, logika fuzzy, video games (permainan), robotika dan syaraf tiruan.

Menurut beberapa ahli definisi Artificial Intelligence yaitu:

# H. A. Simon [1987] :

“ Kecerdasan buatan (artificial intelligence) merupakan kawasan penelitian, aplikasi dan instruksi yang terkait dengan pemrograman komputer untuk melakukan sesuatu hal yang -dalam pandangan manusia adlah cerdas”

# Rich and Knight [1991]:

“Kecerdasan Buatan (AI) merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia.”

Meski Artificial Intelligence mempunyai konotasi fiksi ilmiah kuat yang membentuk cabang yang terbilang pokok didalam ilmu komputer, termasuk yang bersangkut paut dengan perilaku, pembelajaran serta adaptasi cerdas sebuah mesin. Penelitian dalam AI sangat berkaitan dengan proses pembikinan mesin guna mengotomatisasikan pekerjaan yang memerlukan kecerdasan. Misalnya adalah

1. Pengendalian

2. Perencanaan

3. Penjadwalan

4. Kemampuan dalam menjawab diagnosis atau pertanyaan

5. Pengenalan wajah, suara dan tulisan

• Sejarah Artificial Intelligence 

Era Komputer Elektronik (1941)

Pada tahun 1941 telah ditemukan alat penyimpanan dan pemrosesan informasi. Penemuan tersebut dinamakan komputer elektronik yang dikembangkan di USA dan Jerman. Komputer pertama ini memerlukan ruangan yang luas dan ruang AC yang terpisah. Saat itu komputer melibatkan konfigurasi ribuan kabel untuk menjalankan suatu program. Hal ini sangat merepotkan para programmer.


Pada tahun 1949, berhasil dibuat komputer yang mampu menyimpan program sehingga membuat pekerjaan untuk memasukkan program menjadi lebih mudah. Penemuan ini menjadi dasar pengembangan program yang mengarah ke AI.

Masa - Masa Persiapan AI (1943 - 1956 )

Pada tahun 1943, Warren McCulloch dan Walter Pitt mengemukakan tiga hal : pengetahuan fisiologi dasar dan fungsi sel syaraf dalam otak, analisa formal tentang logika proposisi, dan teori komputasi Turing. Mereka berhasil membuat suatu model sel syaraf tiruan di mana setiap sel syaraf digambarkan sebagai ‘on’ dan ‘off’. Mereka menunjukkan bahwa setiap fungsi dapat dihitung dengan suatu jaringan sel syaraf dan bahwa semua hubungan logis dapat diimplementasikan dengan struktur jaringan yang sederhana.

Pada tahun 1950, Nobert Wiener membuat penelitian mengenai prinsip-prinsip teori feedback. Contoh yang terkenal adalah thermostat. Penemuan ini juga merupakan awal dari perkembangan AI.

Pada tahun 1956, John McCarthy meyakinkan Minsky, Claude Shannon dan Nathaniel Rochester untuk membantunya melakukan penelitian dalam bidan Otomata, Jaringan Syaraf dan pembelajaran intelijensia. Mereka mengerjakan proyek ini selama 2 bulan di Dartsmouth. Hasilnya adalah program yang mampu berpikir non-numerik dan menyelesaikan masalah pemikira, yang dinamakan Principia Mathematica. Hal ini menjadikan McCarthy disebut sebagai Father of AI (Bapak AI).

Awal Perkembangan AI ( 1952 - 1969 )

Pada tahun-tahun pertama perkembangannya, AI mengalami banyak kesuksesan. Diawali dengan kesuksesan Newell dan Simon dengan ssebuah program yang disebut General Problem Solver. Program ini dirancang untuk memulai penyelesaian masalah secara manusiawi.

Pada tahun 1958, McCarthy di MIT AI Lab Memo No.1 mendefinisikan bahasa pemrograman tingkat tinggi yaiyu LISP, yang sekarang mendominasi pembuatan program-pogram AI. Kemudian, McCarthy membuat program yang dinamakan Programs with Common Sense. Di dalam program tersebut, dibuat rancangan untuk menggunakan pengetahuan dalam mencari solusi.

Pada tahun 1959, Nathaniel Rochester dari IBM dan mahasiswa-mahasiswanya mengeluarkan program AI yaitu Geometry Theorm Prover. Program ini dapat mengeluarkan suatu teorema menggunakan aksioma-aksioma yang ada.

Pada tahun 1963, program yang dibuat James Slagle mampu menyelesaikan masalah integral tertutup untuk mata kuliah Kalkulus.

Pada tahun 1986, program analogi buatan Tom Evan menyelesaikan masalah analogi geometris yang ada pada tes IQ.

Perkembangan AI Melambat ( 1966 - 1974 )

Perkembangan AI melambat disebabkan adanya 3 kesulitan utama yang dihadapi AI, yaitu :

1. Program-program AI yang bermunculan hanya mengandung sedikit atau bahkan tidak mengandung sama sekali pengetahuan (knowledge) pada subjeknya. Programm-program AI berhasil hanya karena manipulasi sederhana. Sebagai contoh adalah Weizenbaum’s ELIZA program (1965) yang dapat melakukan percakapan serius pada berbagai topic, sebenarnya hanyalah peminjaman manipulasi kalimat-kalimat yang diketikkan manusia.

2. Banyak masalah yang harus diselesaikan oleh AI.

3. Ada beberapa batasan pada struktur dasar yang digunakan untuk menghasilkan perilaku intelijensia.

Sistem Berbasis Pengetahuan ( 1969 - 1979 )

Pengetahuan adalah kekuatan pendukung AI. Hal ini dibuktikan dengan program yang dibuat oleh Ed Feingenbaum, Bruce Buchanan dan Joshua Lederberg yang membuat program untuk memecahkan masalah struktur molekul dari informasi yang didapatkan dari spectrometer massa. Program ini dinamakan Dendral Programs yang berfokus pada segi pengetahuan kimia. Dari segi diagnose medis juga sudah ada yang menemukannya, yaitu Sau Amarel dalam proyek Computer in Biomedicine. Proyek ini diawali keinginan untuk mendapatkan diagnose penyakit berdasarkan pengetahuan yang ada pada mekanisme penyebab proses penyakit.

AI Menjadi Sebuah Industri ( 1980 - 1988 )

Industrialisasi AI diawali dengan ditemukannya system pakar yang dinamakan R1 yang mampu mengkonfigurasi system-sistem computer baru. Program tersebut mulai dioperasikan di Digital Equipment Corporation (DEC), McDermott, pada tahun 1982.

Pada tahun 1986, R1 telah berhasil menghemat US$ 40 juta per tahun.

Pada tahun 1988, kelompok AI di DEC menjalankan 40 sistem pakar. Hampir semua perusahaan besar di USA mempunyai divisi AI. Sehingga perusahaan yang sejak tahun 1982 hanya menghasilkan beberapa juta US dolar per tahun meningkat menjadi 2 milyar US dolar per tahun pada tahun 1988.

Kembalinya Jaringan Syaraf Tiruan ( 1986 - Sekarang )

Meskipun bidang ilmu computer menolak jaringan syaraf tiruan setelah diterbitkannya buku “Perceptrons” karangan Minsky dan Papert, tetapi para ilmuwan masih mempelajari bidang ilmu tersebut dari sudut pandang yang lain yaitu fisika. Para ahli fisika seperti Hopfield (1982) menggunakan teknik-teknik mekanika statistika untuk menganalisa sifat-sifat pentimpanan dan optimasi pada jaringan syaraf. Para ahli psikologi, David Rumelhart dan Geoff Hinton, melanjutkan penelitian mengenai model jaringan syaraf tiruan pada memori.

Pada tahun 1985-an setidaknya empat kelompok riset menemukan kembali algoritma belajar propagasi balik (Black-Propagation Learning). Algoritma ini berhasil diimplementasikan ke dalam bidang ilmu computer dan psikologi.

AI Saat Ini 

Dengan semakin pesatnya perkembangan hardware dan software, berbagai produk AI telah berhasil dibangun dn digunakan dalam kehidupan sehari-hari. Di sini, produk-produk tersebut dikelompokkan ke dalam empat teknik yang ada di AI, yaitu searching, reasoning, planning, dan learning.

• Contoh Artificial Intelligence

1.      Natural Language Processing (NLP)

NLP mempelajari bagaimana bahasa alami itu diolah sedemikian hingga user dapat berkomunikasi dengan komputer. Konsentrasi ilmu ini adalah interaksi antara komputer dengan bahasa natural yang digunakan manusia, yakni bagaimana komputer melakukan ekstraksi informasi dari input yang berupa natural language dan atau menghasilkan output yang juga berupa natural language, misalnya pada system Automated online assistant

2.  Computer Vision

Cabang ilmu ini erat kaitannya dengan pembangunan arti/makna dari image ke obyek secara fisik. Yang dibutuhkan didalamnya adalah metode-metode untuk memperoleh, melakukan proses, menganalisa dan memahami image. Apabila cabang ilmu ini dikombinasikan dengan Artificial Intelligence secara umum akan mampu menghasilkan sebuah visual intelligence system. Akuisisi dan pemrosesan informasi berupa vision 

3.         Game Playing

Game biasanya memiliki karakter yang dikontrol oleh user, dan karakter lawan yang dikontrol oleh game itu sendiri. Dimana kita harus merancang aturan-aturan yang nantinya akan dikerjakan oleh karakter lawan. Game akan menjadi menarik apabila karakter lawan (non-player) bereaksi dengan baik terhadap apa yang dilakukan oleh player. Hal ini akan memancing penasaran user dan membuat game menarik untuk dimainkan. Tujuan intinya adalah membuat non-player memiliki strategi yang cerdas untuk mengalahkan player. Pada bidang ini,  AI dibutuhkan, yaitu untuk merancang dan menghasilkan game yang fun serta antarmuka antara man-machine yang cerdas dan menarik untuk dimainkan.

beberapa video nya :

SUMBER : 

http://www.homefage.ga/2016/06/pengertian-contoh-artificial-intelligence-ai.html

https://aiukswgkelompok11.wordpress.com/definisi-artificial-intelligence/

http://socs.binus.ac.id/2012/06/06/mengenal-kecerdasan-buatan-kini-dan-akan-datang/

http://aldririzkykurniawanark.blogspot.co.id/2016/01/sejarah-dan-perkembangan-ai.html

http://blog.rumahproject.com/2016/11/27/contoh-penerapan-kecerdasan-buatan-ai-dalam-kehidupan/

https://www.youtube.com

ARTIKEL SERVICE LEVEL AGREEMENT (SLA) DAN OPERATIONAL LEVEL AGREEMENT (OLA)

1       1. SLA

    

SLA singkatan dari Service Level Agreement atau jika diterjemahkan adalah, Perjanjian Tingkat Layanan , Pengertian SLA adalah bagian dari perjanjian layanan secara keseluruhan antara 2 dua entitas untuk peningkatan kinerja atau waktu pengiriman harus di perbaiki selama masa kontrak. Dua entitas tersebut biasanya dikenal sebagai penyedia layanan dan klien, dan dapat melibatkan perjanjian secara hukum karena melibatkan uang, atau kontrak lebih informal antara unit-unit bisnis internal.

SLA ini biasanya terdiri dari beberapa bagian yang mendefinisikan tanggung jawab berbagai pihak, dimana layanan tersebut bekerja dan memberikan garansi, dimana jaminan tersebut bagian dari SLA memilikitingkat harapan yang disepakati, tetapi dalam SLA mungkin terdapat tingkat ketersediaan, kemudahan layanan, kinerja, operasi atau tingkat spesifikasi untuk layanan itu sendiri. Selain itu, Perjanjian Tingkat Layanan akan menentukan target yang ideal, serta minimum yang dapat diterima.

Mengapa SLA dibutuhkan

SLA dibutuhkan jika dilihat dari sisi Penyedia layanan adalah sebagai jaminan atas service yang diberikan kepada klien, sehingga klien tersebut bisa puas atas layanan yang diberikan, dampak lain yang akan muncul dari sisi penyedia layanana adalah konsep pemasaran tradisional yaitu pemasaran dari mulut ke mulut , maksudnya adalah klien akan memberikan rekomendasi kepada temannya/ rekan lainnya bahwa layanan yang diberikan oleh penyedia tersebut bagus, sehingga berharap teman/ rekan lainnya mau berlangganan kepada provider/ penyedia layanan tersebut

Dari sisi Klien adalah menjamin aspek ketersedian  (availability) informasi(kalau kita mengacu kepada konsep informasi yang berkualias, adalah mengacu kepada availability, accurate, Update). Sehingga pihak klien merasa terbantu dengan ketersediaan layanan yang diberikan oleh pihak provider, sehingga proses pengelolaan data/ informasi dengan pihak-pihak terkait (customer/ vendor) berjalan lancar & tidak terganggu karena layanan itu mati, bisa dibayangkan jika klien tersebut adalah sebuah institusi perbankan (dimana layanan yang dibutuhkan adalah 24 jam , dengan kata lain layanan internet nya tidak boleh down (mati), dan bisa dibayangkan juga jika layanan dari perbankan itu down (mati), akibatnya dari aspek pemasaran nasabahnya dari bank tersebut tidak akan percaya , sehingga dampak yang paling tragis adalah nasabah tersebut akan berpindah kepada layanan dari bank lain ?, begitupula layanan-layanan lainnya seperti Perguruan tinggi, yang nantinya akan berdampak kepada image yang kurang baik dari perguruan tinggi tersebut.

SLA sebagai layanan untuk Aplikasi Bisnis

Dengan mengetahui hal itu, diharapkan tingkat pelayanan dan juga tingkat minimum, pelanggan dapat menggunakan layanan dengan maksimal. Hal ini juga sangat membantu jika klien adalah perantara, yang menjual kembali atau bundling dengan pelayanan yang lebih besar yang sedang dijual. SLA telah digunakan sejak awal 1980-an oleh perusahaan telepon dengan pelanggan dan reseller yang lebih besar perusahaannya dengan pelayanan mereka. Konsep “tertangkap” dari bisnis unit dan usaha lainnya dalam perusahaan besar mulai menggunakan istilah dan pengaturan yang ideal dalam awal kontrak layanan telekomunikasi.

Ide menciptakan sebuah layanan yang lebih besar dari layanan yang lebih kecil hampir membutuhkan SLA dari penyedia jasa. Misalnya, untuk memiliki cakupan ponsel nasional, Anda tidak perlu untuk membangun menara dan antena di seluruh kota. Sebaliknya, Anda bisa menemukan perusahaan lokal dan daerah yang menawarkan layanan yang sama, menulis tentang SLA dan mengukur hasilnya. Untuk pelanggan anda, anda akan menawarkan SLA yang sama. Dalam SLA asli tidak memerlukan perusahaan dari mana anda membeli, dan anda dapat mengontrol biaya anda, ketika pelanggan mematuhi SLA yang anda buat dengan mereka. Hal ini memberikan kemampuan bagi Perusahaan untuk menggunakan banyak sub kontraktor untuk menyediakan pelayanan yang lebih besar, namun mengendalikan biaya dan sumber daya untuk menawarkan produk yang lebih besar.

Penggunaan SLA tidak terbatas pada dunia IT atau telekomunikasi – mereka juga digunakan untuk real estate, medis dan bidang apapun yang menyediakan produk atau layanan kepada pelanggan.Layanan berorientasi manusia dan bisnis memiliki kebutuhan untuk mengukur dan memikul tanggung jawab, dan SLA menyediakan pengukuran dan ide bagi entitas untuk menyepakati.

2     2. OLA

operational-level agreement (OLA) mendefinisikan hubungan saling tergantung dalam mendukung Service-level agreement (SLA). Kesepakatan tersebut menggambarkan tanggung jawab masing-masing kelompok pendukung internal terhadap kelompok pendukung lainnya, termasuk proses dan kerangka waktu untuk penyampaian layanan mereka. Tujuan OLA adalah untuk menyajikan deskripsi dukungan internal dari penyedia layanan yang jelas, ringkas dan terukur.

OLA kadang diperluas ke frase lain tapi semuanya memiliki arti yang sama:

·        organisational-level agreement

·        operating-level agreement

·        operations-level agreement

Mengelola tingkat pelayanan(Managing service levels)

Menempatkan SLA di tempat dengan konsisten UCs dan OLAs mencapai apa-apa kecuali kinerja terhadap SLA diukur, dimonitor dan dilaporkan dan sesuai tindakan-tindakan untuk mempertahankan dan terus meningkatkan layanan pengiriman. Tanggung jawab berkelanjutan SLM prihatin dengan mempertahankanhubungan yang konstruktif dan positif dengan pelanggan, mengukur dan pemantauan kinerja terhadap SLA, pelaporan dan meninjau kinerja dengan customer, berurusan dengan mengubah persyaratan dan terus-menerus berusaha untuk memperbaiki tingkat pelayanan yang mana ini biaya-efektif. Ini bukanlah suatu hubungan satu sisi, namun. SLM juga memiliki tanggung jawab untuk membantu para pelanggan dan membuat bisnis penggunaan paling efektif dan memenuhi kewajiban mereka termasuk dalam SLA.

Pertemuan SLA(SLA review meetings)

Pertemuan rutin dengan pelanggan adalah bagian pusat dari SLM. Mereka yang tidak hanya kesempatan untuk melaporkan dan meninjau kinerja, meskipun ini adalahsalah satu isu-isu kunci. Ini pada dasarnya adalah tentang membangun dan memelihara hubungan.

Pertemuan adalah sebuah forum untuk bertukar informasi tentang isu-isu yang menjadi perhatian, seperti kebutuhan untuk pelatihan pengguna atau mengkhawatirkantren di kinerja atau beban kerja. Mereka memberikan kesempatan bagi penyedia layanan IT dan nasabah untuk berbagi rencana mereka untuk perubahan di masa depan: Bisnis mungkin berencana ekspansi dalam penggunaan; mungkin ada proposal yang relevan di depan jadwal perubahan;mungkin berencana untuk menggantikan Layanan kunci komponen atau memperkenalkan unsur manajemen layanan baru.

  PERBEDAAN SLA DAN OLA

1.     Service Level Agreement berfokus pada bagian layanan dari perjanjian, seperti uptime layanan dan kinerja. Di sisi lain, Perjanjian Tingkat Operasional adalah kesepakatan sehubungan dengan pemeliharaan dan layanan lainnya.

2.     Service Level Agreement pada dasarnya adalah kontrak antara penyedia layanan dan pelanggan. OLA adalah kesepakatan antara kelompok pendukung internal sebuah institusi yang mendukung SLA.

3.     Saat membandingkan kelompok sasaran, OLA memiliki kelompok sasaran lebih kecil daripada SLA.

4.     Berbeda dengan OLA, SLA menghubungkan penyedia layanan ke pelanggan.

5.     Perjanjian Tingkat Operasional lebih bersifat teknis daripada Service Level Agreement.

CONTOH KASUS

Cara menghitung SLA, tergantung dari layanan yang diberikan , sebagai contoh yang saya ketahui beberapa provider IT  khususnya provider / penyedia layanan internet memberikan SLA antara 96% – 99%, artinya dalam 1 bulan pihak provider menjamin bahwa layanan yang diberikan adalah :

Menghitung SLA (asumsi dengan SLA 98%, artinya layanan standard mereka 98% dalam 1 bulan, dan 2% dianggap wajar jika terjadi mati (down) dalam layanan tersebut)

1 hari = 24 jam 

1 bulan = 30 hari

Biaya bulanan Internet = Rp. 1.000.000

==> 1 bulan = 30 hari x 24 jam = 720 Jam (720 jam merupakan layanan 100%)

==> Sedangkan jika 98% maka layanan standard mereka adalah

==> 98% * 720 jam = 705.6 jam (layanan standard mereka, sisanya 14.4 jam dianggap wajar jika layanan itu mati (down)
Pengertian Restitusi dan Bagaimana menghitung Restitusi

Restitusi adalah pengembalian dalam bentuk (bisa dalam bentuk pembayaran (uang), ataupun lainnya (tergantung kontrak) dari pihak penyedia layanan kepada klien.

Sebagai contoh (dengan mengambil lanjutan perhitungan diatas), jika klien mempunyai kewajiban membayar Rp. 1.000.000 :

Biaya bulanan internet = Rp. 1.000.000
SLA layanan (contoh bulan Juli)  = 76,6% (100% – 23,3%), artinya pihak provider bulan juli hanya bisa memberikan layanan internet sebesar 76,6% artinya ada selisih (98% – 76.6% = 21.3%, yang tidak bisa dipenuh oleh pihak provider)

Nah 21,3 % itu adalah hak kita u/ mendapatkan penggantian, penggantian ini biasanya dlm bentuk pengurangan pembayaran, misalkan kita bayar

1bulan Rp. 1.000.000 = untuk layanan 98% (1% sekitar Rp. 10.204)

Maka u/ layanan hanya 76.6% = 1.000.000 – (21.3% X Rp. 10.204)

=  Rp1.000.000 – Rp. 217.345

    =  Rp. 782.654

Artinya dlm bulan ini kita hanya punya kewajiban membayar sekitar Rp. 782.654

SUMBER:

https://en.wikipedia.org/wiki/Operational-level_agreement

https://bambangsuhartono.wordpress.com/2013/07/26/pengertian-dan-cara-perhitungan-sla-service-level-agreement/

https://servernesia.com/1460/apa-itu-sla/

http://www.it-checklists.com/SLA_OLA_Operations_Level_Agreement.html