Manajemen pengetahuan (knowledge management) ialah suatu rangkaian kegiatan yang digunakan oleh organisasi atau perusahaan untuk mengidentifikasi, menciptakan, menjelaskan, dan mendistribusikan pengetahuan untuk digunakan kembali, diketahui, dan dipelajari di dalam organisasi. Kegiatan ini biasanya terkait dengan objektif organisasi dan ditujukan untuk mencapai suatu hasil tertentu seperti pengetahuan bersama, peningkatan kinerja, keunggulan kompetitif, atau tingkat inovasi yang lebih tinggi.

1. TUGAS PERTEMUAN KE-12
MATA KULIAH SISTEM INFORMASI MANAJEMEN
SISTEM INFORMASI PENGELOLA PENGETAHUAN DAN SUMBER DAYA
Dosen pengampu : Bpk. Yananto Mihadi Putra, SE, M. Si
DISUSUN OLEH :
Siti Aisyah Maudina 43217120099
FAKULTAS EKONOMI DAN BISNIS
JURUSAN AKUNTANSI
MERCU BUANA MENTENG
2021

2.  Abstrak (Ringkasan Artikel)
Manajemen pengetahuan (knowledge management) ialah suatu rangkaian kegiatan
yang digunakan oleh organisasi atau perusahaan untuk mengidentifikasi,
menciptakan, menjelaskan, dan mendistribusikan pengetahuan untuk digunakan
kembali, diketahui, dan dipelajari di dalam organisasi. Kegiatan ini biasanya terkait
dengan objektif organisasi dan ditujukan untuk mencapai suatu hasil tertentu seperti
pengetahuan bersama, peningkatan kinerja, keunggulan kompetitif, atau tingkat
inovasi yang lebih tinggi.
 Pendahuluan
Suatu organisasi agar dapat mencapai visi dan misinya harus mengelola
pengetahuan yang dimilikinya dengan baik agar dapat bersaing dengan organisasi
yang lain. Salah satu cara tersebut dengan menerapkan manajemen pengetahuan
atau Knowledge Management. Pentingnya Learning Organization telah lama menjadi
perhatian para ahli organisasi, disamping itu organisasi-organisasi baik organisasi
bisnis maupun non bisnis juga telah mencoba mengembangkan konsep tersebut
dalam upaya menjadikan organisasi mereka kompetitif, dan dalam konteks itulah
manajemen pengetahuan menjadi amat penting. Melalui pengelolaan yang tepat
dapat menjadi suatu kekuatan kompetitif yang tangguh yang diperlukan sekali dalam
perkembangan global dewasa ini.
Terdapat beberapa hal yang membedakan antara pengetahuan, informasi, dan data.
Dengan pelatihan ini karyawan dapat mampu memahami beda antara ketiganya
(pengetahuan, informasi, dan data), mengetahui teknik serta menemukan cara-cara
baru untuk menyalurkan data mentah ke bentuk informasi yang bermanfaat, hingga
akhirnya menjadi pengetahuan dan menjadikan Knowledge Management dalam
organisasi dapat terkelola dengan baik.

3.  Literatur Teori
1. Lanskap Manajemen Pengetahuan
Manajemen pengetahuan dan sistem kolaborasi di antara pertumbuhan yang
tercepat dari area investasi perangkat lunak korporat dan pemerintah. Pada dekade
yang lalu telah memperlihatkan lonjakan pertumbuhan dalam penelitian mengenai
pengetahuan dan manajemen pengetahuan dalam bidang ekonomi, manajemen, dan
sistem informasi.
Manajemen pengetahuan dan kolaborasi sangat erat terkait. Pengetahuan yang tidak
dapat dikomunikasikah dan dibagikan dengan orang lain menjadi hampir tidak
berguna. Pengetahuan menjadi bermanfaat dan ditindaklanjuti ketika dibagikan ke
seluruh perusahaan. Kita telah menggambarkan alat bantu yang utama bagi
kolaborasi dan bisnis sosial dalam modul 2. Dalam modul ini, kita akan
menitikberatkan pada sistem manajemen pengetahuan, dan perlu disadari bahwa
mengomunikasikan dan membagi pengetahuan menjadi sangat penting.
Kita hidup dalam suatu perekonomian informasi yang mana sumber utama dari
kekayaan dan kemakmuran adalah produksi serta distribusi informasi dan
pengetahuan. Diperkirakan 37% dari tenaga kerja di AS terdiri atas pekerja bagian
pengetahuan dan informasi, yang mana merupakan segmen tenaga kerja tunggal
terbesar. Sekitar 45% dari produk domestik bruto PDB (gross domestic
productGDP) Amerika Serikat dihasilkan oleh sektor pengetahuan dan informasi
(U.S. Department of Commerce, 2012).
Manajemen pengetahuan telah menjadi suatu tema yang penting pada banyak
perusahaan bisnis besar, sebagaimana para manajer menyadari bahwa banyak dari
nilai perusahaan mereka bergantung pada kemampuan perusahaan untuk
menciptakan dan mengelola pengetahuan. Penelitian-penelitian telah menemukan
bahwa bagian yang cukup besar dari nilai pasar saham perusahaan terkait dengan
aset tak berwujud, yang mana pengetahuan merupakan salah satu unsur penting,
seiring dengan merek, reputasi, dan proses bisnis yang unik. Proyek-proyek yang
didasarkan pada pengetahuan yang diselenggarakan dengan baik telah diketahui
akan menghasilkan tingkat pengembalian atas investasi yang luar biasa, meskipun
dampak dari investasi berdasar pengetahuan tersebut sangat sulit untuk
mengukurnya. (Gu dan Leev:2001).

4. DIMENSI PENGETAHUAN YANG PENTING
Terdapat suatu perbedaan yang penting di antara data, informasi, pengetahuan, dan
kebijaksanaan. Modul 1 mendefinisikan data sebagai aliran kejadian atau transaksi
yang dicatat oleh sistem suatu organisasi, dan bermanfaat hanya dalam transaksi itu
sendiri, dan tidak untuk yang lainnya. Untuk mengubah data menjadi suatu informasi
yang bermanfaat, maka perusahaan harus mencurahkan sumber daya untuk
mengorganisasikan data ke dalam kategori-kategori pemahaman. Misalnya, total
penjualan dibagi menjadi per bulan, per hari, per daerah, atau berdasarkan laporan
per toko. Untuk mengubah informasi menjadi pengetahuan (knowledge) maka
perusahaan harus mengeluarkan sumber daya tambahan untuk menemukan pola-
pola, aturan, dan konteks di mana pengetahuan dapat bekerja. Terakhir,
kebijaksanaan (wisdom) diartikan sebagai pengalaman kolektif dan individual dalam
menerapkan pengetahuan untuk memecahkan permasalahan-permasalahan.
Kebijaksanaan melibatkan di mana, kapan, dan bagaimana menerapkan
pengetahuan.
Pengetahuan merupakan suatu atribut individual dan atribut kolektif dari perusahaan.
Pengetahuan bersifat kognitif, bahkan psikologis, kejadian yang berlangsung di
dalam kepala orang-orang. Pengetahuan juga disimpan dalam perpustakaan dan
catatan, dibagikan dalam perkuliahan, dan disimpan oleh perusahaan dalam bentuk
pemrosesan bisnis dan kecakapan karyawan. Pengetahuan yang berada dalam
pikiran karyawan yang belum didokumentasikan disebut dengan pengetahuan
tersirat (tacit knowledge), sedangkan pengetahuan yang telah didokumentasikan
dinamakan pengetahuan eksplisit (explicit knowledge). Pengetahuan dapat
tersimpan dalam surel, pesan suara, grafik, serta dokumen-dokumen tidak terstruktur
dan dokumen terstruktur. Pengetahuan pada umumnya diyakini memiliki sebuah
lokasi, baik dalam pikiran manusia atau dalam proses bisnis tertentu. Pengetahuan
"melekat" dan tidak dapat diterapkan secara universal atau dipindahkan dengan
mudah. Terakhir, pengetahuan dianggap lebih bersifat situasional dan kontekstual.
Sebagai contoh, Anda harus mengetahui kapan untuk melakukan suatu prosedur
dan juga bagaimana cara melakukannya.
Dapat kita lihat bahwa pengetahuan adalah aset perusahaan dalam bentuk yang
berbeda dari aset lainnya, seperti aset bangunan atau keuangan; pengetahuan
merupakan fenomena yang rumit; dan ada banyak aspek dalam proses-proses
manajemen pengetahuan. Kita dapat menyadari juga bahwa kompetensi inti berbasis
pengetahuan dari perusahaan dua atau tiga hal yang dapat dilakukan dengan sangat
baik oleh perusahaan adalah aset-aset organisasional yang sangat penting.

5. Mengetahui bagaimana melakukan sesuatu secara efektif dan efisien dengan cara
yang tidak dapat ditiru perusahaan lain dapat menjadi sumber keuntungan yang
utama, juga merupakan keunggulan yang tidak dapat dibeli oleh pesaing lainnya di
pasar.
Sebagai contoh, memiliki sistem produksi khusus berdasarkan pesanan
membutuhkan pengetahuan dan mungkin juga aset tersendiri yang tidak dapat ditiru
oleh perusahaan lainnya. Dengan pengetahuan, perusahaan akan lebih efisien dan
efektif dalam memanfaatkan sumber dayanya yang terbatas. Tanpa pengetahuan,
perusahaan akan kurang efisien dan kurang efektif dala m memanfaatkan sumber
daya dan terancam gagal.
Pembelajaran Organisasional dan Manajemen Pengetahuan
Seperti manusia, organisasi-organisasi menciptakan dan mengumpulkan
pengetahuan dengan menggunakan berbagai macam mekanisme pembelajaran
organisasional. Melalui pengumpulan data pengukuran yang teliti atas aktivitas yang
direncanakan coba (percobaan eksperimen), dan umpan balik dari pelanggan dan
lingkungan pada umumnya, maka organisasi akan memperoleh pengalaman.
Organisasi yang belajar untuk menyesuaikan perilaku mereka mencerminkan
pembelajaran tersebut dengan menciptakan proses bisnis yang baru dan dengan
mengubah pola dalam pengambilan keputusan manajemen. Proses perubahan ini
disebut dengan pembelajaran organisasional (organizational learning). Dapat
dikatakan, organisasi-organisasi yang dapat merasakan dan memberikan tanggapan
terhadap lingkungan mereka secara cepat akan bertahan hidup lebih lama daripada
organisasi-organisasi yang memiliki mekanisme pembelajaran yang buruk.
RANTAI NILAI MANAJEMEN PENGETAHUAN
Manajemen pengetahuan (knowledge management) mengacu pada serangkaian
proses bisnis yang dikembangkan dalam suatu organisasi untuk menciptakan,
menyimpan, memindahkan, dan menerapkan pengetahuan. Manajemen
pengetahuan akan meningkatkan kemampuan dari organisasi untuk belajar dari
lingkungannya dan untuk memadukan pengetahuan ke dalam proses bisnisnya.
Tiap-tiap langkah dalam rantai nilai akan menambah nilai pada data mentah dan
informasi sebagaimana mereka diubah ke dalam pengetahuan yang dapat
digunakan.

6. Membangun Modal Organisasional dan Modal Manajemen: Kolaborasi,
Komunitas Praktik, dan Lingkungan Perkantoran
Selain aktivitas yang telah dijelaskan, para manajer dapat membantu dengan cara
mengembangkan peranan dan tanggung jawab baru dalam organisasi untuk
memperoleh pengetahuan. Termasuk di dalamnya adalah menciptakan posisi-posisi
baru, seperti direktur eksekutif manajemen pengetahuan, staf yang ditugaskan untuk
membantu manajer pengetahuan, dan membentuk komunitas praktik. Komunitas
praktik (community of practiceCOP) adalah jaringan umum informal yang terdiri
atas para profesional dan karyawan baik di dalam maupun di luar perusahaan
dengan minat dan kegiatan yang sama. Kegiatan komunitas ini termasuk pendidikan
perorangan atau kelompok, konferensi, newsletter online, serta setiap harinya saling
berbagi pengalaman dan teknik untuk menyelesaikan masalah dalam pekerjaan
tertentu. Banyak organisasi, seperti IBM, U.S. Federal Highway Administration, dan
Bank Dunia mendorong penciptaan ribuan komunitas online yang serupa. Praktik
komunitas tersebut sangat bergantung pada lingkungan perangkat lunak (perangkat
lunak) yang memungkinkan terciptanya kolaborasi dan komunikasi.
COP dapat memudahkan orang dalam menggunakan kembali pengetahuan yang
telah digunakan sebelumnya dengan cara mengarahkan anggota komunitasnya
kepada dokumen tertentu, menciptakan tempat penyimpanan dokumen, dan
menyaring informasi untuk para anggota baru. Anggota COP bertindak sebagai
fasilitator yang mendorong kontribusi dan diskusi diantara para anggotanya. COP
juga dapat mengurangi waktu yang diperlukan dalam proses pembelajaran karyawan
baru dengan memberikan nama-nama pakar, judul pembahasan materi tertentu, dan
akses ke metode dan perangkat komunitas tersebut. Terakhir, COP dapat berfungsi
sebagai tempat bertumbuhnya banyak ide teknik, dan perilaku pengambilan
keputusan yang baru.
TIPE SISTEM MANAJEMEN PENGETAHUAN
Terdapat 3 tipe dari sistem manajemen pengetahuan yang sangat penting: sistem
manajemen pengetahuan keseluruhan perusahaan, sistem kerja pengetahuan, dan
teknik kecerdasan. Gambar di bawah memperlihatkan penerapan dari sistem
manajemen pengetahuan untuk masing-masing 3 kategori utama tersebut.

7. Sistem manajemen pengetahuan keseluruhan perusahaan (enterprise-wide
knowledge management systems) merupakan upaya keseluruhan perusahaan yang
bertujuan umum untuk mengumpulkan, menyimpan, mendistribusikan, serta
menerapkan isi dan pengetahuan digital. Sistem-sistem ini meliputi kapabilitas untuk
mencari informasi, menyimpan data yang terstruktur dan yang tidak terstruktur, serta
menempatkan keahlian dari karyawan di dalam perusahaan. Sistem manajemen
pengetahuan keseluruhan perusahaan juga termasuk teknologi pendukung, seperti
portal, mesin pencari, kolaborasi dan alat bantu sosial bisnis, dan sistem manajemen
pembelajaran. ·
Perkembangan perangkat lunak dan workstation canggih yang terhubung ke jaringan
untuk membantu teknisi dan ilmuwan dalam menemukan pengetahuan baru telah
menciptakan sistem kerja pengetahuan baru seperti perancangan yang dibantu
komputer, visualisasi, simulasi, dan sistem realitas virtual. Sistem kerja
pengetahuan (knowledge work systemsKWS) adalah sistem yang dikembangkan
khusus untuk para teknisi, ilmuwan, dan para pekerja di bidang pengetahuan lainnya
yang bertugas memperoleh dan menciptakan pengetahuan baru bagi perusahaan
mereka. Beberapa aplikasi pengetahuan kerja akan dibahas secara lebih terperinci
pada Bagian l l.3.
Manajemen pengetahuan juga meliputi kelompok yang beraneka ragam dari teknik
kecerdasan (intelligent techniques) seperti penelusuran data, sistem ahli, jaringan
neural, logika fuzzy, algoritme genetika, dan agen intelegen. Teknik-teknik ini
memiliki tujuan yang berbeda- beda, dari yang menitikberatkan pada penemuan
pengetahuan (penelusuran data dan jaringan neural/jaringan syaraf), hingga
penyaringan informasi dalam bentuk atur.in untuk suatu program komputer (sistem

8. ahli dan logika fuzzy), untuk menemukan solusi yang optimal bagi permasalahan
(algoritme genetika).
2. Sistem Manajemen Pengetahuan Keseluruhan Perusahaan
Perusahaan akan berhadapan dengan setidaknya 3 jenis pengetahuan. Beberapa
pengetahuan yang ada di dalam perusahaan dalam bentuk dokumen teks yang
terstruktur (laporan dan presentasi). Para pengambil keputusan juga memerlukan
pengetahuan yang semi terstruktur, seperti misalnya surel, pesan suara (voice mail),
pertukaran ruang obrolan (chat room exchange), video, foto digital, brosur, atau
postingan pada papan buletin. Masih dalam kasus yang lainnya, tidak terdapat
informasi yang formal atau digital, dan pengetahuan berada di dalam kepala para
karyawan. Banyak dari pengetahuan ini adalah pengetahuan tersirat yang jarang
dituliskan. Sistem manajemen pengetahuan keseluruhan perusahaan akan
berurusan dengan 3 jenis pengetahuan terebut.
SISTEM MANAJEMEN KONTEN PERUSAHAAN
Para pebisnis saat ini perlu untuk mengatur dan mengelola aset pengetahuan
terstruktur maupun semi terstruktur. Pengetahuan terstruktur (structured
knowledge) merupakan pengetahuan secara eksplisit ada dalam dokumen-dokumen
formal, sama halnya dengan aturan-aturan formal yang diperoleh organisasi dengan
mengamati para ahli dan perilaku mereka dalam pengambilan keputusan. Tetapi,
menurut para ahli, sedikitnya 80% dari konten bisnis organisasi adalah informasi
semi terstruktur atau tidak terstruktur yang ada dalam folder, pesan, memo, proposal,
surel, grafik, slide presentasi elektronik, dan bahkan video yang diciptakan dalam
format yang berbeda dan disimpan dalam banyak lokasi.
Sistem manajemen konten perusahaan (enterprise content management systems)
membantu organisasi untuk mengelola kedua tipe informasi tersebut. Mereka
memiliki kapabilitas untuk menangkap pengetahuan, penyimpanan, pemulihan,
distribusi, dan pemeliharaan untuk membantu perusahaan dalam meningkatkan
pemrosesan dan keputusan bisnis mereka. Sistem seperti ini meliputi tempat
penyimpanan dokumen korporat, laporan, presentasi, dan praktik terbaik, demikian
halnya dengan kapabilitas untuk mengumpulkan dan mengorganisasikan
pengetahuan semi terstruktur, seperti surel (lihat Gambar di atas). Sistem
manajemen konten perusahaan yang utama juga memungkinkan bagi para
penggunanya untuk mengakses sumber eksternal dari informasi, seperti kabar berita
dan penelitian dan untuk mengomunikasikan melalui surel, chat/ pesan instan,

9. kelompok diskusi, dan konferensi video. Mereka mulai untuk memadukan blog, wiki.
dan alat bantu jejaring sosial perusahaan lainnya. Open Text Corporation, EMC
(Documentum), IBM, dan Oracle Corporation merupakan para pemasok terdepan
dalam bidang perangkat lunak manajemen konten perusahaan.
Barrick Gold berkantor pusat di Toronto, merupakan penghasil emas yang terkemuka
di dunia, menggunakan alat bantu Open Text bagi manajemen konten perusahaan
dan untuk mendukung komunitas praktik. Perusahaan memiliki 26 tambang yang
beroperasional dan 20.000 orang karyawan di seluruh dunia, yang menciptakan dan
menyimpan informasi dalam banyak lokasi yang-berbeda. Barrick memerlukan suatu
cara untuk memusatkan keahlian organisasional tersebut membuatnya menjadi lebih
mudah untuk mengakses informasi perusahaan yang sangat penting, dan
memastikan bahwa praktik terbaik telah didokumentasikan dan dibagikan. Sentra
Pengetahuan Barrick merupakan pusat tempat penyimpanan dari dokumen-dokumen
mengenai kebijakan, prosedur, standar, pedoman, gagasan baru, dan praktik yang
terbaik, serta memiliki kapabilitas untuk mengidentifikasi versi terbaru dari tiap-tiap
dokumen. Administrator mengetahui siapa yang mengakses situs dan dokumen
manakah yang mereka pergunakan. Sistem manajemen konten meliputi alat bantu
jejaring sosial, seperti wiki, blog, dan forum, untuk membantu komunitas praktik
berbagi pengetahuan mereka (Open Text, 2012). Sesi lnteraktif: Organisasi
menyediakan contoh lainnya dari manfaat sistem manajemen konten perusahaan.
Permasalahan pokok dalam mengelola pengetahuan adalah penciptaan skema
klasifikasi yang tepat, atau taksonomi (taxonomy) untuk mengorganisasi informasi
ke dalam kategori yang bermanfaat sehingga dapat lebih mudah diakses. Ketika
kategori-kategori untuk memilah-milah pengetahuan telah diciptakan, maka tiap-tiap
objek pengetahuan perlu untuk "ditandai," atau dikelompokkan sehingga dapat lebih

10. mudah untuk dipulihkan. Sistem manajemen konten perusahaan memiliki kapabilitas
untuk menandai, berinteraksi dengan database korporat dan tempat penyimpanan
konten, serta menciptakan portal pengetahuan perusahaan yang menyediakan suatu
titik akses tunggal terhadap sumber daya informasi.
Perusahaan yang bergerak dalam bidang penerbitan, periklanan, penyiaran, dan
hiburan (entertainment) memiliki kebutuhan khusus untuk menyimpan dan mengelola
data digital tidak terstruktur, seperti foto, citra grafik, video, dan konten audio.
Sebagai contoh, Coca-Cola harus tetap menelusuri semua citra merek Coca-Cola-
nya yang telah diciptakan pada masa yang lalu di semua kantor di seluruh dunia,
untuk mencegah adanya pekerjaan yang redundan dan variasi dari citra merek yang
standar. Sistem manajemen aset digital (digital asset management systems)
membantu perusahaan untuk mengklasifikasi, menyimpan, dan mendistribusikan
objek-objek digital tersebut.
SISTEM JARINGAN PENGETAHUAN
Sistem jaringan pengetahuan (knowledge networks systems) membahas
mengenai permasalahan, yang timbul ketika pengetahuan yang tepat tidak dalam
bentuk dokumen digital, tetapi sebagai gantinya berada dalam memori para ahli
individual dalam perusahaan. Sistem jaringan pengetahuan memberikan direktori
secara online dari para ahli korporat dan profil mereka, dengan perincian rnengenai
pengalaman kerja mereka, proyek, publikasi, dan gelar pendidikan. Alat bantu
pencarian mempermudah para karyawan untuk menemukan para ahli yang tepat
dalam suatu perusahaan. Sistem jaringan pengetahuan, seperti Hivemine's AskMe
meliputi tempat penyimpanan konten yang dihasilkan oleh para ahli. Beberapa
kapabilitas jejaring pengetahuan termasuk dalam manajemen konten perusahaan
terkemuka, jejaring sosial, dan produk perangkat lunak kolaborasi.
KOLABORASI DAN ALAT BANTU SOSIAL SERTA SISTEM MANAJEMEN
PEMBELAJARAN
Modul 2 dan 7 telah membahas mengenai pentingnya kolaborasi dan alat bantu
sosial bagi berbagi informasi di dalam perusahaan. Untuk sumber daya pengetahuan
di luar perusahaan, social bookmarking mempermudah untuk mencari dan berbagi
informasi dengan memungkinkan bagi para penggunanya untuk menyelamatkan
bookmark mereka pada laman web di situs web publik dan menandai bookmark
tersebut dengan kata kunci. Penandaan-penandaan ini dapat digunakan untuk
mengatur dan mencari teks dan gambar. Daftar penandaan dapat dibagikan dengan
orang lain untuk membantu mereka dalam menemukan informasi mengenai

11. ketertarikan. Taksonomi yang diciptakan oleh pengguna dirancang untuk berbagi
bookmark yang disebut dengan folksonomies. Delicious, Slashdot, dan Pinterest
merupakan situs social bookmarking yang terkenal.
Bayangkan, sebagai contoh, Anda merupakan bagian dari tim yang melakukan
penelitian atas daya angin. Jika Anda melakukan pencarian dengan web dan
menemukan laman web yang relevan mengenai daya angin, maka Anda akan
menekan pada tombol bookmark dari situs bookmark sosial dan menciptakan
penandaan yang mengidentifikasi tiap-tiap dokumen web yang Anda temukan yang
terdapat kaitan dengan daya angin. Dengan menekan pada tombol "penandaan
(tag)" pada situs jejaring sosial maka Anda akan dapat melihat daftar dari seluruh
penandaan yang telah Anda buat dan pilihlah dokumen yang Anda perlukan.
Perusahaan memerlukan cara-cara untuk tetap menelusuri dan mengelola
pembelajaran karyawan dan untuk mengintegrasikan sepenuhnya ke dalam
manajemen pengetahuan mereka dan sistem korporat lainnya. Sistem manajemen
pembelajaran (learning management systemsLMS) menyediakan alat bantu bagi
manajemen, pengiriman, penelusuran, serta penilaian berbagai macam tipe
pembelajaran dan pelatihan bagi karyawan.
LMS kontemporer mendukung berbagai macam mode pembelajaran, meliputi CD-
ROM, video yang dapat diunduh, kelas berbasis web, instruksi secara live dalam
kelas atau secara online, serta pembelajaran kelompok dalam forum online dan sesi
obrolan. LMS menggabungkan pelatihan dengan media yang bermacam-macam,
secara otomatis akan memilih dan melaksanakan program-program, merakit dan
mengirimkan isi pembelajaran, dan mengukur keefektifan dari pembelajaran.
CVM Solutions, LLC (CVM) menggunakan sistem manajemen pembelajaran
Digitec's Knowledge Direct untuk menyediakan pelatihan mengenai bagaimana
mengelola pemasok bagi klien, seperti Procter & Gamble, Colgate-Palmolive, dan
Delta Airlines. Knowledge Direct akan menyediakan suatu portal untuk mengakses
program konten secara online, sejalan dengan kelengkapan administrasi yang bebas
dari kesulitan, seperti pendaftaran siswa dan alat bantu penilaian, dukungan Bantuan
dan Penghubung (Kontak) yang dilengkapi, surel secara otomatis yang
menggerakkan untuk mengingatkan mengenai program-program atau tenggat waktu
kepada pengguna, surel secara otomatis yang memberitahukan selesainya program,
dan pelaporan berbasis web untuk program-program yang diakses. Knowledge
Direct juga menyediakan login masuk bertanda perusahaan bagi klien perusahaan
dan memungkinkan bagi CVM untuk menciptakan dan menugaskan seorang

12. administrator perusahaan yang memiliki akses pada alat bantu pelaporan siswa bagi
perusahaan tersebut.
3. Sistem Kerja Pengetahuan
Sistem pengetahuan keseluruhan perusahaan yang baru saja kita bahas
menyediakan jangkauan kemampuan menyeluruh yang dapat digunakan oleh
banyak orang tidak hanya semua pekerja dan kelompok di dalam suatu organisasi.
Perusahaan juga memiliki sistem yang dikhususkan bagi pekerja berpengetahuan
untuk membantu mereka dalam menciptakan pengetahuan yang baru dan untuk
memastikan bahwa pengetahuan tersebut terintegrasi dengan tepat ke dalam bisnis.
PEKERJA PENGETAHUAN DAN KERJA PENGETAHUAN
Pekerja pengetahuan, yang diperkenalkan dalam Modul 1, meliputi peneliti,
perancang, arsitek, ilmuwan, dan insinyur yang bertugas menciptakan pengetahuan
dan informasi bagi organisasi. Pekerja pengetahuan biasanya memiliki tingkat
pendidikan yang tinggi, memiliki keanggotaan di organisasi profesional, dan kerap
diminta untuk melakukan penilaian sebagai aspek rutin dari pekerjaan mereka.
Sebagai contohnya, pekerja pengetahuan menciptakan produk baru atau mencari
cara untuk meningkatkan kualitas produk yang sudah ada. Pekerja pengetahuan
melakukan tiga peran kunci yang sangat penting bagi organisasi dan untuk manajer
yang bekerja dalam organisasi:
 Menjaga aliran pengetahuan dalam perusahaan seiring dengan
perkembangan perusahaan- dalam teknologi, sains, pemikiran sosial, dan
seni.
 Bertugas melayani sebagai konsultan internal mengenai pengetahuan khusus
mereka, berbagai perubahan yang terjadi, dan kesempatan yang muncul.
 Bertindak sebagai agen perubahan, mengevaluasi, merintis, dan mendukung
proyek-proyek perubahan.
KEBUTUHAN SISTEM KERJA PENGETAHUAN
Kebanyakan pekerja pengetahuan mengandalkan sistem perkantoran, seperti
pengolah kata, voice mail, e-mail, konferensi video, dan sistem penjadwalan yang
dirancang untuk meningkatkan produktivitas di kantor. Pekerja pengetahuan juga
memerlukan sistem kerja pengetahuan yang sangat spesifik dengan grafis, alat
bantu analisis, dan kemampuan komunikasi dan manajemen dokumen yang canggih.

13. Sistem ini memerlukan kekuatan komputasi mendasar untuk menangani grafik-grafik
yang rumit atau perhitungan yang kompleks yang dibutuhkan oleh pekerja
pengetahuan, seperti peneliti ilmiah, perancang produk, dan analis keuangan.
Karena pekerja pengetahuan sangat fokus pada pengetahuan di dunia eksternal,
sistem ini juga harus memberikan kemudahan dan kecepatan mengakses database
eksternal. Umumnya antar mukanya mudah digunakan dan memungkinkan
pengguna untuk melakukan pekerjaan tanpa harus membuang waktu terlalu lama
mempelajari cara kerja sistem. Pekerja pengetahuan dibayar mahal, karenanya
pemborosan waktu pekerja akan memakan biaya yang terlalu mahal. Gambar di
bawah menggambarkan kebutuhan sistem kerja pengetahuan.
Sentra kerja pengetahuan sering kali dirancang dan dioptimalkan untuk tugas-tugas
tertentu yang harus dikerjakan; sehingga, sebagai contoh, seorang insinyur desain
memerlukan pengaturan sentra kerja yang berbeda daripada seorang analis
keuangan Insinyur desain memerlukan grafik dengan daya yang memadai untuk
menangani sistem CAD 3 dimensi (3-D). Namun, para analis keuangan lebih
berkepentingan dalam akses ke sejumlah database eksternal yang banyak sekali
dan database besar untuk secara efisien menyimpan dan mengakses sejumlah data
keuangan yang sangat banyak.
CONTOH SISTEM KERJA PENGETAHUAN
Penerapan kerja pengetahuan yang utama meliputi sistem CAD, sistem realitas
virtual untuk simulasi dan permodelan, serta sentra kerja keuangan. Desain
berbantuan komputer (computer-aided designCAD) akan mengotomatisasi
penciptaan dan revisi dari desain, dengan menggunakan komputer dan perangkat

14. lunak grafik yang canggih. Menggunakan metodologi desain fisik yang tradisional,
maka tiap-tiap modifikasi desain memerlukan cetakan yang akan dibuat dan sebuah
prototipe untuk diuji secara fisik. Proses tersebut harus diulang berkali-kali, yang
mana merupakan proses yang sangat mahal dan memerlukan banyak waktu.
Dengan menggunakan suatu sentra kerja CAD, maka perancang hanya memerlukan
untuk membuat suatu prototipe fisik menjelang akhir dari proses desain karena
desain dapat dengan mudah diuji dan diubah dengan komputer. Kemampuan dari
perangkat lunak CAD untuk menyediakan spesifikasi desain bagi pemrosesan alat
bantu dan manufaktur juga akan menghemat sejumlah besar waktu dan uang,
sementara itu memproduksi proses manufaktur dengan permasalahan yang jauh
lebih sedikit. Sesi Interaktif: Teknologi mengilustrasikan beberapa dari manfaat-
manfaat tersebut, dan memperlihatkan bagaimana mereka dapat menjadi suatu
sumber dari keunggulan kompetitif.
Sistem CAD dapat memasok data untuk pencetakan 3-D (3-D printing) juga
diketahui dikenal sebagai manufaktur aditif, yang menggunakan mesin untuk
membuat benda padat, lapisan demi lapisan, dari spesifikasi dalam suatu file digital.
Pencetakan 3-D saat ini telah digunakan untuk memproduksi prototipe dan barang -
barang yang ukurannya kecil, seperti perhiasan dan implan pinggul, demikian pula
suku cadang pesawat. Pada masa mendatang, mungkin kan digunakan untuk
pabrikasi suku cadang khusus bagi mobil dan perlengkapan militer.
Sistem realitas virtual (virtual reality sytems) memiliki kemampuan visualisasi,
pengubahan, dan simulasi yang jauh melampaui sistem CAD konvensional. Mereka
memanfaatkan perangkat lunak grafik yang interaktif untuk menciptakan simulasi
yang dihasilkan dengan komputer yang sangat mendekati realitas yang para
penggunanya hampir meyakini bahwa mereka sedang berperan serta dalam situasi
dunia nyata. Dalam banyak sistem realitas secara virtual: pengguna akan
menggunakan pakaian, penutup kepala, dan perlengkapan yang khusus, bergantung
pada aplikasinya. Pakaian berisi sensor-sensor yang merekam pergerakan dari
pengguna dan dengan segera mengirimkan informasi tersebut kembali ke komputer.
Sebagai contoh, untuk berjalan melalui simulasi realitas secara virtual dari sebuah
rumah, Anda perlu mengawasi monitor tersebut untuk menggerakkan kaki, tangan,
dan kepala Anda. Anda juga akan memerlukan kacamata yang berisikan layar video
dan kadang kala lampiran audio serta sarung tangan perasaan sehingga Anda dapat
tenggelam dalam umpan balik komputer.
Pada NYU Langone Medical Center di Kota New York, para mahasiswa akan
mengenakan kacamata 3-D yang dapat "membedah" mayat virtual yang

15. diproyeksikan pada sebuah layar. Dengan bantuan dari komputer mereka dapat
memindahkan melalui tubuh virtual meneliti dengan cermat lapisan-lapisan dari otot
atau mengamati pemompaan jantung dari jarak dekat seiring dengan warna merah
terang arteri dan pembuluh vena biru. Tubuh manusia secara virtual diciptakan oleh
BioDigitalSystems, sebuah perusahaan visualisasi media di Kota New York. Mayat
virtual yang dipergunakan di Langone merupakan versi beta yang BioDigital
rencanakan untuk mengembangkan ke dalam peta tubuh manusia yang dapat
ditelusuri, dapat dikustomisasi bagi para pengajar medis dan para dokter. Sekolah
medis NYU tidak memiliki rencana saat ini untuk menghapuskan pembedahan
setahap demi setahap, tetapi mayat virtual 3-D merupakan suatu alat bantu
pengajaran lengkap yang sangat berharga (Singer:2012).
Ford Motor Company telah menggunakan realitas virtual untuk membantu
merancang kendaraan-kendaraannya. Dalam salah satu contoh dari Ford Immersive
Virtual Environment, seorang perancang (desainer) akan dihadapkan dengan kursi
mobil, roda kemudi, dan dashboard kosong. Mengenakan kacamata dan sarung
tangan realitas virtual yang dilengkapi dengan sensor-sensor, desainer dapat
"duduk" di kursi yang dikelilingi dengan desain kendaraan 3-D untuk mengalami
bagaimana interior yang diusulkan akan terlihat dan dirasakan. Desainer akan dapat
mengidentifikasi kekurangan atau melihat jika tombol-tombol berada dalam tempat
yang janggal. Desainer Ford juga dapat menggunakan teknologi ini untuk melihat
dampak dari desain terhadap proses manufaktur. Sebagai contoh, sekrup yang para
karyawan pada lini perakitan perlukan untuk memperkuat sangat sulit untuk
meraihnya (Murphy:2012.)?
Realitas yang ditambahkan (augmented realityAR) merupakan teknologi terkait
untuk mendorong visualisasi. AR menyediakan suatu pandangan secara live baik
langsung ataupun tidak langsung dari lingkungan fisik dunia nyata yang memiliki
elemen yang ditambahkan oleh pencitraan yang dihasilkan oleh komputer virtual.
Pengguna didasarkan dalam dunia fisik yang nyata, dan citra virtual dipadukan
dengan pandangan nyata untuk menciptakan tampilan yang ditambahkan. Teknologi
digital menyediakan informasi tambahan untuk mendorong persepsi dari realita,
membuat di sekitar dunia nyata dari pengguna menjadi lebih interaktif dan bermakna.
Penanda kuning yang turun pertama pada pertandingan sepakbola yang disiarkan
di televisi merupakan contoh dari realitas yang ditambahkan sebagaimana
dalam prosedur-prosedur medis, seperti pembedaan yang dibantu dengan gambar,
di mana data diperoleh dari tomografi terkomputerisasi (computerized
tomographyCT) dan pemindai pencitraan resonansi magnetik (magnetic resonance

16. imagingMRI) atau dari pencitraan ultrasound yang dilapiskan di atas pasien dalam
ruang operasi. Industri-industri lainnya di mana AR telah ditangkap meliputi pelatihan
kemiliteran, desain rekayasa teknik, robotik, dan desain pelanggan.
Penerapan realitas virtual yang dikembangkan untuk web akan meggunakan suatu
standar yang dinamakan Bahasa Pemodelan Realitas Virtual (Virtual Reality
Modeling LanguageVRML). VRML merupakan serangkaian spesifikasi untuk
permodelan 3-D, yang interaktif pada World Wide Web yang dapat mengorganisasi
berbagai tipe media, meliputi animasi, gambar, dan audio untuk menempatkan
penggunanya di dalam suatu lingkungan dunia nyata yang disimulasikan. VRML
merupakan platform independen, beroperasi melalui komputer desktop, dan
memerlukan bandwidth yang kecil.
DuPont, perusahaan kimia dari Wilmington, Delaware, menciptakan aplikasi VRML
yang disebut HyperPlant yang memungkinkan pengguna mengakses data tiga
dimensi melalui internet menggunakan perangkat lunak browser web. Para insinyur
dapat melihat model tiga dimensi seolah-olah seperti mereka sedang berjalan dalam
pabrik dan melihat objek dengan mata mereka langsung. Tingkat ketelitian setinggi
ini dapat mengurangi jumlah kesalahan yang mereka buat dalam membangun
pengeboran minyak, pabrik minyak, dan bangunan lain nya.
lndustri keuangan menggunakan sentra kerja investasi (investment workstation)
yang terspesialisasi seperti misalnya Bloomberg Terminal untuk memengaruhi
pengetahuan dan waktu dari para pialangnya, para pedagang, dan para manajer
portofolio. Perusahaan -perusahaan; seperti Merrill Lynch dan UBS Financial
Services telah memasang sentra kerja investasi yang mengintegrasikan suatu
kisaran data yang luas baik dari sumber internal maupun eksternal, meliputi data
manajemen penghubung, real-time dan data pasar historis, serta laporan penelitian.
Sebelumnya, para profesional keuangan harus menghabiskan waktu yang cukup
lama untuk mengakses data dari sistem-sistem yang terpisah dan merangkai
informasi yang mereka perlukan. Dengan menyediakan informasi satu atap yang
lebih cepat dan dengan tingkat kesalahan yang lebih sedikit, maka sentra kerja akan
mempersingkat keseluruhan proses investasi dari pemilihan saham hingga
memperbarui pencatatan klien.

17. 4. Teknik Kecerdasan
Kecerdasan artifisial dan teknologi database menyediakan sejumlah teknik
kecerdasan yang dapat digunakan organisasi untuk memperoleh pengetahuan dari
individual dan kolektif serta untuk memperluas dasar pengetahuan mereka. Sistem
ahli, penalaran berbasis kasus, dan logika fuzzy digunakan untuk memperoleh
pengetahuan tersirat. Jaringan neural dan penelusuran data digunakan untuk
penemuan pengetahuan (knowledge discovery). Mereka dapat menemukan pola-
pola yang mendasari, kategori, dan perilaku dalam data yang besar yang
menetapkan bahwa tidak dapat ditemukan oleh para manajer semata atau hanya
melalui pengalaman. Algoritme genetika digunakan untuk menghasilkan
pemecahaan bagi permasalahan yang terlalu besar, dan rumit bagi manusia untuk
menganalisis sendiri. Para agen inteligen dapat melakukan otomatisasi tugas rutin
untuk membantu perusahaan dalam mencari dan menyaring informasi untuk
digunakan dalam perdagangan elektronik, manajemen rantai pasokan, dan aktivitas-
aktivitas lainnya.
Penelusuran data, yang telah kami perkenalkan dalam Modul 6, dapat membantu
organisasi untuk memperoleh pengetahuan yang belum ditemukan dalam database
yang besar, menyediakan manajer dengan wawasan yang baru untuk meningkatkan
kinerja bisnis. Telah menjadi alat bantu yang penting bagi pengambilan keputusan
manajemen, dan kami memberikan pembahasan yang terperinci mengenai
penelusuran data untuk mendukung pengambilan keputusan bagi manajemen.
Teknik kecerdasan lainnya yang dibahas dalam bagian ini didasarkan pada teknologi
kecerdasan buatan (artificial intelligienceAI) yang terdiri alas sistem berbasis
komputer (baik perangkat keras maupun perangkat lunak) yang berupaya untuk
menandingi perilaku manusia. Sistem-sistem seperti ini dapat mempelajari bahasa,
menyelesaikan tugas fisik, menggunakan peralatan persepsi, serta menandingi
keahlian manusia dan pengambilan keputusan. Meskipun penerapan Al tidak
memperlihatkan luasnya, kerumitan, keaslian, dan generalisasi kecerdasan manusia,
tetapi mereka memegang peranan yang penting dalam manajemen pengetahuan
kontemporer.
MEMPEROLEH PENGETAHUAN: SISTEM AHLI
Sistem ahli (expert systems) merupakan suatu teknik kecerdasan untuk
memperoleh pengetahuan tersirat dalam wilayah yang sangat spesifik dan terbatas
dari keahlian manusia. Sistem-sistem ini memperoleh pengetahuan dari karyawan
terampil dalam bentuk serangkaian aturan dalam sistem perangkat lunak yang dapat

18. digunakan oleh pihak lainnya dalam organisasi. Serangkaian aturan dalam sistem
ahli akan ditambahkan ke dalam memori, atau pembelajaran yang disimpan, pada
perusahaan.
Sistem ahli kekurangan pengetahuan yang luas dan pemahaman mengenai prinsip-
prinsip fundamental dari manusia ahli. Mereka umumnya melaksanakan tugas yang
sangat terbatas yang dapat dikerjakan oleh para profesional dalam beberapa menit
atau jam, seperti mendiagnosis mesin yang mengalami malfungsi atau menentukan
apakah akan mengabulkan pengajuan kredit suatu pinjaman ataukah tidak.
Permasalahan yang tidak dapat dipecahkan oleh manusia ahli dalam jangka waktu
yang pendek jauh lebih sulit bagi suatu sistem ahli. Namun, dengan memperoleh
keahlian manusia dalam area yang terbatas, maka sistem ahli dapat memberikan
manfaat, membantu organisasi untuk mengambil keputusan yang bermutu tinggi
dengan lebih sedikit orang. Saat ini, sistem ahli digunakan secara meluas dalam
bisnis yang berlainan, situasi pengambilan keputusan yang sangat terstruktur.
Bagaimana Sistem Ahli Bekerja
Pengetahuan manusia dapat dibuat model atau direpresentasikan dalam suatu cara
yang dapat diproses oleh komputer. Sistem ahli model pengetahuan manusia
merupakan suatu rangkaian aturan yang secara kolektif disebut dengan basis
pengetahuan (knowledge base). Sistem ahli yang memiliki 200 hingga ribuan aturan
tersebut, akan bergantung pada kerumitan dari permasalahan. Aturan-aturan
tersebut lebih jauh saling berkaitan dan bersarang daripada dalam suatu program
perangkat lunak tradisional. Pembahasan ini dapat di lihat pada Gambar selanjutnya.

19. Strategi yang digunakan untuk mencari melalui dasar pengetahuan dinamakan
mesin inferensi (inference engine). Dua strategi yang umumnya digunakan:
penalaran maju dan penalaran mundur (lihat Gambar di bawah).
Dalam penalaran maju (forward chaining), mesin inferensi mulai dengan informasi
yang dimasukkan oleh pengguna dan mencari informasi dalam basis pengetahuan
untuk akhirnya mencapai suatu keputusan. Strateginya adalah untuk menjalankan
suatu tindakan sesuai aturan saat sebuah kondisi dipenuhi. Dalam Gambar di atas,
mulai dari kiri, jika pengguna memasukkan nama klien dengan pendapatan lebih
besar dari $100.000, mesin akan menggunakan semua aturan secara berurutan dari
kiri ke kanan. Jika pengguna kemudian memasukkan informasi yang menyatakan
bahwa klien tersebut memiliki real estat, nilai lain dari basis pengetahuan akan

20. muncul dan lebih banyak aturan akan diterapkan. Proses ini berlanjut terus sampai
tidak ada lagi aturan yang dapat digunakan.
Dalam penalaran mundur (backward chaining), strategi untuk mencari dalam basis
pengetahuan dimulai dengan hipotesis dan berlaut dengan menanyakan pengguna
pertanyaan tentang fakta-fakta tertentu sampai hipotesisnya disetujui atau tidak
disetujui. Dalam contoh pada Gambar di atas, diajukan sebuah pertanyaan, "Apakah
kita harus memasukkan orang ini dalam database calon potensial kita?" Dimulai dari
diagram sebelah kanan dan bergerak ke arah kiri. Anda dapat melihat bahwa orang
tersebut harus dimasukkan dalam database tersebut jika petugas penjualan telah
ditugaskan, asuransi berjangka dikabulkan, atau penasihat keuangan mengunjungi
klien tersebut.
Contoh Sistem Ahli yang Berhasil
Sistem ahli menyediakan pebisnis dengan serangkaian manfaat meliputi
pengambilan keputusan yang lebih baik, pengurangan kesalahan, menurunkan biaya,
mengurangi waktu pelatihan, dan tingkat kualitas serta pelayanan yang lebih tinggi.
Con-Way Transportation membangun sistem ahli yang dinamakan Line-haul untuk
mengautomatisasikan dan mengoptimalkan perencanaan rute pengiriman dalam
semalam untuk bisnis truk bermuatannya ke seluruh wilayah. Sistem ahli menangkap
aturan bisnis yang pusat akan mengikuti ketika menugaskan para pengemudi, truk,
dan trailer untuk mengangkut 50.000 pengiriman yang muatannya berat setiap
malam ke seluruh 25 negara bagian dan Canada serta ketika merencanakan rute-
rute mereka. Line-haul berjalan pada suatu platform komputer Sun dan
menggunakan data pada permintaan pengiriman pelanggan sehari-hari, para
pengemudi yang tersedia, truk, ruang trailer, dan betat yang disimpan dalam suatu
database Oracle. Sistem ahli akan menggunakan ribuan aturan dan 100.000 kode
lini program yang ditulis dalam C++
untuk mengetatkan angka-angka dan
menciptakan rencana-rencana rute yang optimal bagi 95% dari pengiriman muatan
harian. Pusat Con-Way akan melakukan rencana rute yang disediakan oleh sistem
ahli dan menyampaikan spesifikasi rute kepada para petugas di lapangan yang
bertanggung jawab untuk mempersiapkan paket muatan ke dalam trailer untuk
operasional mereka pada malam hari. Con-Way memperoleh kembali biaya
investasinya sebesar $3 juta dalam sistem tersebut dalam waktu 2 tahun dengan
mengurangi jumlah para pengemudi, mempersiapkan paket dengan lebih banyak
muatan per trailer, dan mengurangi kerusakan dari penanganan kembali. Sistem
juga mengurangi tugas malam yang sulit dari pusat (operator).

21. Meskipun sistem ahli kurang kuat dan kecerdasan umum manusia, mereka dapat
mendatangkan manfaat bagi organisasi jika keterbatasan mereka dapat dipahami
dengan sangat baik. Hanya jenis-jenis permasalahan tertentu yang dapat diatasi
dengan menggunakan sistem ahli. Pada hakikatnya semua sistem ahli yang berhasil
dalam berurusan dengan klasifikasi permasalahan dalam wilayah pengetahuan yang
terbatas dimana terdapat secara keseluruhan beberapa alternatif hasil dan
kemungkinan hasil tersebut semuanya dapat diketahui di awal. Sistem ahli sangat
kurang bermanfaat dalam berhadapan dengan permasalahan permasalahan yang
tidak terstruktur yang biasanya dihadapi oleh para manajer.
Banyak sistem ahli yang memerlukan upaya pengembangan yang besar, lama, dan
mahal. Menyewa atau melatih lebih banyak ahli akan menjadi lebih murah daripada
membangun suatu sistem ahli. Biasanya, dalam lingkungan sistem ahli yang
beroperasional secara terus-menerus akan mengalami perubahan sehingga sistem
ahli juga harus secara terus-menerus melakukan perubahan. Beberapa sistem ahli,
terutama yang besar, akan sangat rumit sehingga dalam beberapa tahun biaya
pemeliharaannya akan sama besarnya dengan biaya pengembangan.
KECERDASAN ORGANISASIONAL: PENALARAN BERBASIS KASUS
Tugas utama sistem ahli adalah menangkap pengetahuan tersirat dari seorang pakar,
namun organisasi juga harus memiliki pengetahuan dan keahlian kolektif yang telah
dikembangkan selama beberapa tahun. Pengetahuan organisasional ini dapat
ditangkap dan disimpan dengan menggunakan penalaran berbasis kasus. Dalam
penalaran berbasis kasus (case-based reasoningCBR), deskripsi dari
pengalaman masa lalu seorang spesialis yang direpresentasikan sebagai contoh
kasus disimpan dalam database untuk digunakan kembali di suatu waktu pada saat
seorang pengguna berhadapan dengan kasus baru dengan parameter yang serupa.
Sistem ini mencari dalam database kasus yang memiliki karakteristik masalah yang
serupa dengan kasus baru, menemukan kasus yang paling tepat, dan menerapkan
solusi kasus lama pada kasus baru. Solusi yang sukses diberi tanda untuk
digunakan kembali pada kasus baru, dan keduanya disimpan bersama dengan
kasus-kasus lainnya dalam basis pengetahuan. Solusi yang gagal juga dicatat pada
database kasus bersamaan dengan penjelasan mengapa solusi tersebut tidak dapat
digunakan (lihat Gambar di bawah).
Sistem ahli bekerja dengan menerapkan serangkaian aturan IF-THEN ELSE yang
diambil dari para pakar (manusia). CBR, sebaliknya, merepresentasikan
pengetahuan sebagai sederetan kasus, dan pengetahuan ini terus-menerus

22. dikembangkan dan diperbaiki oleh pengguna. Anda akan menemukan penalaran
berbasis kasus dalam sistem diagnosis di bidang pengobatan atau dukungan
pelanggan, di mana pengguna dapat mengambil data kasus di masa lalu yang
memiliki karakteristik serupa dengan kasus yang baru. Sistem ini memberikan usulan
solusi atau diagnosis berdasarkan kasus paling mirip yang diperoleh dari database.
SISTEM LOGIKA FUZZY
Kebanyakan orang tidak berpikir dengan menggunakan aturan IF-THEN yang
tradisional atau dengan angka-angka yang tepat. Manusia cenderung
mengkategorikan hal-hal secara tidak tepat, dengan menggunakan aturan
pengambilan keputusan yang mungkin, memiliki banyak perbedaan pengertian.
Sebagai contoh, seorang laki-laki atau perempuan dapat saja kuat atau cerdas.
Sebuah perusahaan dapat digolongkan sebagai besar, sedang, atau kecil. Suatu
temperatur dapat digolongkan sebagai panas, sejuk, dingin, atau hangat. Kategori-
kategori ini merepresentasikan suatu rentang nilai.
Logika fuzzy (fuzzy logic) merupakan teknologi yang berbasis pada aturan yang
dapat merepresentasikan ketidaktepatan tersebut dengan menciptakan aturan yang
menggunakan perkiraan atau nilai yang subjektif ini dapat menggambarkan suatu

23. fenomena tertentu atau proses secara linguistik dan kemudian merepresentasikan
gambaran tersebut di dala sejumlah kecil aturan yang fleksibel. Organisasi dapat
menggunakan logika fuzzy untuk menciptakan sistem-sistem yang dapat menangkap
pengetahuan tersirat di mana terdapat ketidakjelasan linguistik.
Lihat bagaimana logika fuzzy merepresentasikan temperatur yang bervariasi dalam
suatu aplikasi komputer untuk mengendalikan temperatur ruangan secara otomatis.
Istilah (dikenal sebagai fungsi keanggotaan) akan ditetapkan dengan tidak tepat
sehingga, sebagai contoh, dalam Gambar di bawah, sejuk berada di antara 45
derajat hingga 70 derajat, meskipun temperatur sangat jelas sejuk di antara 60
derajat hingga 67 derajat. Catatan, bahwa pengertian sejuk tersebut tumpang tindih
dengan pengertian dingin atau normal. Untuk mengendalikan lingkungan ruangan
dengan menggunakan logika ini, maka pemrogam akan mengembangkan definisi
yang tidak tepat yang sama untuk kelembaban dan faktor-faktor lainnya, seperti
misalnya angin dan temperatur di luar. Aturan-aturan akan meliputi salah satu yang
menyatakan bahwa: "Jika temperatur adalah sejuk atau dingin dan kelembabannya
rendah, sementara itu angin di luar tinggi dan temperatur di luar rendah, maka akan
meningkatkan panas dan kelembaban di dalam ruangan' Komputer akan
menggabungkan pembacaan fungsi keanggotaan dalam suatu keadaan yang
tertimbang dan, dengan menggunakan semua aturan yang ada, akan meningkatkan
dan menurunkan temperatur dan kelembaban.
Logika fuzzy menyediakan pemecahan atas permasalahan-permasalahan yang
memerlukan keahlian yang sulit untuk merepresentasikan dalam bentuk aturan yang
ketat IF-THEN. Di Jepang, sistem kereta api bawah tanah Sendai menggunakan
kendali logika fuzzy untuk mempercepat dengan sangat lancar di mana penumpang
yang berdiri tidak perlu mencari pegangan untuk bertahan. Mitsubishi Heavy
Industries di Tokyo telah dapat menurunkan pemakaian daya pada pendingin
udaranya sebesar 20% dengan mengimplementasikan program kendali dalam logika

24. fuzzy. Perangkat autofokus dalam kamera hanya dimungkinkan karena logika fuzzy.
Dalam contoh-contoh tersebut, logika fuzzy akan memungkinkan perubahan yang
bertahap dalam input untuk menghasilkan perubahan yang lancar dalam output dan
tidak terputus-putus, yang membuatnya menjadi berguna bagi elektronik konsumen
dan aplikasi rekayasa teknik.
Manajemen juga telah menemukan logika fuzzy yang berguna bagi pengambilan
keputusan dan pengendalian organisasional perusahaan Wall Street menciptakan
suatu sistem yang memilih perusahaan-perusahaan untuk proses pengambilalihan
(akuisisi) yang potensial, dengan menggunakan pemahaman bahasa para pedagang
saham. Suatu sistem logika fuzzy telah dikembangkan untuk mendeteksi
kemungkinan penipuan dalam klaim pengobatan yang diserahkan oleh para
penyedia perawatan kesehatan di manapun di Amerika Serikat.
PEMBELAJARAN MESIN
Pembelajaran mesin (machine learning) merupakan suatu kajian mengenai
bagaimana program komputer dapat meningkatkan kinerja mereka tanpa
pemrogaman secara eksplisit. Mengapa hal ini merupakan pembelajaran? Suatu
mesin pembelajaran tersebut adalah mesin yang, menyerupai manusia, dapat
mengenali pola-pola dalam data, dan mengubah perilakunya yang didasarkan pada
pengenalan pola-polanya, pengalaman, atau pembelajaran sebelumnya (database).
Sebagai contoh, robot yang mengemudikan mobil dapat mengendalikan kehadiran
dari mobil lainnya dan objek (orang), serta dengan demikian mengubah perilakunya
(berhenti, berjalan, perlahan, percepat, atau berbelok). Gagasan mengenai program
komputer yang belajar sendiri, memperbaiki sendiri, bukanlah hal baru, dan telah
menjadi bagian dari bidang kecerdasan artifisial setidaknya sejak tahun 1970-an.
Hingga tahun 1990-an, namun, pembelajaran mesin sangat kurang mampu untuk
memproduksi perangkat yang berguna atau memecahkan permasalahan yang
menarik, dalam dunia bisnis.
Pembelajaran mesin telah meluas dalam 10 tahun terakhir ini karena pertumbuhan
dalam daya komputansi yang tersedia bagi ilmuwan dan perusahaan serta
penurunan dalam biayanya, seiring dengan kemajuan dalam desain algoritme,
database, dan robot. Internet dan data yang besar yang tersedia di internet
membuktikan pengujian yang sangat bermanfaat dan menyediakan dasar bagi
pembelajaran mesin.
Kita menggunakan pembelajaran mesin setiap hari, tetapi tidak mengenalinya.
Setiap pencarian dengan Google yang dipecahkan dengan menggunakan algoritme

25. yang memeringkatkan miliaran laman web yang didasarkan pada query Anda, dan
mengubah hasil didasarkan pada perubahan yang Anda lakukan dalam pencarian
Anda, semuanya dalam beberapa mili per detik. Hasil pencarian juga sangat
disesuaikan dengan pencarian Anda sebelumnya dan hal-hal yang Anda klik. Setiap
kali Anda membeli sesuatu di Amazon, maka mesin pemberi rekomendasinya akan
menyarankan barang lainnya yang mungkin dapat membuat Anda tertarik dengan
didasarkan pada pola dalam pengeluaran Anda sebelumnya, perilaku pada situs web,
dan pembelian lainnya yang "mirip" dengan Anda. Setiap saat Anda mengunjungi
Netflix, maka sistem pemberi rekomendasi akan muncul dengan film-film yang
mungkin dapat membuat Anda tertarik dengan didasarkan pada serangkaian faktor-
faktor yang hampir sama.
Jaringan Neural
Jaringan neural (neuralnetworks) digunakan untuk memecahkan permasalahan
yang rumit, sangat sulit untuk dipahami di mana sejumlah besar data telah
dikumpulkan. Jaringan neural menemukan pola-pola dan hubungan dalam sejumlah
data yang sangat besar yang menjadikan terlalu rumit dan sulit bagi manusia untuk
menganalisisnya. Jaringan neural akan menemukan pengetahuan ini dengan
menggunakan perangkat keras dan perangkat lunak yang memperbandingkan
pemrosesan dari pola-pola biologis atau otak manusia. Jaringan neural
"mempelajari" pola-pola dari kuantitas data yang besar dengan menyaring melalui
data-data, mencari hubungan, membangun model, dan mengoreksi kesalahan model
itu sendiri berkali-kali.
Jaringan neural memiliki sejumlah besar simpul yang merasakan dan memproses
secara terus-menerus berinteraksi satu sama lain. Gambar di bawah
merepresentasikan salah satu tipe dari jaringan neural yang terdiri atas suatu lapisan
input, dan suatu lapisan pemrosesan yang tersembunyi. Manusia "melatih" jaringan
dengan mengumpankannya serangkaian data pelatihan yang mana input akan
memproduksi suatu rangkaian output yang diketahui atau kesimpulan. Hal ini
membantu komputer dalam mempelajari pemecahan yang tepat dengan contoh.
Sebagaimana komputer dimasukkan lebih banyak data, setiap kasus akan
dibandingkan dengan hasil yang diketahui. Jika ini berbeda, maka korelasi akan
dihitung dan diterapkan pada simpul-simpul di dalam lapisan yang tersembunyi.
Langkah-langkah ini akan diulang hingga suatu kondisi, misalnya koreksi menjadi
lebih kurang daripada jumlah tertentu, akan tercapai. Jaringan neural dalam Gambar
di bawah telah mempelajari bagaimana mengidentifiikasi pembelian kartu kredit
palsu. juga, jaringan neural yang mampu mengorganisasikan diri sendiri dapat dilatih

26. dengan- memaparkan kepada mereka sejumlah besar data dan memungkinkan
mereka untuk menemukan pola-pola dan hubungan di dalam data.
Tim penelitian Google yang dipimpin oleh ilmuwan bidang komputer dari Stanford
University, Andrew Y. Ng dan rekan dari Google, Jeff Dean baru-baru ini
menciptakan suatu jaringan neural dengan lebih dari satu miliar koneksi yang dapat
mengidentifikasi kucing. Jaringan menggunakan serangkaian 16.000 prosesor dan
dimasukkan gambar kecil dari gambar-gambar secara acak, masing-masing
diekstrak dari kumpulan 10 juta video YouTuBe. Jaringan neural mengajarkan dirinya
sendiri untuk mengenali kucing-kucing, tanpa bantuan dari manusia dalam
mengidentifikasi fitur-fitur yang spesifik selama proses pembelajaran. Google
meyakini bahwa jaringan neural ini memiliki aplikasi yang menjanjikan dalam
pencarian gambar, pengenalan suara, dan mesin penerjemahan bahasa
(Markoff:2012).
Sementara itu, sistem ahli berupaya untuk menandingi atau model cara manusia
dalam memecahkan permasalahan, para perancang jaringan neural mengatakan
bahwa mereka tidak memprogram pemecahan dan tidak bertujuan untuk
memecahkan permasalahan-permasalahan tertentu. Alih-alih, para perancang
jaringan neural berupaya untuk menempatkan kecerdasan ke dalam perangkat keras
dalam bentuk kemampuan untuk mempelajari yang telah digeneralisasikan. Secara
kontras, sistem ahli sangat spesifik terhadap suatu permasalahan tertentu dan tidak
dapat dilatih kembali dengan mudah.
Penerapan jaringan neural dalam pengobatan, ilmu pengetahuan, dan bisnis akan
membahas mengenai permasalahan dalam pola klasifikasi, prediksi, analisis
keuangan, dan pengendalian serta optimalisasi. Dalam dunia pengobatan,
penerapan jaringan neural digunakan untuk menyaring para pasien yang terkena
penyakit arteri koroner, untuk mendiagnosis para pasien yang menderita penyakit

27. epilepsi dan Alzheimer, serta untuk melakukan pengenalan pola dari gambar patologi.
Industri keuangan menggunakan jaringan neural untuk memahami pola-pola dalam
sekumpulan data yang sangat banyak yang dapat membantu dalam memprediksikan
kinerja dari ekuitas, pemeringkatan obligasi dari korporat, atau kepailitan korporat.
Visa International menggunakan jaringan neural untuk membantu dalam mendeteksi
penipuan kartu kredit dengan memonitor semua transaksi Visa yang mengalami
perubahan mendadak dalam pola pembelian dari para pemegang kartunya.
Terdapat banyak aspek yang membingungkan dari jaringan neural. Tidak seperti
sistem ahli, yang umumnya memberikan penjelasan atas pemecahan mereka,
jaringan neural tidak selalu dapat menjelaskan mengapa mereka sampai pada suatu
pemecahan tertentu. Lebih lanjut lagi, mereka tidak selalu dapat menjamin suatu
pemecahan yang benar-benar pasti, sampai pada pemecahan yang sama lagi
dengan input data yang sama, atau selalu menjamin pemecahan yang terbaik.
Mereka sangat sensitif dan tidak dapat bekerja dengan baik jika jangkauan pelatihan
mereka terlalu kecil atau terlalu sedikit data. Dalam penerapan-penerapan yang
terbaru, maka jaringan neural sangat baik digunakan sebagai bantuan bagi para
pengambil keputusan manusia dan bukannya menggantikan mereka.
Algoritme Genetika
Algoritme genetika (genetic algoritms) bermanfaat untuk menemukan pemecahan
yang optimal atas suatu permasalahan tertentu dengan memeriksa sejumlah besar
kemungkinan pemecahan atas permasalahan tersebut. Mereka didasarkan pada
teknik-teknik yang diinspirasikan dengan biologi yang evolusioner seperti misalnya
turunan, mutasi, seleksi, dan persilangan (digabungkan kembali).
Algoritme genetika bekerja dengan merepresentasikan informasi sebagai suatu
deretan dari 0s dan 1s. Algoritme genetika mencari populasi dari deretan yang
dihasilkan secara acak dari angka biner untuk mengidentifikasi deretan yang tepat
yang merepresentasikan kemungkinan pemecahan terbaik bagi permasalahan.
Sebagaimana pemecahan akan berubah dan bergabung, maka yang terburuk akan
disingkirkan dan yang lebih baik akan bertahan untuk dilanjutkan dalam
menghasilkan pemecahan-pemecahan yang lebih baik.
Dalam Gambar di bawah, tiap-tiap deretan akan terhubung pada salah satu peubah
(variabel) dalam permasalahan. Salah satu menerapkan ujian bagi kesesuaian,
dengan memeringkatkan deretan dalam populasi disesuaikan dengan tingkat
keinginan mereka sebagai kemungkinan pemecahan. Setelah populasi awal telah
dievaluasi kesesuaiannya, maka algoritme kemudian menghasilkan generasi

28. berikutnya dari deretan, yang terdiri atas deretan-deretan yang melewati ujian
kesesuaian ditambah keturunan deretan yang dihasilkan dari menyilangkan
pasangan deretan, dan menguji kesesuaian mereka. proses tersebut terus-menerus
berlanjut hingga suatu pemecahan dapat dicapai.
Algoritme genetika digunakan untuk memecahkan permasalahan yang sangat
dinamis dan rumit, yang melibatkan ratusan atau ribuan peubah atau formula.
Permasalahan harus berupa salah satu di mana kisaran kemungkinan pemecahan
dapat direpresentasikan secara genetik dan kriteria dapat ditentukan untuk
mengevaluasi kesesuaian. Algoritme genetika mempercepat pemecahan karena
mereka dapat mengevaluasi banyak alternatif pemecahan dengan cepat untuk
menemukan salah satu yang terbaik. Sebagai contoh, para insinyur pada General
Electric menggunakan algoritme genetika untuk membantu dalam mengoptimalkan
desain untuk mesin pesawat terbang turbin jet, yang mana setiap perubahan desain
diperlukan perubahan sampai dengan 100 peubah. Perangkat lunak manajemen
rantai pasokan dari i2 Technologies menggunakan algoritme genetika untuk
mengoptimalkan model penjadwalan produksi yang memadukan ratusan ribu rincian
mengenai pesanan pelanggan, ketersediaan bahan material dan sumber daya,
kapabilitas manufaktur dan distribusi, serta tanggal pengiriman.
AGEN INTELIGEN
Teknologi agen inteligen akan membantu pebisnis untuk membuat navigasi melalui
sejumlah besar data untuk menempatkan dan bertindak atas informasi yang
dianggap penting. Agen inteligen (intelligent agents) merupakan program perangkat
lunak yang bekerja tanpa intervensi secara langsung dari manusia untuk
melaksanakan tugas tertentu bagi seorang pengguna individual, proses bisnis, atau
aplikasi perangkat lunak. Agen menggunakan basis pengetahuan yang dipelajari

29. atau dibangun untuk menyelesaikan tugas-tugas atau mengambil keputusan dalam
kepentingan pengguna, seperti menghapus e-mail sampah, menjadwalkan janji
pertemuan, atau bepergian dengan menggunakan jaringan yang saling terhubung
untuk menemukan tarif pesawat yang paling murah ke California.
Terdapat banyak penerapan agen inteligen saat ini dalam sistem operasi, perangkat
lunak aplikasi, sistem e-mail, perangkat lunak komputasi mobile, dan alat bantu
jaringan. Sebagai contoh, wizard yang ditemukan dalam alat bantu perangkat lunak
Microsoft Office memiliki kapabilitas yang telah ada untuk menunjukkan kepada para
pengguna bagaimana menyelesaikan tugas-tugas yang beraneka macam, seperti
memformat dokumen atau membuat grafik, dan untuk mengantisipasi ketika para
pengguna memerlukan bantuan.
Meskipun beberapa agen inteligen diprogram untuk mengikuti suatu rangkaian
aturan yang sederhana, tetapi yang lainnya dapat belajar dari pengalaman dan
menyesuaikan perilaku mereka. Siri, suatu aplikasi dari sistem operasi IOS milik
Apple untuk iPhone dan iPad, merupakan suatu contoh. Siri merupakan asisten
pribadi yang cerdas yang menggunakan teknologi pengenalan suara untuk
menjawab pertanyaan, membuat rekomendasi, dan melakukan tindakan. Perangkat
lunak ini menyesuaikan diri dengan pilihan individual dari penggunanya dari waktu ke
waktu dan mempersonalisasikan hasil, mengerjakan tugas seperti menemukan
restoran-restoran yang dekat, membeli tiket bioskop, memperoleh petunjuk arah,
menjadwalkan janji pertemuan, dan mengirimkan pesan. Siri memahami suara yang
alamiah, dan mengajukan pertanyaan kepada penggunanya jika memerlukan lebih
banyak informasi untuk menyelesaikan suatu tugas. Siri tidak memproses input
suara setempat pada perangkat penggunanya. Sebaliknya, dia mengirimkan perintah
melalui server jarak jauh sehingga para penggunanya harus terhubung dengan Wi-Fi
atau sinyal 3G.
Banyak fenomena yang rumit yang dapat dimodelkan sebagai sistem dari agen-agen
yang mandiri yang mengikuti aturan sederhana untuk berinteraksi. Aplikasi
permodelan berbasis agen (agent-based modeling) dikembangkan untuk meniru
perilaku dari pelanggan, pasar-saham, dan rantai pasokan, serta untuk memprediksi
penyebaran dari epidemi.
Procter & Gamble (P&G) menggunakan permodelan berbasis agen untuk
meningkatkan koordinasi di antara para anggota yang berbeda dari rantai
pasokannya dalam menanggapi perubahan dalam kondisi bisnis (lihat Gambar di
bawah). Membuat model rantai pasokan yang rumit sebagai suatu kelompok dari

30. "agen" yang semi mandiri merepresentasikan komponen-komponen rantai pasokan
individual, seperti truk, fasilitas produksi, distributor, dan gerai pengecer. Perilaku
dari tiap-tiap agen akan diprogram untuk mengikuti aturan yang meniru perilaku yang
sebenarnya, seperti "melakukan pesanan barang ketika kehabisan persediaan''.
Simulasi dengan menggunakan agen akan memungkinkan bagi perusahaan untuk
menyelenggarakan analisis "bagaimana-jika" terhadap tingkat persediaan, kehabisan
persediaan di dalam gerai, dan biaya transportasi.
Dengan menggunakan model agen, P&G menemukan bahwa truk-truk akan sering
diberangkatkan sebelum terisi penuh. Meskipun biaya transportasi menjadi lebih
tinggi dengan menggunakan truk yang hanya terisi sebagian saja, tetapi simulasi
menunjukkan bahwa gerai pengecer yang kehabisan persediaan tidak sering terjadi,
dengan demikian akan menurunkan jumlah penjualan yang hilang, yang mana akan
lebih besar daripada menutup biaya distribusi yang lebih tinggi. Pemodelan berbasis
agen telah membantu P&G menghemat $300 juta setiap tahunnya atas investasi
yang nilainya hanya kurang dari 1 persen dari jumlah tersebut.
SISTEM AI HIBRIDA
Algoritme genetika, logika fuzzy, jaringan neural, dan sistem ahli dapat diintegrasikan
ke dalam aplikasi tunggal untuk memperoleh keunggulan dari fitur teknologi yang
terbaik. Sistem-sistem seperti itu disebut dengan sistem AI hibrida (hybrid Al
systems). Aplikasi hibrida dalam bisnis terus bertumbuh. Di Jepang, Hitachi,
Mitsubishii, Ricoh, Sanyo, dan yang lainnya mulai memadukan Al hibrida dalam
produk-produk seperti misalnya peralatan rumah tangga, mesin pabrik, dan peralatan
kantor. Matsushita telah mengembangkan mesin cuci "neurofuzzy" yang memadukan

31. logika fuzzy dengan jaringan neural. Nikko Securities telah menjalankan sistem
neurofuzzy untuk meramalkan pemeringkatkan obligasi yang dapat dikonversi.
 Pembahasan
Knowledge management
American Productivity and Quality Centre(APQC) menjelaskan knowledge
management sebagai pendekatan-pendekatan sistematik yang membantu muncul
dan mengalirnya informasi dan knowledge kepada orang yang tepat pada saat yang
tepat untuk menciptakan nilai. Secara konseptual, Knowledge management
merupakan kegiatan organisasi dalam mengelola pengetahuan sebagai aset,
diperlukan upaya penyaluran pengetahuan yang tepat kepada orang yang tepat dan
dalam waktu yang cepat, hingga mereka bisa saling berinteraksi, berbagi
pengetahuan dan mengaplikasikannya dalam pekerjaan sehari-hari demi
peningkatan kinerja organisasi.
Manfaat Implementasi Knowledge management
Knowledge merupakan aset kunci agar suatu organisasi memiliki keunggulan
kompetitif yang berkelanjutan. Keunggulan kompetitif tersebut diperoleh dari dampak
implementasi knowledge management terhadap berbagai bidang berikut ini:
1) Bidang operasi dan pelayanan
Perusahaan yang memiliki knowledge worker adalah perusahaan yang memiliki
basis customer knowledge yang terkelola dengan baik. Customer knowledge ini
dapat diakses oleh pekerjanya serta dapat membantu mereka dalam memberikan
pelayanan terbaik kepada pelanggannya.
2) Bidang pengembangan kompetensi personil
Proses pembelajaran terjadi dalam siklus yang berkelanjutan. Proses ini berawal dari
akuisisi knowledge yang kemudian diaplikasikan dalam proses bisnis organisasi.
Knowledge yang diaplikasikan potensial memunculkan knowledge yang baru melalui
proses knowledge creation (penciptaan knowledge). Knowledge ini kemudian
dipelihara dan dishare kembali untuk dapat diakuisisi dan dimanfaatkan secara luas.
Siklus inilah menjadi proses utama dalam knowledge management yaitu berupa
proses-proses: knowlegde creation, knowledgeretention, knowledge transfer/sharing,
dan knowledge utilisation.
3) Bidang pemeliharaan ketersediaan knowledge
Skill dan knowledge yang dimiliki oleh pekerja dalam sebuah perusahaan perlu
dikelola oleh perusahaan untuk menjamin tidak terjadinya knowledgeloss.
Knowledge loss adalah suatu kondisi dimana perusahaan kehilangan knowledge
yang dibutuhkannya, meskipun knowledge tersebut sebelumnya sudah pernah
dimiliki dan dipergunakan oleh perusahaan tersebut.

32. 4) Bidang inovasi dan pengembangan produk
Salah satu produk dari knowledge management adalah proses pembelajaran yang
berimplikasi terhadap peningkatan kemampuan inovasi yaitu dengan terciptanya
knowledge baru. Inovasi yang dikombinasikan dengan kebutuhan pelanggan akan
menjadi solusi atau produk yang efektif dalam mengatasi permasalahan yang
dihadapi oleh pelanggan.
Faktor-faktor Penting dalam Implementasi Knowledge management
1) Manusia
Pada hakekatnya knowledge berada di dalam pikiran manusia berupa tacit
knowledge. Di samping sebagai sumber knowledge, manusia juga pada hakekatnya
merupakan pelaku dari proses-proses yang ada di dalam knowledge management.
2) Leadership
Untuk suksesnya implementasi knowledge management, para pemimpin harus
mengerahkan kapasitas intelektual dan sumber daya yang di bawah kendalinya
dalam menginspirasi, menyusun dan terjun langsung mengkonduktori implementasi
knowledge management untuk mewujudkan visinya.
3) Teknologi
Perkembangan teknologi informasi (TI) yang sudah merasuk ke semua aspek
kegiatan manusia membuat penggunaan teknologi informasi menjadi salah satu
enabler dari knowledge management. Selain berfungsi sebagai media utama
pendistribuan knowledge, penggunaan teknologi IT dalam knowledge management
juga sangat berperan dalam mengeksekusi berbagai proses di knowledge
management yaitu:
 Capture, generate atau akuisisi knowledge
 Kodifikasi knowledge
 Knowledgemaintenance (validasi, pemeliharaan integritas knowledge)
 Securitydari knowledge
 Memonitor pemanfaatan knowledge.
4) Organisasi
Organisasi berkaitan dengan penanganan aspek operasional dari aset-aset
knowledge, termasuk fungsi-fungsi, proses-proses, struktur organisasi formal dan
informal ukuran dan indikator pengendalian proses penyempurnaan, dan rekayasa
proses bisnis.
5) Learning

33. Proses learning menjadi sangat penting dalam knowledge management karena
melalui proses inilah diharapkan muncul ide-ide, inovasi dan knowledge baru, yang
menjadi komoditas utama yang diproses dalam knowledge management.
Contoh-contoh pemanfaatan KM dalam organisasi
Inovasi di Daerah Istimewa Aceh/Provinsi Aceh Pasca bencana tsunami pada tahun
2004, pembangunan untuk pemulihan Aceh menggunakan teknologi dengan
membuat basis data terhadap bantuan yang diterima dari luar negeri maupun data
penerima hibah. Hal ini bertujuan agar pembangunan berjalan secara transparan dan
akuntabel. Sebagai contoh yaitu penggunaan sistem informasi geografis yang sangat
akurat untuk pembangunan perumahan masyarakat korban bencana seperti
ditunjukkan pada Gambar 3.
Gambar 3. Sistem Informasi Geografis Pembangunan di Aceh Pasca Tsunami 2004
(Mangkusubroto, 2015)
Sistem inventori secara tradisional/klasik yaitu pendataan nama pemilik rumah yang
mendapatkan hibah beserta tandatangannya di atas kertas. Hal ini menyebabkan
banyak terjadi pemalsuan data. Dengan penerapan KM, para pemberi hibah dari
dalam negeri maupun mancanegara dapat mengecek data dari letak koordinat
geografis dalam peta sampai wujud rumahnya secara fisik. Selain itu, data personal
si penerima hibah sampai dengan surat serah terima dengan si pemilik rumah diatas
materai dapat juga diakses. Teknologi yang membantu penerapan KM ini adalah
aplikasi Geographic Information System (GIS).
Optimalisasi potensi daerah kabupaten Bantaeng, Sulawesi Selatan sebagai pusat
pertumbuhan ekonomi
Kabupaten Bantaeng terletak di sebelah selatan Sulawesi Selatan atau terletak di
telapak kaki pulau Sulawesi. Simpul masalah pembangunan sampai tahun 2008
di kabupaten Bantaeng adalah banjir, produktivitas pertanian yang rendah serta
akses masyarakat terhadap layanan publik yang rendah. Proses untuk menciptakan
KM adalah melalui pertemuan antara pemimpin daerah dengan masyarakat secara
langsung baik dengan kunjungan ke desa-desa dan wilayah terpencil maupun
dengan membangun jadwal rutin untuk bertemu langsung dengan masyarakat
setiap pagi antara jam 6.00-9.00 di rumah dinas pimpinan daerah. Lebih lanjut,
proses penciptaan KM dengan membangun jaringan dan kemitraan dengan

34. beberapa universitas/instansi seperti: Unhas, BPPT, Biotrop Bogor, IPB, UGM, Bali
Padi Sukamandi, BATAN, Balitsereal Maros, Global Seafood Jepang dll.
Penerapan KM untuk mengendalikan banjir adalah dengan membangun cekdam
multi fungsi, seperti ditunjukkan pada Gambar 4. Selain sebagai pengendali banjir,
cekdam tersebut dijadikan sebagai tempat wisata pemancingan dan stok air pada
musim kemarau.
Gambar 4 . Cekdam multifungsi (Abdullah, 2015)
Untuk produktivitas pertanian yang rendah, penerapan KM dengan pemetaan potensi
yang membagi kabupaten Bantaeng kedalam 3 zona, yaitu zona/cluster pesisir,
cluster dataran rendah, dan cluster pegunungan. Cluster pegunungan difokuskan
untuk pengembangan komoditi holtikultura, seperti: kebun sayur organik dan
pengembangan kawasan agrowisata untuk buah-buahan. Cluster dataran rendah
difokuskan untuk penangkaran benih padi dan benih jagung hibrida untuk
mendukung ketahanan pangan. Selain itu, dikembangkan pula lahan untuk
memproduksi talas. Sebagian dari produk talas ini merupakan produk ekspor ke
negara Jepang dan Korea. Cluster pesisir dikembangkan dengan penataan pantai;
pembangunan jogging track; sport center seperti kolam renang bertaraf internasional,
arena permainan tenis, basket; pusat jajanan kuliner; fasilitas penginapan; serta
kawasan ekowisata dan pemancingan pantai. Pengembangan cluster pesisir
kabupaten Bantaeng ditunjukkan pada Gambar 5.
Gambar 5 . Pengembangan cluster pesisir pantai (Abdullah, 2015)
Dalam hal akses masyarakat terhadap layanan publik yang rendah, proses
penciptaan KM dengan melakukan kerjasama dengan Ehime Toyota Jepang untuk

35. meloby bantuan armada brigade siaga bencana. Penerapan KM dengan adanya
mobil ambulans yang didalamnya terdapat peralatan kedokteran modern serta
adanya mobil pemadam kebakaran yang sudah dilengkapi dengan crane. Semua
layanan ini bisa diakses publik dengan jam operasional 1x24 jam.
Dampak positif dari semua penerapan KM di kabupaten Bantaeng pada tahun 2014
adalah menurunnya angka kematian bayi secara signifikan (38 kasus pada tahun
2008 menjadi 0 kasus), menurunnya angka kematian ibu hamil secara signifikan (17
kasus pada tahun 2008 menjadi 0 kasus), menurunnya kasus gizi buruk pada anak-
anak secara signifikan (16 kasus pada tahun 2008 menjadi 0 kasus), serta
menurunnya penyakit berbasis lingkungan secara signifikan (238 kasus pada tahun
2008 menjadi 5 kasus) (Abdullah, 2015).
Hambatan KM dan Strategi Implementasinya
Beberapa hambatan dalam penerapan KM dan strategi yang harus dimiliki oleh
organisasi untuk mengatasi hambatan tersebut diringkas seperti pada Tabel 1
(Tjakraatmadja, 2015).
 Kesimpulan
Dalam studi ini dibahas pengertian dan implementasi manajemen pengetahuan
ditingkat organisasi maupun individu. Organisasi yang berhasil menerapkan
manajemen pengetahuan yang sudah dipaparkan antara lain kabupaten Bantaeng di

36. Sulawesi Selatan serta pembangunan Provinsi Aceh pasca Tsunami 2004. Hasilnya
menunjukkan bahwa proses penciptaan, pembauran, penyebaran dan penerapan
pengetahuan memberikan hasil yang efisien, efektif serta berdampak positif bagi
pembangunan masyarakat/daerah. Program-program pemetaan, percepatan, dan
pemerataan pembangunan di daerah dapat dilaksanakan dengan berhasil.
Sedangkan penerapan manajemen pengetahuan secara personal/individu
didiskusikan dengan keahlian serta teknologi yang mendukung. Perangkat lunak
berbasis internet dan berbasis desktop dapat digunakan untuk membantu mengatur
dan menyajikan data.
 Daftar Pustaka (Minimal 5, sumber bisa modul, ebook, artikel baik
online maupun offline)
 Anggraini, D., Hamiza, A., Doktoralina, C. M., & Anah, S. (2018). Application
of Supply Chain Management Practices in Banks: Evidence from Indonesia.
International Journal of Supply Chain Management, 7(5), 418-427.
 Anggraini, D., & Tanjung, P. R. S. (2020). Company Value: Disclosure
Implications of Sustainable Supply Chain, Profitability and Industrial Profile.
International Journal of Supply Chain Management, 9(2), 648-655.
 Ardianto, A., & Fitrianah, D. (2019). Penerapan Algoritma FP-Growth
Rekomendasi Trend Penjualan ATK pada CV. Fajar Sukses Abadi.
InComTech, 9(1), 49-60.
 Damayanti, K., Fardinal., (2019). The Effect of Information Technology
Utilization, Management Support, Internal Control, and User Competence on
Accounting Information System Quality. Schollars Bulletin, 5(12), 751-758.
 Doktoralina, C., & Apollo, A. (2019). The contribution of strategic
management accounting in supply chain outcomes and logistic firm
profitability. Uncertain Supply Chain Management, 7(2), 145-156.
 Hanifah, S., Sarpingah, S., & Putra, Y. M., (2020). The Effect of Level of
Education, Accounting Knowledge, and Utilization Of Information Technology
Toward Quality The Quality of MSME ’ s Financial Reports. (3).
doi:https://doi.org/10.4108/eai.3-2-2020.163573.
 Herliansyah, Y., Nugroho, L., Ardilla, D., & Putra, Y. M., (2020). The
Determinants of Micro, Small and Medium Entrepreneur (MSME) Become
Customer of Islamic Banks (Religion, Religiosity, and Location of Islamic
Banks ). The 1st Annual Conference Economics, Business, and Social
Sciences, (2). doi:https://doi.org/10.4108/eai.26-3-2019.2290775.
 Putra, Y. M. (2019). Sistem Manajemen Pengetahuan. Modul Kuliah Sistem
Informasi Manajemen. FEB-Universitas Mercu Buana: Jakarta
 Putra, Y. M., (2019). Analysis of Factors Affecting the Interests of SMEs
Using Accounting Applications. Journal of Economics and Business, 2(3),
818-826. doi:https://doi.org/10.31014/aior.1992.02.03.129.
 Rekarti, E., & Doktoralina, C. M. (2017). Improving Business Performance: A
Proposed Model for SMEs. European Research Studies Journal, 20(3A), 613-
623.

37.  Rekarti, E., Doktoralina, C. M., & Saluy, A. B. (2018). Development model of
marketing capabilities and export performance of SMEs: A proposed study.
European Journal of Business and Management, 10(22).
 Zamzami, A.H., & Putra, Y. M., (2019). Intensity of Taxpayers Using E-Filing
(Empirical Testing of Taxpayers in Jakarta, Bogor, Depok, Tangerang, and
Bekasi). EPRA International Journal of Multidisciplinary Research (IJMR) 5(7),
154-161.
 https://www.training-sdm.com/implementasi-manajemen-pengetahuan-di-
bidang-sdm.html
 http://pengertianmanagement.blogspot.com/2012/11/pengertian-knowledge-
management.html
 http://jurnal.uinsu.ac.id › jipi › article › download
 https://media.neliti.com/media/publications/115651-ID-manajemen-
pengetahuan-dan-implementasiny.pdf