Ario
Saturday, May 25, 2013
Knowledge Portlas
Fungsi search di atas membentuk dasar untuk sebagian besar publik yang sukses web portal
yang berarti bahwa sebuah portal yang sukses harus mendukung pengguna dalam pencarian efisien untuk isinya dan juga Memungkinkan pengguna untuk mencari informasi yang sebelumnya tidak dikenal untuk menjadi relevan dengan peran pengguna
Wednesday, May 22, 2013
Knowledge codification tools
knowledge codification tools
KELOMPOK E :
KELOMPOK E :
Di kasus sistem berbasis pengetahuan, perencanaan nya yang meliputi:
1. Melanggar seluruh sistem ke modul dikelola.
2. Mengingat solusi parsial dan menyukai mereka melalui aturan dan prosedur untuk mencapai solusi akhir.
3. Menentukan bahasa pemrograman (s).
4. Memutuskan pada paket perangkat lunak (s).
5. Pengujian dan validasi sistem.
6. Mengembangkan user interface.
7. Mempromosikan kejelasan, fleksibilitas, membuat aturan yang jelas.
8. Mengurangi resiko yang tidak perlu.
Atribute
|
Limitation in A KM environment
|
Flexibility
|
sistem berbasis aturan yang OK untuk sistem kecil, tapi tidak fleksibel dalam basis dengan masalah rumit yang membutuhkan variabel baru
|
Scalability
|
dengan jatuh tempo dari waktu ke waktu, sistem berbasis aturan memerlukan perubahan aturan, yang berarti bekerja dengan ahli lagi
|
Kecepatan Pembangunan
|
sistem berbasis aturan dapat dikembangkan dengan cepat, asalkan Anda memiliki ahli bersedia. sayangnya, menangkap pengetahuan sangat memakan waktu
|
ketergantungan pada domain ahli
|
menangkap pengetahuan datang secara bertahap, sering membutuhkanbeberapa draft sebelum sistem siap untuk pengujian akhir
|
Waktu respone
|
sebagai sistem berbasis aturan meningkatkan kompleksitas, waktu respone biasanya mengambil hit. ini berarti upgrade perangkat keras dan perangkat lunak, yang dapat mahal
|
Pada Tema yang kami pilih, contoh producton rulesnya meliputi :
Syntax : If (premise) Then (action)
Contoh kasus :
Premise Jika cuaca tidak menentu hujan dan kandungan nutrsi berkurang dan pertumbuhan unggas
tidak maksimal
Action Maka Unggas mengalami malnutrisi :
Atrubite
|
Object
|
value
| ||
Premise
|
IF
|
Tidak Menentu
|
Cuaca
|
Hujan
|
Nutrisi
|
Kandungan
|
Berkurang
| ||
Ungga
|
Pertumbuhan
|
Tidak Maksimal
| ||
Action
|
THEN
|
Mengalami
|
Unggas
|
malnutrisi
|
Sunday, May 19, 2013
Pengertian Agent
Pengertian Agent Pada AI (Artificial Intelligent)
Setelah sebelumnya saya membuat postingan artikel mengenai Aplikasi Artifical Intelligent Pada Lingkungan Ilmu Kesehatan dan Kedokteran, kali ini saya akan memberi sedikit pengertian mengenai Agent. Apa itu agent?
Pengertian sebuah AGENT adalah segala sesuatu yang dapat dipandang sebagaimana mengamati lingkungannya melaluisensor dan bertindak atas lingkungan yang melalui efektor. Agenmanusia memiliki mata, telinga, dan organ lain untuk sensor, dantangan, kaki, mulut, dan bagian tubuh lainnya untuk efektor. Sebuahpengganti agen robot kamera dan berbagai pencari inframerahuntuk 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,,
How Agents Should Act: Right things
Pengukuran Kinerja: mengukur seberapa kesuksesan sebuah agent. Tidak ada satu ukuran yang tetap dan sama untuk semua agen. Kita dapat menanyakan kepada agen secara subyektif tentang kenyamanan dengan kinerja agen itu sendiri. Sehingga harus ada pengukuran kinerja obyektif yang diberlakukan dengan standart otoritas tentang apa artinya sukses dalam lingkungan dan menggunakannya untuk mengukur kinerja sebuah agen.
How to evaluate agent’s success?
Mengevaluasi kinerja sangat penting. Kita harus berhati-hati untuk membedakan antara rasionalitas dan omniscience (kemahatahuan). Rasionalitas bahwa agen tahu hasil dari sebuah tindakan yang dilakukan secara rasional. Sedangkan omniscienceadalah sebuah kemustahilan dari kenyataan yang sebenarnya telah terjadi. Faktor yang mempengaruhi rasionalitas :
· Pengukuran kinarja (Performance Measure)
· Percept Sequence (persepsi urutan)
· Knowledge from Environment
· Possible Actions
When to evaluate agent’s success?
Ini mengarah ke definisi agen rasional yang ideal: Untuk setiap urutan persepsi yang memungkinkan, agen rasional yang ideal harus melakukan tindakan apapun yang diharapkan dapat memaksimalkan pengukuran kinerjanya, berdasarkan bukti yang diberikan oleh urutan persepsi dan apa pun yang yang merupakan pengetahuan built-in yang dimiliki agen.
STRUKTUR AGENT INTELLIGENCE
Tugas AI adalah untuk merancang sebuah agent yaitu sebuah fungsi yang mengimplementasikan pemetaan agen dari persepsi terhadap tindakan. Program ini akan berjalan pada beberapa jenis perangkat komputasi, yang disebut arsitektur. Secara umum, arsitektur membuat persepsi dari sensor yang tersedia untuk program, menjalankan program, dan umpan pilihan program aksi terhadap efektor seperti yang dihasilkan.
Hubungan antara agen, arsitektur, dan program dapat disimpulkan :
- Mapping : Hubungan antara Percepts and Action.
- Tugas dari AI adalah men-design Agent Program : merupakan sebuah function yang mengimplementasikan agent mapping dari percepts to action.
- Architecture menerima percepts dari sensor, menjalankan program, melakukan aksi yang dipilih action ke effectors.
- Agent = Architecture + Program
- PAGE = Percepts, Actions, Goal(s) and Environment.
Tipe Agent
Simple Reflex Agents
Gambar diatas menunjukkan struktur Simple reflex agent, struktur yang paling sederhana dalam bentuk skema, menunjukkan bagaimana aturan condition action memungkinkan agen untuk membuat sambungan dari persepsi untuk bertindak. Persegi panjang untuk menunjukkan keadaan internal saat proses keputusan agen, dan oval untuk mewakili latar belakang informasi yang digunakan dalam proses. Secara ringkat dapat disampaikan sebagai berikut:
· Memiliki rule base dalam bentuk "aksi-kondisi"
· Memiliki komponen untuk mengekstrak Fitur
· Tidak ada akses untuk menyelesaikan keadaan dunia
· Pekerjaan hanya jika keputusan yang tepat dapat dilakukan atas dasar persepsi saat ini
Setelah sebelumnya saya membuat postingan artikel mengenai Aplikasi Artifical Intelligent Pada Lingkungan Ilmu Kesehatan dan Kedokteran, kali ini saya akan memberi sedikit pengertian mengenai Agent. Apa itu agent?
Pengertian sebuah AGENT adalah segala sesuatu yang dapat dipandang sebagaimana mengamati lingkungannya melaluisensor dan bertindak atas lingkungan yang melalui efektor. Agenmanusia memiliki mata, telinga, dan organ lain untuk sensor, dantangan, kaki, mulut, dan bagian tubuh lainnya untuk efektor. Sebuahpengganti agen robot kamera dan berbagai pencari inframerahuntuk 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,,
How Agents Should Act: Right things
Pengukuran Kinerja: mengukur seberapa kesuksesan sebuah agent. Tidak ada satu ukuran yang tetap dan sama untuk semua agen. Kita dapat menanyakan kepada agen secara subyektif tentang kenyamanan dengan kinerja agen itu sendiri. Sehingga harus ada pengukuran kinerja obyektif yang diberlakukan dengan standart otoritas tentang apa artinya sukses dalam lingkungan dan menggunakannya untuk mengukur kinerja sebuah agen.
How to evaluate agent’s success?
Mengevaluasi kinerja sangat penting. Kita harus berhati-hati untuk membedakan antara rasionalitas dan omniscience (kemahatahuan). Rasionalitas bahwa agen tahu hasil dari sebuah tindakan yang dilakukan secara rasional. Sedangkan omniscienceadalah sebuah kemustahilan dari kenyataan yang sebenarnya telah terjadi. Faktor yang mempengaruhi rasionalitas :
· Pengukuran kinarja (Performance Measure)
· Percept Sequence (persepsi urutan)
· Knowledge from Environment
· Possible Actions
When to evaluate agent’s success?
Ini mengarah ke definisi agen rasional yang ideal: Untuk setiap urutan persepsi yang memungkinkan, agen rasional yang ideal harus melakukan tindakan apapun yang diharapkan dapat memaksimalkan pengukuran kinerjanya, berdasarkan bukti yang diberikan oleh urutan persepsi dan apa pun yang yang merupakan pengetahuan built-in yang dimiliki agen.
STRUKTUR AGENT INTELLIGENCE
Tugas AI adalah untuk merancang sebuah agent yaitu sebuah fungsi yang mengimplementasikan pemetaan agen dari persepsi terhadap tindakan. Program ini akan berjalan pada beberapa jenis perangkat komputasi, yang disebut arsitektur. Secara umum, arsitektur membuat persepsi dari sensor yang tersedia untuk program, menjalankan program, dan umpan pilihan program aksi terhadap efektor seperti yang dihasilkan.
Hubungan antara agen, arsitektur, dan program dapat disimpulkan :
- Mapping : Hubungan antara Percepts and Action.
- Tugas dari AI adalah men-design Agent Program : merupakan sebuah function yang mengimplementasikan agent mapping dari percepts to action.
- Architecture menerima percepts dari sensor, menjalankan program, melakukan aksi yang dipilih action ke effectors.
- Agent = Architecture + Program
- PAGE = Percepts, Actions, Goal(s) and Environment.
Tipe Agent
Simple Reflex Agents
Gambar diatas menunjukkan struktur Simple reflex agent, struktur yang paling sederhana dalam bentuk skema, menunjukkan bagaimana aturan condition action memungkinkan agen untuk membuat sambungan dari persepsi untuk bertindak. Persegi panjang untuk menunjukkan keadaan internal saat proses keputusan agen, dan oval untuk mewakili latar belakang informasi yang digunakan dalam proses. Secara ringkat dapat disampaikan sebagai berikut:
· Memiliki rule base dalam bentuk "aksi-kondisi"
· Memiliki komponen untuk mengekstrak Fitur
· Tidak ada akses untuk menyelesaikan keadaan dunia
· Pekerjaan hanya jika keputusan yang tepat dapat dilakukan atas dasar persepsi saat ini
Model Based Reflex Agent
Pengetahuan tentang "bagaimana dunia bekerja" disebut model dari dunia, maka bentuk ini dinamakan "model based reflex agent". Sebuah model based reflex agent harus menjaga semacam internal model yang tergantung pada sejarah persepsi dan dengan demikian mencerminkan setidaknya beberapa aspek yang tidak teramati negara saat ini. Kemudian memilih tindakan dengan cara yang sama sebagai agen refleks. Model ini lebih kuat daripada simple reflex agent
Goal-Based Agents
Goal based agents memperluas pada kemampuan model-based agents, dengan menggunakan "goal" informasi. Tujuan informasi menggambarkan kondisi yang diinginkan. Hal ini memungkinkan agen cara untuk memilih di antara beberapa kemungkinan, memilih satu yang mencapai negara tujuan. Search dan planing adalah sub bidang kecerdasan buatan yang ditujukan untuk urutan tindakan menemukan bahwa mencapai tujuan agen. Dalam beberapa kasus goal-based agent tampaknya kurang efisien; itu lebih fleksibel karena pengetahuan yang mendukung keputusan diwakili secara eksplisit dan dapat dimodifikasi.
Pengetahuan tentang "bagaimana dunia bekerja" disebut model dari dunia, maka bentuk ini dinamakan "model based reflex agent". Sebuah model based reflex agent harus menjaga semacam internal model yang tergantung pada sejarah persepsi dan dengan demikian mencerminkan setidaknya beberapa aspek yang tidak teramati negara saat ini. Kemudian memilih tindakan dengan cara yang sama sebagai agen refleks. Model ini lebih kuat daripada simple reflex agent
Goal-Based Agents
Goal based agents memperluas pada kemampuan model-based agents, dengan menggunakan "goal" informasi. Tujuan informasi menggambarkan kondisi yang diinginkan. Hal ini memungkinkan agen cara untuk memilih di antara beberapa kemungkinan, memilih satu yang mencapai negara tujuan. Search dan planing adalah sub bidang kecerdasan buatan yang ditujukan untuk urutan tindakan menemukan bahwa mencapai tujuan agen. Dalam beberapa kasus goal-based agent tampaknya kurang efisien; itu lebih fleksibel karena pengetahuan yang mendukung keputusan diwakili secara eksplisit dan dapat dimodifikasi.
Utility-Based Agents
“Goal” tidak cukup untuk menghasilkan perilaku berkualitas tinggi. Ada banyak urutan tindakan untuk mencapai tujuan, tetapi beberapa yang lebih cepat, lebih aman, lebih dapat diandalkan, atau lebih murah daripada yang lain. Tujuan hanya memberikan perbedaan antara kondisi "bahagia" dan "tidak bahagia", sedangkan ukuran kinerja yang lebih umum harus memungkinkan perbandingan beberapa urutan kondisi yang berbeda jika agen ingin mencapai tujuan. Terminologi yang dipergunakan untuk mengatakan bahwa jika satu kondisi lebih disukai daripada kondisi yang lain, itu mempunyai utilitas yang lebih tinggi untuk agent.
ENVIRONMENTS
Kita akan melihat bagaimana pasangan agen untuk lingkungan. Dalam semua kasus, sifat hubungan antara mereka adalah sama: tindakan yang dilakukan oleh agen pada lingkungan, yang pada gilirannya memberikan persepsi kepada agen. Pertama, kita akan menjelaskan berbagai jenis lingkungan dan bagaimana mereka mempengaruhi desain agen. Kemudian kita akan menjelaskan program-program lingkungan yang dapat digunakan sebagai testbeds untuk program agen.
Sifat-sifat environments :
· Accessible vs. inaccessible.
· Deterministic vs. nondeterministic.
· Episodic vs. nonepisodic.
· Static vs. dynamic.
· Discrete vs. continuous.
“Goal” tidak cukup untuk menghasilkan perilaku berkualitas tinggi. Ada banyak urutan tindakan untuk mencapai tujuan, tetapi beberapa yang lebih cepat, lebih aman, lebih dapat diandalkan, atau lebih murah daripada yang lain. Tujuan hanya memberikan perbedaan antara kondisi "bahagia" dan "tidak bahagia", sedangkan ukuran kinerja yang lebih umum harus memungkinkan perbandingan beberapa urutan kondisi yang berbeda jika agen ingin mencapai tujuan. Terminologi yang dipergunakan untuk mengatakan bahwa jika satu kondisi lebih disukai daripada kondisi yang lain, itu mempunyai utilitas yang lebih tinggi untuk agent.
ENVIRONMENTS
Kita akan melihat bagaimana pasangan agen untuk lingkungan. Dalam semua kasus, sifat hubungan antara mereka adalah sama: tindakan yang dilakukan oleh agen pada lingkungan, yang pada gilirannya memberikan persepsi kepada agen. Pertama, kita akan menjelaskan berbagai jenis lingkungan dan bagaimana mereka mempengaruhi desain agen. Kemudian kita akan menjelaskan program-program lingkungan yang dapat digunakan sebagai testbeds untuk program agen.
Sifat-sifat environments :
· Accessible vs. inaccessible.
· Deterministic vs. nondeterministic.
· Episodic vs. nonepisodic.
· Static vs. dynamic.
· Discrete vs. continuous.
Saturday, May 18, 2013
Intelegent Agents
Kelompok E : Intelegent Agents .
Virtual Agent
Character untuk Mendukung Intelligent LearningSystem Berbasis Web
1. Pendahuluan
Dialog merupakan
hal yang paling dasar dalam suatu sistem komunikasi pembelajaran. Suatu sistem
pembelajaran saat ini masih sangat bersifat statis dimana informasi text
menjadi hal yang utama untuk disajikan. Seorang pengajar megupload materi
melalui sistem yang ada dan siswa mendownload. Sistem
komunikasi yang
tersedia pun juga berbasis text sebut saja seperti forum dan chating. Hingga
pada akhirnya banyak sistem pembelajaran tidak banyak disukai. Menurut sebuah
penelitian yang diampaikan oleh Blom [Bloom, B.S., 1984] dikatakan bahwa one-to-one
teaching atau pengajaran secara kelompok kecil lebih
baik dibandingkan
kelompok besar. Sistem pembelajaran saat ini sudah dapat dibuat untuk kelompok
kecil, sehingga prose pembelajaran dapat berjalan baik. Ternyata pada
kenyataannya sistem
pembelajaran ini
masih belum juga berjalan secara maksimal. Sang-Mok Jeong dan Ki-Sang Song
[Sang-Mok Jeong and Ki-Sang Song, 2005] dalam jurnalnya menyatakan bahwa jika
human teacher (kehadiran pengajar) dalam lingkungan e-learning dapat dihadirkan
maka efek yang sama akan diperoleh bila pengajaran dilakukan secara langsung
one-to-one. Tulisan ini mencoba memberikan sebuah alternatif dengan
menghadirkan visual
teacher sehingga
dapat mendukung terciptanya intelligent learning system khususnya sistem
komunikasi pembelajaran.
2. Definisi dan
Karakteristik Agent
2.1. Defini Agent
Berikut adalah
beberapa definisi agent dari beberapa sumber :
_ Webster’s New
World Dictionary [Guralnik, 1983], agent didefinisikan sebagai: A person or
thing that acts or is capable of acting or is empowered to act, for
another.Disimpulkan [Romi Satria W, 2003]
_ Agent mempunyai
kemampuan untuk melakukan suatu tugas/pekerjaan.
_ Agent melakukan
suatu tugas/pekerjaan dalam kapasitas untuk sesuatu, atau untuk orang lain.
_ Caglayan
[Caglayan et al., 1997] mendefinisikan software agent sebagai:
Suatu entitas
software komputer yang memungkinkan user (pengguna) untuk mendelegasikan tugas
kepadanya secara mandiri (autonomously).
_ Brenner [Brenner
et. al., 1998] mendefinisikan bahwa agent harus bisa berjalan dalam kerangka
lingkungan jaringan (network environment)
2.2. Karakteristik
Agent
Pemahaman tentang
software agent, fungsi, peran, dan perbedaan mendasar dikaitkan software
program yang ada, berikut ini akan dijelaskan tentang beberapa atribute dan
karakteristik yang dimiliki oleh software agent [Romi Satria W, 2003- 2006].
1. Autonomy: Agent
dapat melakukan tugas secara mandiri dan tidak dipengaruhi secara langsung oleh
user, agent lain ataupun oleh lingkungan (environment). Untuk mencapai tujuan
dalam melakukan tugasnya secara mandiri, agent harus memiliki kemampuan kontrol
terhadap setiap aksi yang mereka perbuat, baik aksi keluar maupun kedalam
[Woolridge et. al., 1995]. Dan satu hal penting lagi yang mendukung autonomy
adalah masalah intelegensi (intelligence) dari agent.
2. Intelligence,
Reasoning, dan Learning: Setiap agent harus mempunyai standar minimum
untuk bisa disebut agent, yaitu intelegensi (intelligence). Dalam
konsepintelligence, ada tiga komponen yang harus dimiliki: internal knowledge
base, kemampuanreasoning berdasar pada knowledge base yang dimiliki, dan
kemampuan learning untuk beradaptasi dalam perubahan lingkungan.
3. Mobility dan
Stationary: Khusus untuk mobile agent, dia harus memiliki kemampuan yang
merupakan karakteristik tertinggi yang dia miliki yaitu mobilitas. Berkebalikan
dari hal tersebut adalah stationary agent. Bagaimanapun juga keduanya tetap
harus memiliki kemampuan untuk mengirim pesan dan berkomunikasi dengan agent
lain.
4. Delegation:
Sesuai dengan namanya dan seperti yang sudah kita bahas pada bagian definisi,
agent bergerak dalam kerangka menjalankan tugas yang diperintahkan oleh user.
Fenomena pendelegasian (delegation) ini adalah karakteristik utama suatu
program disebutagent.
5. Reactivity:
Karakteristik agent yang lain adalah kemampuan untuk bisa cepat beradaptasi
dengan adanya perubahan informasi yang ada dalam suatu lingkungan
(enviornment). Lingkungan itu bisa mencakup: agent lain, user, adanya informasi
dari luar, dsb [Brenner et. al., 1998].
6. Proactivity dan
Goal-Oriented: Sifat proactivity boleh dikata adalah kelanjutan dari sifat reactivity.
Agent tidak hanya dituntut bisa beradaptasi terhadap perubahan lingkungan,
tetapi juga harus mengambil inisiatif langkah penyelesaian apa yang harus
diambil [Brenner et. al., 1998]. Untuk itu agent harus didesain memiliki tujuan
(goal) yang jelas, dan selalu berorientasi kepada tujuan yang diembannya
(goal-oriented).
7. Communication
and Coordination Capability: Agent harus memilikikemampuan berkomunikasi dengan
user dan juga agent lain. Masalah komunikasi dengan user adalah masuk ke
masalah user interface dan
perangkatnya,
sedangkan masalah komunikasi, koordinasi, dan kolaborasidengan agentlain adalah
masalah sentral penelitian Multi Agent System (MAS). Bagaimanapun juga untuk
bisa berkoordinasi dengan agent lain dalam menjalankan tugas, perlu bahasa
standard untuk berkomunikasi. Tim Finin [Finin et al., 1993] [Finin et al.,
1994] [Finin et al., 1995] [Finin et al., 1997]dan Yannis Labrou [Labrou et
al., 1994] [Labrou et al., 1997] adalah peneliti software agent yang banyak
berkecimpung dalam riset mengenai bahasa dan
protokol
komunikasi antar agent. Salah satu produk mereka adalah Knowledge Query and
Manipulation Language (KQML). Kemudian masih berhubungan dengan ini komunikasi
antar agent adalah Knowledge Interchange Format
(KIF).
3. MS Agent untuk
menciptakan Visual Agent Character
MS Agent adalah
suatu set layanan software yang dapat diprogram, yang mendukung presentasi dari
karakter grafis beranimasi dalam interface Windows. Dengan adanya MS Agent,
maka dapat memberikan lebih banyak nilai interaktif ke dalam programnya. Contoh
penggunaan MS Agent versi 1 yang mudah didapati adalah Office Assistant pada
program aplikasi MS Office97.
MS Agent secara
garis besar mempunyai tiga layanan (services), yaitu animation service /
layanan animasi, input service / layanan input, dan output service / layanan
output. Berikut ini ada penjabaran dari layanan-layanan tersebut
Layanan animasi :
_ Load karakter
_ Load karakter
default
_ Menganimasikan
karakter
Layanan input :
_ Input active
client
_ Support untuk
pop-up menu
_ Support untuk
speech input (input berupa perkataan/omongan)
_ Pemilihan speech
engine
_ Event-event
speech input
_ Window voice
command (perintah dengan suara)
_ Listening tip
Layanan output :
_ Support untuk
synthesized speech (suara yang dikeluarkan komputer dan
menyerupai suara
manusia)
_ Support untuk
audio output
_ Support untuk
word baloon
_ Efek suara pada
saat animasi
Untuk menciptakan
virtual character untuk mendukung terciptanya intelligent learning system cukup
digunakan layanan animasi dan layanan output, khususnya synthesized speech.
Speech engine/penghasil suara yang digunakan adalah penghasil suara default MS
Agent yang berbahasa Inggris.
Penutup
Pengembangan
visual agent ini dapat juga digunakan untuk membuat fasilitas chating menjadi
lebih dinamis atau dapat juga digunakan dalam penyampaian materi online
lainnya.
Adapun saran yang
penulis sampaikan adalah bahwa penciptakan character pada akhirnya juga dapat
menetukan keberhasilan suatu pembelajaran untuk itu pemilihan character untuk
visual agent (teacher) dapat disesuaikan.
REFERENSI :
http://majour.maranatha.edu/index.php/jurnal-informatika/article/view/272
Friday, May 17, 2013
Knowledge Management System Life Cycle
Knowledge Management System Life Cycle
Di dalam suatu organisasi, terutama di dalam dunia kerja, seringkali terjadi regenerasi. Dari tiap-tiap generasi akan mengalami kejadian-kejadian dan akan memiliki pengalaman yang berbeda-beda. Regenerasi dari tiap organisasi selalu terjadi. Oleh karena itu generasi yangbaru perlu mengetahui apa-apa saja yang telah dilakukan, dialami, dan pernah terjadi di organisasi, agar, perkembangan organisasi dapat lebih baik dan kesalahan yang terjadi dapat lebih kecil, dengan berbekalkan pengalaman, pengetahuan, data, dan dokumentasi-dokumentasi lainnya mengenai organisasi tersebut pada generasi-generasi sebelumnya. Bila tidak ada knowledge management, maka pengalaman-pengalaman, dan ilmu-ilmu yang telah di dapat oleh orang-orang sebelumnya, maka akan terbawa dan hilang begitu saja,seiring menghilangnya orang yang tergantikan tersebut.mungkin adnda masih bingung dengan apa yang saya ungkapkan barusan.Contoh Sederhana:
Sebuah perusahaan mempunyai seorang pegawai yang sudah lama bekerja bertahun-tahun, mulai ketika ia menjadi pegawai junior, hingga menjadi kepala staff(pegawai senior). Jenjang waktu yang ditempuh pastinya tidak sebentar, oleh karena itu pengalaman yang didapat dan kemampuan yang dimiliki dibidangnyapun tidak sedikit, katakanlah telah mengalami berbagai proses pembelajaran(seminar, training, sertifikasi, dll) kemudian apabila pengetahuan yang dimiliki oleh satu orang pegawai ini tidak didokumentasikan, maka ketika pegawai tersebut telah habis masa jabatannya, maka penggantinya harus mengalami proses dari 0(nol) lagi, semisal, mengumpulkan pengalaman-pengalaman dari nol, atau harus mengalami training yang sama dengan seniornya terdahulu, yang mana pasti memakan biaya dan dari segi waktu kurang effisien.
Karena Itulan tercipta sebuah sistem yang sering dikenal manajemen pengetahuan, atau nge-trend dengan istilah Knowledge Management System Life Cycle.
Knowledge Management System Life Cycle mempunyai fungsi yang hampir sama dengan SDLC(System Development Life Cycle) yakni sebuah siklus sistem dalam membangun suatu suatu proyek. yang membedakan antara SDLC dan KMSLC adalah pendekatan yang dipakai.
SDLC | KMSLC |
---|---|
System analyst mendapatkan informasi dari User | Knowledge Developer mendapat pengetahuan dari pakar |
User tahu permasalahannya, tetapi tidak mengetahui solusinya | Pakar mengetahui keduanya, baik permasalahan dan juga solusinya |
Pembuatan sistem dilakukan secara berurut | Pembuatan sistem dilakukan dengan melakukan peningkatan-peningkatan juga secara interaktif |
Pengujian dilakukan pada akhir setelah sistem terbentuk | Pengujian dilakukan di awal sistem, mengacu pada pengetahuan pakar |
Capturing Tacit Knowledge
TUGAS KELOMPOK CAPTURING TACIT KNOWLEDGE
Nama kelompok Team Project :
1. Muhammad sya’bani
2. Ario dwi pratama
3. Farid irawan
4. Fuja Novriansyah
5. Wahyu Jaksana
Setiap tim harus mempersiapkan berdasarkan tema proyek mereka;
1. Wawancara [10 pertanyaan]
2. Kuesioner [10 pertanyaan]
3. Metode Tambahan [minggu depan]
Berikut yang dapat kami persiapkan dalam membangun kproyek tersebut dan tireapkan pada knowledge management system :
1. Wawancara [10 pertanyaan] :
a. Metode atau Teknologi apa yang harus dimiliki dalam Desain KMS tersebut ?b. Tahukah pegawai anda jika aplikasi desain knowledge ini menggunakan Design KMS ?c. Apakah sistem knowledge management memerlukan bantuan atau pun teknologi yang lebih luas untuk membantu pegawai dalam menganalisa data penting yang sangat banyak?d. Seberapa detail persiapan sistem knowledge management untuk menangkap knowledge?
e. Cara-cara apa yang akan anda gunakan untuk mengenali objek-objek knowledge?.”f. Adakah standarisasi pengarsipan dokumen atau file dalam sebuah Desain KMS tersebut?g. Solusi / masukan apa saja yang akan di berikan untuk di masa yang akan datang ?h. Bagaimana langkah atau cara anda dalam memberikan evaluasi disetiap proyek anda ?i. Di gunakan dalam hal apa sajakah hasil evaluasi tersebut?j. Adakah aspek lain dari KMS yang tengah dipersaingkan namun kita belum miliki?
2. Questionairre (Kuesioner)
No
|
Pertanyaan
|
Kuisioner
|
Catatan
|
||||||
1
Rendah
|
2
|
3
|
4
|
5
Tinggi
|
|||||
1
|
Bagaimanakah
persediaan knowledge yang
dimiliki pada perusahaan ini? Apakah meningkat atau menurun?
|
||||||||
2
|
Bagaimanakah kita dapat memastikan bahwa persediaan knowledge terus-menerus meningkat?
|
||||||||
3
|
Dimana peringkat perusahaan Anda dalam hal dimilikinya kemajuan pengetahuan yang diperlukan dalam industri perusahaan Anda?
|
||||||||
4
|
Dapatkah persaingan dengan mudah menyuburkan dan mengembangkan knowledge
ini tanpa ditiru?
|
||||||||
No
|
Pertanyaan
|
Rating
|
|||||||
1
Cenderung
|
2
|
3
|
4
|
5
Kemungkinan besar
|
Catatan
|
||||
5
|
Mengelola pengetahuan organisasi
merupakan pusat asosiasi strategi
|
||||||||
6
|
Asosiasi memahami potensial menghasilkan pendapatan dari perusahaan aset pengetahuan dan mengembangkan
strategi untuk pemasaran dan penjualan
mereka |
||||||||
7
|
Asosiasi menggunakan belajar
mendukung kompetensi inti yang ada dan membuat yang baru |
||||||||
8
|
Individu dipekerjakan, dievaluasi dan kompensasi atas kontribusi mereka
untuk pengembangan organisasi
|
||||||||
9
|
Apakah
struktur organisasi Anda perusahaan mampu membuat intern pengetahuan transparan?
|
||||||||
10
|
Apakah
karyawan perusahaan Anda memahami inti perusahaan Anda
kekuatan kompetitif?
Apakah mereka didorong untuk melakukannya? Apakah mereka diberikan
waktu untuk melakukannya? |
||||||||
11
|
Apakah
perusahaan Anda tergantung pada pengetahuan dan kompetensi sekitar nya:
- Orang-orang? - Proses? - Infrastruktur Teknologi? |
||||||||
3. SSM (soft system methodology) metode tambahan
Metode tambahan yang kami pilih adalah metode delphi method
Subscribe to:
Posts (Atom)