#SIP Artificial Intelligence & Expert System

Artificial Intelligence

Kecerdasan Buatan atau kecerdasan yang ditambahkan kepada suatu sistem yang bisa diatur dalam konteks ilmiah atau Intelegensi Artifisial (bahasa Inggris: Artificial Intelligence atau hanya disingkat AI) didefinisikan sebagai kecerdasan entitas ilmiah. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer (games), logika fuzzy, jaringan saraf tiruan dan robotika.[sumber]

Berikut ini adalah definisi kecerdasan buatan menurut para ahli:

John McCarthy, 1956

Kecerdasan buatan adalah usaha memodelkan proses berpikir manusia dan mendesain mesin agar dapat menirukan perilaku manusia.

Herbert Simon, 1987

Kecerdasan buatan adalah tempat suatu penelitian, aplikasi dan instrusksi yang terkait dengan pemrograman komputer dalam melakukan suatu hal yang menurut pandangan manusia ⎼ cerdas.

Rich dan Knight, 1991

Kecerdasan buatan adalah suatu studi mengenai bagaimana membuat komputer mampu melakukan hal-hal yang pada saat ini masih bisa dilakukan lebih baik oleh manusia.[sumber]

 

Sejarah Kecerdasan Buatan (Artificial Intellegence)

Pada awal abad 17, René Descartes mengemukakan bahwa tubuh hewan bukanlah apa-apa melainkan hanya mesin-mesin yang rumit. Blaise Pascal menciptakan mesin penghitung digital mekanis pertama pada 1642. Pada 19, Charles Babbage dan Ada Lovelace bekerja pada mesin penghitung mekanis yang dapat diprogram.

Bertrand Russell dan Alfred North Whitehead menerbitkan Principia Mathematica, yang merombak logika formal. Warren McCulloch dan Walter Pitts menerbitkan "Kalkulus Logis Gagasan yang tetap ada dalam Aktivitas " pada 1943 yang meletakkan fondasi untuk jaringan saraf.

Tahun 1950-an adalah periode usaha aktif dalam AI. Program AI pertama yang bekerja ditulis pada 1951 untuk menjalankan mesin Ferranti Mark I di University of Manchester (UK): sebuah program permainan naskah yang ditulis oleh Christopher Strachey dan program permainan catur yang ditulis oleh Dietrich Prinz. John McCarthy membuat istilah "kecerdasan buatan " pada konferensi pertama yang disediakan untuk pokok persoalan ini, pada 1956. Dia juga menemukan bahasa pemrograman Lisp. Alan Turing memperkenalkan "Turing test" sebagai sebuah cara untuk mengoperasionalkan test perilaku cerdas. Joseph Weizenbaum membangun ELIZA, sebuah chatterbot yang menerapkan psikoterapi Rogerian.

Selama tahun 1960-an dan 1970-an, Joel Moses mendemonstrasikan kekuatan pertimbangan simbolis untuk mengintegrasikan masalah di dalam program Macsyma, program berbasis pengetahuan yang sukses pertama kali dalam bidang matematika. Marvin Minsky dan Seymour Papert menerbitkan Perceptrons, yang mendemostrasikan batas jaringan saraf sederhana dan Alain Colmerauer mengembangkan bahasa komputer Prolog. Ted Shortliffe mendemonstrasikan kekuatan sistem berbasis aturan untuk representasi pengetahuan dan inferensi dalam diagnosa dan terapi medis yang kadangkala disebut sebagai sistem pakar pertama. Hans Moravec mengembangkan kendaraan terkendali komputer pertama untuk mengatasi jalan berintang yang kusut secara mandiri.

Pada tahun 1980-an, jaringan saraf digunakan secara meluas dengan algoritme perambatan balik, pertama kali diterangkan oleh Paul John Werbos pada 1974. Pada tahun 1982, para ahli fisika seperti Hopfield menggunakan teknik-teknik statistika untuk menganalisis sifat-sifat penyimpanan dan optimasi pada jaringan saraf. Para ahli psikologi, David Rumelhart dan Geoff Hinton, melanjutkan penelitian mengenai model jaringan saraf pada memori. Pada tahun 1985-an sedikitnya empat kelompok riset menemukan kembali algoritme pembelajaran propagansi balik (Back-Propagation learning). Algoritme ini berhasil diimplementasikan ke dalam ilmu komputer dan psikologi. Tahun 1990-an ditandai perolehan besar dalam berbagai bidang AI dan demonstrasi berbagai macam aplikasi. Lebih khusus Deep Blue, sebuah komputer permainan catur, mengalahkan Garry Kasparov dalam sebuah pertandingan 6 game yang terkenal pada tahun 1997. DARPA menyatakan bahwa biaya yang disimpan melalui penerapan metode AI untuk unit penjadwalan dalam Perang Teluk pertama telah mengganti seluruh investasi dalam penelitian AI sejak tahun 1950 pada pemerintah AS.

Pada awal abad 17, René Descartes mengemukakan bahwa tubuh hewan bukanlah apa-apa melainkan hanya mesin-mesin yang rumit. Blaise Pascal menciptakan mesin penghitung digital mekanis pertama pada 1642. Pada 19, Charles Babbage dan Ada Lovelace bekerja pada mesin penghitung mekanis yang dapat diprogram.

Bertrand Russell dan Alfred North Whitehead menerbitkan Principia Mathematica, yang merombak logika formal. Warren McCulloch dan Walter Pitts menerbitkan "Kalkulus Logis Gagasan yang tetap ada dalam Aktivitas " pada 1943 yang meletakkan fondasi untuk jaringan saraf.

Tahun 1950-an adalah periode usaha aktif dalam AI. Program AI pertama yang bekerja ditulis pada 1951 untuk menjalankan mesin Ferranti Mark I di University of Manchester (UK): sebuah program permainan naskah yang ditulis oleh Christopher Strachey dan program permainan catur yang ditulis oleh Dietrich Prinz. John McCarthy membuat istilah "kecerdasan buatan " pada konferensi pertama yang disediakan untuk pokok persoalan ini, pada 1956. Dia juga menemukan bahasa pemrograman Lisp. Alan Turing memperkenalkan "Turing test" sebagai sebuah cara untuk mengoperasionalkan test perilaku cerdas. Joseph Weizenbaum membangun ELIZA, sebuah chatterbot yang menerapkan psikoterapi Rogerian.

Selama tahun 1960-an dan 1970-an, Joel Moses mendemonstrasikan kekuatan pertimbangan simbolis untuk mengintegrasikan masalah di dalam program Macsyma, program berbasis pengetahuan yang sukses pertama kali dalam bidang matematika. Marvin Minsky dan Seymour Papert menerbitkan Perceptrons, yang mendemostrasikan batas jaringan saraf sederhana dan Alain Colmerauer mengembangkan bahasa komputer Prolog. Ted Shortliffe mendemonstrasikan kekuatan sistem berbasis aturan untuk representasi pengetahuan dan inferensi dalam diagnosa dan terapi medis yang kadangkala disebut sebagai sistem pakar pertama. Hans Moravec mengembangkan kendaraan terkendali komputer pertama untuk mengatasi jalan berintang yang kusut secara mandiri.

Pada tahun 1980-an, jaringan saraf digunakan secara meluas dengan algoritme perambatan balik, pertama kali diterangkan oleh Paul John Werbos pada 1974. Pada tahun 1982, para ahli fisika seperti Hopfield menggunakan teknik-teknik statistika untuk menganalisis sifat-sifat penyimpanan dan optimasi pada jaringan saraf. Para ahli psikologi, David Rumelhart dan Geoff Hinton, melanjutkan penelitian mengenai model jaringan saraf pada memori. Pada tahun 1985-an sedikitnya empat kelompok riset menemukan kembali algoritme pembelajaran propagansi balik (Back-Propagation learning). Algoritme ini berhasil diimplementasikan ke dalam ilmu komputer dan psikologi. Tahun 1990-an ditandai perolehan besar dalam berbagai bidang AI dan demonstrasi berbagai macam aplikasi. Lebih khusus Deep Blue, sebuah komputer permainan catur, mengalahkan Garry Kasparov dalam sebuah pertandingan 6 game yang terkenal pada tahun 1997. DARPA menyatakan bahwa biaya yang disimpan melalui penerapan metode AI untuk unit penjadwalan dalam Perang Teluk pertama telah mengganti seluruh investasi dalam penelitian AI sejak tahun 1950 pada pemerintah AS.

Tantangan Hebat DARPA, yang dimulai pada 2004 dan berlanjut hingga hari ini, adalah sebuah pacuan untuk hadiah $2 juta dimana kendaraan dikemudikan sendiri tanpa komunikasi dengan manusia, menggunakan GPS, komputer dan susunan sensor yang canggih, melintasi beberapa ratus mil daerah gurun yang menantang. [sumber]

Hubungan Kecerdasan Buatan dengan Kognisi Manusia

Teknologi Artificial Intelligence memiliki hubungan yang erat dengan dunia teknologi komunikasi dan informasi. Sama seperti proses komunikasi, Artificial Intelligencemenaruh perhatian yang besar terhadap konsep kognisi. Salah satu fungsi kognisi yang kita kenal adalah bahasa. Dengan adanya sistem bahasa, komunikasi antara sender dengan receiver dapat berjalan dengan lancar, dan sistem bahasa, lebih spesifiknya sistem computer linguistic, pun telah menyumbang banyak kontribusi bagi perkembangan dunia Artificial Intelligence. Dari relasi ini, bisa terlihat bahwa bahasa sebagai salah satu konsep relevan dalam dunia komunikasi memiliki hubungan yang demikian erat dengan perkembangan teknologi artificial intelligencedari zaman dahulu hingga sekarang. Selain itu, penalaran dan pengambilan keputusan adalah aspek lainnya dari kognisi yang juga memiliki relasi dengan konsep komunikasi dan teknologi artficial intelligence sendiri.[sumber]

Expert System

Sistem Pakar (dalam bahasa Inggris :expert system) adalah sistem informasi yang berisi dengan pengetahuan dari pakar sehingga dapat digunakan untuk konsultasi. Pengetahuan dari pakar di dalam sistem ini digunakan sebagi dasar oleh Sistem Pakar untuk menjawab pertanyaan (konsultasi).
Kepakaran (expertise) adalah pengetahuan yang ekstensif dan spesifik yang diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman. Pengetahuan membuat pakar dapat mengambil keputusan secara lebih baik dan lebih cepat daripada non-pakar dalam memecahkan problem yang kompleks. Kepakaran mempunyai sifat berjenjang, pakar top memiliki pengetahuan lebih banyak daripada pakar yunior. Tujuan Sistem Pakar adalah untuk mentransfer kepakaran dari seorang pakar ke komputer, kemudian ke orang lain (yang bukan pakar).

Sistem pakar adalah suatu program komputer yang mengandung pengetahuan dari satu atau lebih pakar manusia mengenai suatu bidang spesifik. Jenis program ini pertama kali dikembangkan oleh periset kecerdasan buatan pada dasawarsa 1960-an dan 1970-an dan diterapkan secara komersial selama 1980-an. Bentuk umum sistem pakar adalah suatu program yang dibuat berdasarkan suatu set aturan yang menganalisis informasi (biasanya diberikan oleh pengguna suatu sistem) mengenai suatu kelas masalah spesifik serta analisis matematis dari masalah tersebut. Tergantung dari desainnya, sistem pakar juga mampu merekomendasikan suatu rangkaian tindakan pengguna untuk dapat menerapkan koreksi. Sistem ini memanfaatkan kapabilitas penalaran untuk mencapai suatu simpulan.[sumber]

Sejarah Expert System

Sistem pakar dikembangkan oleh komunitas artificial intelligence pada pertengahantahun 1960. Pada periode ini, penelitian tentang artificial intelligence didominasi oleh adanyakepercayaan bahwa beberapa aturan-aturan dari serangkaian pemikiran dengan memanfaatkankemampuan komputer dapat menghasilkan performansi pakar atau setaraf dengan manusia super.Arah pengembangan dari sub bidang artificial intelligence ini adalah general-purpose problem solver (GPS). General-purpose problem solver  (GPS) merupakan prosedur yang dikembangkanoleh Newell dan Simon [1973] dari teori mesin logika, yang mempunyai tujuan untuk menghasilkan suatu komputer “cerdas”. Inilah yang kemudian dianggap sebagai pendahulu darisistem pakar. Pada pertengahan tahun 1960 terjadi pergeseran dari general-purpose menjadi special- purpose program dengan perkembangan dari DENDRAL yaitu suatu sistem mengidentifikasistruktur molekul suatu komposisi kimia yang dikembangkan oleh E. Feigenbaum di StanfordUniversity. Mulai saat itu para peneliti mengakui bahwa mekanisme pemecahan masalah hanyamerupakan sebagian kecil dari suatu permasalahan yang komplek.[sumber]

Contoh Expert System

Eliza, Parry dan Nettalk adalah beberapa contoh dari chatterbot. Chatterbot merupakan sebuah program komputer yang dirancang untuk menstimulasi percakapan intelektual dengan satu atau lebih manusia secara audio maupun teks. Chatterbot dikategorikan sebagai kecerdasan buatan atau Artificial Intelligence, yang dimanfaatkan untuk tujuan praktis seperti bantuan online, layanan personal, atau diskusi informasi, dengan begitu hal ini dapat dilihat bahwa fungsi program sebagai suatu jenis agen percakapan (conversational agent). Berikut ini adalah penjelasan dari ELIZA, PARRY, dan NET TALK:

• ELIZA 

Program yang dipublikasikan oleh Joseph Weizenbaum pada tahun 1966, yang dapat mengelabui pengguna hingga mempercayai bahwa mereka sedang bercakap-cakap dengan manusia nyata. Tujuan dari pembuatan program ini adalah untuk meniru pembicaraan antara seorang psikolog dan pasiennya yang dimana Eliza berperan sebagai psikoterapis dan memberikan saran dan nasihat tentang masalah penggunanya. Kunci metode operasional Eliza melibatkan rekognisi dari isyarat kata-kata atau kalimat input, dan output berupa tanggapan yang telah dipersiapkan atau diprogram, yang dapat meneruskan percakapan dengan suatu cara sehingga tampak bermakna.

Berikut adalah contoh percakapan antara ELIZA dengan seorang klien :

Eliza          : Hello. I am Eliza. How can I help you?

Klien         : My name is Balza.

Eliza          : Why do you say your problem?

Klien         : Because you asked me.

Eliza          : Do any other reasons not come to mind?

Klien         : No.

Eliza          : You are being a bit negative.

Klien         : Why?

Eliza          : Please go on.

Klien         : OK. I am bankrupt.

Eliza          : How long have you been bankrupt?

Klien         : A year.

Eliza          : Please go on.

Klien         : So, what should I do?

Eliza          : Does that question interest you?

Klien         : Yes, how can I make big money?

Eliza          : You are sure?

Klien         : Of course I’m sure. 

• PARRY

Parry dibuat pada tahun 1972 oleh psikiatris Kenneth Colby ketika di Universitas Stanford. Parry bertujuan untuk merefleksikan pikiran pasien dengan mental paranoid yang serius. Program ini menjalankan model mentahan dari prilaku schizophrenia paranoid berdasarkan konseptualisasi dan kepercayaan (penilaian tentang konseptualisasi : penerimaan, penolakan, dan netral). Ini juga menggunakan strategi percakapan, lebih serius dan merupakan program lanjutan dari Eliza. 

Berikut ini contoh respon Parry terhadap pertanyaan seorang psikiater yang menginterviewnya:

Psikiater    : Why are you in the hospital?

Parry          : I shouldn’t be here.

Psikiater    : Who brought you here?

Parry          : The police.

Psikiater    : What trouble did you have with the police?

Parry          : Cops don’t do their job.

Psikiater    : What do they do instead?

Parry          : Cops arrest the wrong people.

Psikiater    : They arrest the right ones sometimes.

Parry          : The law should get those Italian crooks.

Psikiater    : Are you Italian?

Parry          : My background is British but I was born in this country.

Psikiater    : Do you know any Italian crooks?

Parry          : I try to avoid the underworld.

•      NET TALK

Connectionism adalah gerakan dalam ilmu kognitif yang berharap untuk menjelaskan kemampuan intelektual manusia menggunakan jaringan syaraf tiruan (juga dikenal sebagai “jaringan syaraf”). Jaringan syaraf disederhanakan model otak terdiri dari sejumlah besar unit (young analog neuron) bersama-sama dengan bobot yang mengukur kekuatan hubungan antara unit. Model ini berat efek dari sinaps yang menghubungkan satu neuron yang lain. Percobaan pada model semacam ini telah menunjukkan kemampuan untuk mempelajari keterampilan seperti pengenalan wajah, membaca, dan deteksi struktur gramatikal sederhana. Connectionists telah membuat kemajuan yang signifikan dalam menunjukkan kekuatan jaringan saraf untuk menguasai tugas-tugas kognitif. Berikut adalah tiga percobaan terkenal yang telah mendorong connectionists untuk percaya bahwa JST model yang baik dari kecerdasan manusia. Salah satu yang paling menarik dari upaya tersebut adalah kerja 1987 Sejnowski dan Rosenberg di jaring yang dapat membaca teks bahasa Inggris disebut NETtalk. Pelatihan ditetapkan untuk NETtalk adalah basis data yang besar terdiri dari teks bahasa Inggris ditambah dengan output yang sesuai fonetik-nya, yang ditulis dalam kode yang cocok untuk digunakan dengan synthesizer pidato. Tape kinerja NETtalk di berbagai tahap pelatihan mendengarkan sangat menarik. Pada awalnya output random noise. Kemudian, bersih suara seperti itu mengoceh, dan kemudian masih seolah-olah itu adalah berbahasa Inggris double-talk (pidato yang dibentuk dari suara yang menyerupai kata dalam bahasa Inggris). Pada akhir pelatihan, NETtalk melakukan pekerjaan yang cukup baik mengucapkan teks diberikan. Selain itu, kemampuan ini generalizes cukup baik untuk teks yang tidak disajikan pada training set. [sumber][sumber] 

#SIP Sistem Informasi Manajemen (SIM) dan Sistem Penunjang Keputusan (SPK)

Sistem informasi manajemen atau SIM (bahasa Inggris: management information system, MIS) adalah sistem perencanaan bagian dari pengendalian internal suatu bisnis yang meliputi pemanfaatan manusia, dokumen, teknologi, dan prosedur oleh akuntansi manajemen untuk memecahkan masalah bisnis seperti biaya produk, layanan, atau suatu strategi bisnis. Sistem informasi manajemen dibedakan dengan sistem informasi biasa karena SIM digunakan untuk menganalisis sistem informasi lain yang diterapkan pada aktivitas operasional organisasi. Secara akademis, istilah ini umumnya digunakan untuk merujuk pada kelompok metode manajemen informasi yang bertalian dengan otomasi atau dukungan terhadap pengambilan keputusan manusia, misalnya sistem pendukung keputusan, sistem pakar, dan sistem informasi eksekutif. [sumber]

Sistem penunjang keputusan adalah bagian dari sistem informasi berbasis komputer (termasuk sistem berbasis pengetahuan (manajemen pengetahuan) yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan.

Dapat juga dikatakan sebagai sistem komputer yang mengolah data menjadi informasi untuk mengambil keputusan dari masalah semi-terstruktur yang spesifik.

Menurut Moore and Chang, SPK dapat digambarkan sebagai sistem yang berkemampuan mendukung analisis ad hoc data, dan pemodelan keputusan, berorientasi keputusan, orientasi perencanaan masa depan, dan digunakan pada saat-saat tidak biasa.[sumber]

Konsep Sistem

Definisi Sistem

Gordon B. Davis ( 1984 )  :

“Sebuah sistem terdiri dari bagian-bagian  yang  saling berkaitan yang beroperasi bersama untuk mencapai beberapa sasaran atau maksud“.       

Raymond Mcleod (2001) :

“Sistem adalah himpunan dari unsur-unsur yang saling berkaitan sehingga membentuk suatu kesatuan  yang utuh dan terpadu“.

Karakteristik Sistem

Suatu sistem mempunyai karakteristik atau sifat-sifat tertentu,  yaitu  :

1) Komponen-komponen

    Komponen sistem atau elemen sistem dapat berupa :

• Elemen-elemen yang lebih kecil yang  disebut sub sistem, misalkan sistem komputer terdiri dari sub sistem perangkat keras, perangkat lunak dan manusia.
• Elemen-elemen yang lebih besar yang disebut supra sistem. Misalkan bila perangkat keras adalah sistem yang memiliki sub sistem CPU, perangkat I/O dan memori, maka supra sistem perangkat keras adalah sistem komputer.

2.) Batas sistem

Batas sistem merupakan daerah yang membatasi antara suatu sistem dengan sistem yang lainnya atau dengan lingkungan luarnya. Batas sistem ini memungkinkan suatu sistem dipandang sebagai suatu kesatuan. Batas suatu sistem menunjukkan ruang lingkup  dari sistem tersebut.

3.) Lingkungan luar sistem

Lingkungan dari sistem adalah apapun di luar batas dari sistem yang mempengaruhi operasi sistem. Lingkungan luar sistem dapat bersifat menguntungkan dan dapat juga bersifat merugikan sistem tersebut. lingkungan luar yang mengutungkan merupakan energi dari sistem dan dengan demikian harus tetap dijaga dan dipelihara. Sedang lingkungan luar yang merugikan harus ditahan dan dikendalikan, kalau tidak akan mengganggu kelangsungan hidup dari sistem.

4.) Penghubung

Penghubung merupakan media perantara antar subsistem. Melalui penghubung ini memungkinkan sumber-sumber daya mengalir dari satu subsistem ke subsistem lainnya. Output dari satu subsistem akan menjadi input untuk subsistem yang lainnya dengan melalui penghubung. Dengan penghubung satu subsistem dapat berinteraksi dengan subsistem yang lainnya membentuk satu kesatuan.

5.) Masukkan

Masukan adalah energi yang dimasukkan ke dalam sistem. Masukan dapat berupa maintenance input dan sinyal input. Maintenance input adalah energi yang dimasukkan supaya sistem tersebut dapat beroperasi. Sinyal input adalah energi yang diproses untuk didapatkan keluaran.

6.) Keluaran

Keluaran adalah hasil dari energi yang diolah dan diklasifikasikan menjadi keluaran yang berguna dan sisa pembuangan. Keluaran dapat merupakan masukan untuk subsistem yang lain atau kepada supra sistem.

7.) Pengolah

Suatu sistem dapat mempunyai suatu bagian pengolah atau sistem itu sendiri sebagai pengolahnya. Pengolah yang akan merubah masukan menjadi keluaran. Suatu sistem produksi akan mengolah masukan berupa bahan baku dan bahan-bahan yang lain menjadi keluaran berupa barang jadi.

8.) Sasaran  atau tujuan

Suatu sistem pasti mempunyai tujuan atau sasaran. Kalau suatu sistem tidak mempunyai sasaran, maka operasi sistem tidak akan ada gunanya. Sasaran dari sistem sangat menentukan sekali masukan yang dibutuhkan sistem dan keluaran  yang akan dihasilkan sistem. Suatu sistem dikatakan berhasil bila mengenai sasaran atau tujuannya.

Klasifikasi Sistem

1. Sistem abstrak ; sistem yang berupa pemikiran atau ide-ide yang tidak tampak secara fisik (sistem teologia)
2. Sistem fisik ; merupakan sistem yang ada secara fisik (sistem komputer, sistem akuntansi, sistem produksi dll.)
3. Sistem alamiah ; sistem yang terjadi melalui proses alam. (sistem matahari, sistem luar angkasa, sistem reproduksi dll.
4. Sistem buatan manusia ; sistem yang dirancang oleh manusia. Sistem buatan manusia yang melibatkan interaksi manusia dengan mesin disebut human-machine system (contoh ; sistem informasi).
5. Sistem Tertentu (deterministic system) ; beroperasi dengan tingkah laku yang sudah dapat diprediksi. Interaksi bagian-bagiannya dapat dideteksi dengan pasti sehingga keluaran dari sistem dapat diramalkan (contoh ; sistem komputer)
6. Sistem tak tentu (probabilistic system) ; sistem yang kondisi masa depannya tidak dapat diprediksi karena mengandung unsur probabilitas.
7. Sistem tertutup (close system) ; sistem yang tidak berhubungan dan tidak terpengaruh dengan sistem luarnya. Sistem ini bekerja secara otomatis tanpa adanya turut campur tangan dari pihak luarnya. Secara teoritis sistem tersebut ada, tetapi kenyataannya tidak ada sistem yang benar-benar tertutup, yang ada hanyalah relatively closed system (secara relatif tertutup, tidak benar-benar tertutup).
8. Sistem terbuka (open system) ; sistem yang berhubungan dan terpengaruh dengan lingkungan luarnya.  
9. Sistem sederhana dan Sistem kompleks. Dilihat dari tingkat kerumitannya sistem juga dapat dibagi menjadi sistem sederhana dan sistem kompleks. Contoh dari sistem sederhana yaitu sistem yang ada pada sepeda, sedangkan contoh dari sistem kompleks yaitu terjaddi pada otak manusia. [sumber]

Tujuan Sistem

Semua unsur dimuka bumi adalah unsur sistem dan subsistem dari bagian-bagian sistem yang lain. Dan satu unsur atau komponen dapat menjadi bagian lebih dari satu sistem, bargantung dari sudut pandang mana kita melihatnya. Jadi, pada dasarnya sistem itu ada dan diadakan untuk sebuah tujuan, sesuai keinginan, arahan, putunjuk, dan arahan penciptanya. [sumber]

Model Sistem

Interaksi manusia dan komputer adalah sebuah hubungan antar manusia dan komputer yang mempunyai karakteristik tertentu untuk mencapai suatu tujuan tertentu dengan menjalankan sebuah sistem yang menggunakan sebuah antarmuka (interface) kepada komputer diberikan data yang umumnya berupa deretan angka dan huruf,

kemudian diolah didalam komputer yang menjadi keluaran sesuai dengan kebutuhan dan keinginan manusia. Tanpa disadari kita manusia (user) telah berinteraksi atau berdialog dengan sebuah benda (layar monitor), yaitu dalam bentuk menekan tombol berupa angka dan huruf yang ada pada keyboard atau melakukan satu sentuhan kecil pada mouse. Yang kemudian hasil inputan ini akan berubah menjadi bentuk informasi atau data yang seperti diharapkan manusia, dengan tampilnya informasi baru tersebut pada layar monitor atau bahkan mesin cetak. Model interaksi membantu kita untuk memahami apa yang terjadi pada interaksi antar pengguna (user) dan sistem. 

Model mengakomodasi apa yang diinginkan pengguna (user) dan yang dilakukan sistem. Terdapat beberapa model sistem interaksi yang berpengaruh pada sistem interaksi manusia dan komputer yang pada umumnya.

Formalisasi Standard

1. Notasi formal untuk komunikasi
2. Notasi Formal untuk analisa

Model-model Interaksi

Penggunaan model interaksi dapat membantu kita memahami proses interaksi dan mengidentifikasi hal-hal yang dapat menyebabkan kegagalan.

Beberapa model dalam sistem interaksi, yang dimaksud dengan model disini adalah model yang  dapat dikategorikan menurut jenis, dimensi, fungsi, tujuan pokok pengkajian atau derajad keabstrakannya. Terdapat 3 model yaitu sebagai berikut :

1.  Model Ikonik. Model ikonik adalah perwakilan fisik dari beberapa hal baik dalam bentuk ideal ataupun dalam skala yang berbeda.Model ikonik mempunyai karakteristik yang sama dengan hal yang diwakili, dan terutama amat sesuai untuk menerangkan kejadian pada waktu yang spesifik. Model ikonik dapat berdimensi dua (foto, peta, cetak biru) atau tiga dimensi (prototip mesin, alat).
2. Model Analog (Model Diagramatik). Model analog, yaitu keadaan berubah menurut waktu. model ini lebih sering dipakai daripada model ikonik karena kemampuannya untuk mengetengahkan karakteristik dari kejadian yang dikaji. Model analog banyak berkesusuaian dengan penjabaran hubungan kuantitatif antara sifat dan klas-klas yang berbeda. Dengan melalui transformasi sifat menjadi analognya, maka kemampuanmembuat perubahan dapat ditingkatkan.
3. Model Simbolik (Model Matematik). Format model simbolik dapat berupa bentuk angka, simbol, dan rumus. Jenis model simbolik yang umum dipakai adalah suatu persamaan (equation). Bentuk persamaan adalah tepat, singkat, dan mudah dimengerti. Simbol persamaan tidak saja mudah dimanipulasi daripada kata-kata, namun juga lebih cepat ditangkap maksudnya. Suatu persamaan adalah bahasa universal pada penelitian operasional dan ilmu sistem, dimana dipakai suatu logika simbolis. [sumber]

Konsep Sistem Penunjang Keputusan

Definisi SPK

Model pengambilan keputusan menurut  Herbert A. Simon  adalah dimulai pada tahap penyelidikan yaitu mempelajari lingkungan atas kondisi yang memerlukan keputusan. Data mentah diperoleh, diolah, dan diuji untuk dijadikan petunjuk yang dapat mengidentifikasi persoalan. Digunakan sebagai dasar untuk menjelaskan proses pengambilan keputusan.  Tahap berikutnya adalah perancangan mengembangkan, dan menganalisis arah tindakan yang mungkin. Hal ini meliputi proses-proses untuk memahami persoalan, menghasilkan pemecahan, dan menguji kelayakan pemecahan tersebut.  Tahap berikutnya adalah pemilihan yaitu memilih arah tindakan tertentu dari semua alternatif yang ada, selanjutnya pilihan ditentukan dan dilaksanakan.

Karakteristik Sistem Penunjang Keputusan

Berikut ini adalah uraian atas beberapa karakteristik SPK, yaitu:

• Kapabilitas interaktif.  Yaitu SPK memberi pengambil keputusan akses cepat ke data dan informasi yang dibutuhkan.
• Fleksibilitas. Yaitu SPK dapat menunjang para manajer pembuat keputusan di berbagai bidang fungsional (keuangan, pemasaran, operasi produksi, dan lain‐lain).
• Kemampuan berinteraksi dengan model. Yaitu SPK memungkinkan para pembuat keputusan berinteraksi dengan model‐ model, termasuk memanipulasi model‐ model tersebut sesuai dengan kebutuhan.
• Fleksibilitas output. Yaitu SPK mendukung para pembuat keputusan dengan menyediakan berbagai macam output, termasuk kemampuan grafik menyeluruh atas pertanyaan ‐ pertanyaan pengandaian.

Manfaat yang dihasilkan dari pengambilan keputusan  dengan  cara  penggabungan model terstruktur dan yang tidak terstruktur ini adalah : memperbesar kemampuan pengambil keputusan untuk memproses informasi dan pengetahuan; memperbesar kemampuan pengambil keputusan dalam menangan permasalahan yang kompleks, berskala besar, dan menggunakan banyak waktu; memperpendek waktu pengambilan keputusan; meningkatkan reliabilitas dari hasil keputusan dan outcome;  mendorong pelaksanaan eksplorasi bagi pengambil keputusan;  memberikan pendekatan baru dalam proses berpikir mengenai lingkup permasalahan dan konteks keputusan. membangkitkan bukti baru dalam mendukung sebuah keputusan atau konfirmasi dari asumsi yang sudah ada; menghasilkan keunggulan strategis dan kompetitif di dalam persaingan antar organisasi.

Tujuan Sistem Pendukung Keputusan adalah sebagai berikut (Turban, 2005) :

1. Membantu manajer dalam pengambilan keputusan atas masalah semi terstruktur.
2. Memberikan dukungan atas pertimbangan manajer dan bukannya di maksudkan untuk menggantikan fungsi manajer
3. Meningkatkan efektivitas keputusan yang di ambil manajer lebih daripada perbaikan efisiensinya
4. Kecepatan komputasi. Komputer memungkinkan para pengambil keputusan untuk melakukan banyak komputasi secara cepat dengan biaya yang rendah
5. Peningkatan produktivitas. Membangun suatu kelompok pengambil keputusan, terutama para pakar, bisa sangat mahal. Pendukung terkomputerisasi bisa mengurangi ukuran kelompok dan memungkinkan para anggotanya untuk berada di berbagai lokasi yang berbeda-beda (menghemat biaya perjalanan). Selain itu, produktivitas staf pendukung (misalnya analisis keuangan dan hukum) bisa di tingkatkan. Produktivitas juga bisa di tingkatkan menggunakan peralatan optimasi yang menentukan cara terbaik untuk menjalankan sebuah bisnis
6. Dukungan kualitas. Komputer bisa meningkatkan kualitas keputusan yang di buat. Sebagai contoh, semakin banyak data yang di akses, makin banyak juga alernatif yang bisa di evaluasi. Analisis resiko bisa di lakukan dengan cepat dan pandangan dari para pakar (beberapa dari mereka berada di lokasi yang jauh) bisa dikumpulkan dengan cepat dan dengan biaya yang lebih rendah. Keahlian bahkan bisa di ambil langsung dari sebuah sistem computer melalui metode kecerdasan tiruan. Dengan computer, para pengambil keputusan bisa melakukan simulasi yang kompleks, memeriksa banyak scenario yang memungkinkan, dan menilai berbagai pengaruh secara cepat dan ekonomis. Semua kapabilitas tersebut mengarah kepada keputusan yang lebih baik.
7. Berdaya saing. Manajemen dan pemberdayaan sumber daya perusahaan. Tekanan persaingan menyebabkan tugas pengambilan keputusan menjadi sulit. Persaingan di dasarkan tidak hanya pada harga, tetapi juga pada kualitas, kecepatan, kustomasi produk, dan dukungan pelanggan. Organisasi harus mampu secara sering dan cepat mengubah mode operasi, merekayasa ulang proses dan struktur, memberdayakan karyawan, serta berinovasi. Teknologi pengambilan keputusan bisa menciptakan pemberdayaan yang signifikan dengan cara memperbolehkan seseorang untuk membuat keputusan yang baik secara cepat, bahkan jika mereka memiliki pengetahuan yang kurang
8. Mengatasi keterbatasan kognitif dalam pemrosesan dan penyimpanan. Menurut Simon (1977), otak manusia memiliki kemampuan yang terbatas untuk memproses dan menyimpan informasi. Orang-orang kadang sulit mengingat dan menggunakan sebuah informasi dengan cara yang bebas dari kesalahan. [sumber]

Model Sistem Penunjang Keputusan

Sistem Penunjang Keputusan tidak ditekankan untuk membuat keputusan, melainkan melengkapi kemampuan untuk mengolah informasi yang diperlukan untuk membuat keputusan. Dengan kata lain, Sistem Pendukung Keputusan membantu manusia dalam proses membuat keputusan, bukan menggantikan perannya dalam mengambil keputusan.

Keunikan SPK terletak pada dimungkinkannya intuisi dan penilaian pribadi pengambil keputusan untuk turut dijadikan dasar pengambilan keputusan. SPK dirancang secara khusus untuk mendukung seseorang yang harus mengambil keputusan ‐ keputusan tertentu. SPK  merupakan  produk gabungan antara keputusan terstruktur dan tidak terstruktur.

1. Masalah Terstruktur, merupakan suatu masalah yang memiliki struktur masalah pada 3 tahap pertama, yaitu intelijen, rancangan dan pilihan.
2. Masalah Tak Terstruktur, merupakan masalah yang sama sekali tidak memiliki struktur pada 3 tahap diatas.
3. Masalah Semi-Terstruktur, merupakan masalah yang memiliki struktur hanya pada satu atau dua tahap.[sumber]

Peranan SIM dan SPK dalam Pemecahan Masalah

Dalam usaha memecahkan suatu masalah, pemecah masalah mungkin membuat banyak keputusan. Keputusan merupakan rangkaian tindakan yang perlu diikuti dalam memecahkan masalah untuk menghindari atau mengurangi dampak negatif, atau untuk memanfaatkan kesempatan.

Kondisi ini menjadi tidak mudah dengan semakin rumitnya aktivitas dan keterbatasan sumber daya yang tersedia. Apalagi informasi yang dibutuhkan tidak berasal langsung dari sumbernya. Untuk itu manajemen sebagai pengguna informasi membutuhkan suatu sistem pendukung (support systems) yang mampu meningkatkan pengambilan keputusannya, Sistem Informasi Manajemen terutama untuk kondisi yang tidak terstruktur atau pun sistem pendukung untuk tingkatan tertentu saja.

Ada dua alasan penting mengapa manajemen membutuhkan sistem pendukung yang mampu untuk meningkatkan pengambilan keputusannya.

1. Keputusan untuk membangun sistem informasi yang dapat memenuhi kebutuhan manajemen tingkat atas. Dengan hanya mengandalkan sistem informasi manajemen tanpa bantuan sistem pendukungnya, sulit bagi manajemen terutama di tingkat atas untuk mengambil keputusan yang strategis. Hal ini disebabkan karena umumnya pengambilan keputusan yang strategis tersebut lebih bersifat kebijakan dengan dampak luas dan/atau pada situasi yang tidak terstruktur. Contoh: Terkait dengan kelangkaan BBM dibeberapa wilayah di Indonesia telah mendorong upaya beberapa pihak yang tidak bertanggungjawab untuk melakukan penimbunan. Untuk itu manajemen di Departemen Energi dan Sumber Daya Mineral (ESDM) sebagai lembaga pengatur yang bertanggungjawab untuk memerintahkan Pertamina yang mengelola BBM harus dengan cepat mengambil keputusan yang strategis atas gejala penimbunan sehingga dapat mengatur strategi distribusi dan pemasaran dalam upaya mengatasi kelangkaan dan penimbunan.
2. Kebutuhan untuk menciptakan pelaporan dan proses pengambilan keputusan yang memiliki arti (makna). Manajemen di sini di dorong untuk bagaimana mengembangkan pelaporan yang lebih baik lagi untuk pengukuran kinerja aktivitas yang dilaksanakannya dan menginformasikan berbagai tipe pengambilan keputusan yang baru. Dengan bantuan sistem pendukung yang disiapkan, maka hal ini akan lebih memungkinkan manajemen untuk mendapatkan pelaporan dan proses pengambilan keputusan yang lebih baik lagi.

Selain dua alasan yang dikemukakan di atas, masih ada beberapa alasan lainnya mengapa sistem pendukung dibutuhkan dalam melengkapi sistem informasi manajemen yang ada, yaitu:

1. Untuk melengkapi sistem informasi manajemen yang tersedia adalah karena sistem ini tentunya akan lebih mempercepat perhitungan,
2. Untuk mengatasi kelemahan-kelemahan sistem informasi manajemen yang ada terutama dalam menyajikan informasi yang tidak terstruktur atau informasi yang hanya diperuntukkan untuk manajemen tingkat atas,
3. Untuk meningkatkan kemampuan dalam pemrosesan dan penyimpanan data dan informasi, mengurangi biaya, mendukung aspek teknis dalam pengambilan keputusan, dan untuk mendukung kualitas, dan memberikan keunggulan kompetitif bagi penggunanya.

Banyak sistem pendukung yang tersedia dan mampu melengkapi sistem informasi manajemen yang ada. Beberapa sistem pendukung yang akan dibahas di sini, di antaranya adalah:

• Sistem Pendukung Pengambilan Keputusan/Decision-Support Systems (DSS)
• Sistem Kelompok Pendukung Pengambilan Keputusan/Group Decision-Support Systems (GDSS)
• Sistem Pendukung Pengambilan Keputusan Eksekutif/Executive-Support Systems (ESS)
• Sistem Pakar/Expert System

Keempat sistem pendukung tersebut, dapat mendukung pengambilan keputusan dengan sejumlah cara. Sistem pendukung ini dapat dengan otomatis melakukan prosedur-prosedur pengambilan keputusan tertentu.[sumber]

Database #SIP

Sejarah Database

Tahun 1960

Dari awal penggunaan komputer, penyimpanan dan manipulasi data merupakan focus utama aplikasi. Pada awal tahun 1960, Charles Bachman diperusahaan General Electric mendesain generasi pertama DBMS yang disebut Penyimpanan Data Terintegrasi (Integrated Data Store). Dasar untuk model data jaringan dibentuk lalu distandardisasi oleh Conference on Data System Language (CODASYL). Kemudian, Bachman menerima ACM Turing Award (Penghargaan semacam nobel pada ilmu komputer ) di tahun 1973.

Pada akhir tahun 1960-an, IBM mengembangkan system manajemen informasi (Information Manajemen System) DBMS. IMS dibentuk dari representasi data pada kerangka kerja yang disebut model data hierarki. Dalam waktu yang sama, hasil kerja sama antara IBM dengan perusahaan penerbangan Amerika mengembangkan system SABRE. System SABRE memungkinkan user mengakses data yang sama pada jaringan computer.

Tahun 1970

Pada tahun 1970, Edgar Codd di laboratorium penelitian di San Jose mengusulkan suatu representasi data baru yang disebut model data relational. Pada tahun 1980, model relasional menjadi paradigm DBMS paling dominan. Bahasa query SQL dikembangkan untuk basisdata relasional sebagai bagian proyek Sistem R dari IBM. SQL di standardisasi di akhir tahun 1980 dan SQL-92 diadopsi oleh American National Standards Institute (ANSI) dan International Standards Organization (ISO). Program yang digunakan untuk eksekusi bersamaan dalam basisdata disebut transaksi. User menulis programnya, dan bertanggung jawab menjalankan program secara bersamaan terhadap DBMS. Pada tahun 1999, James Gray memenangkan Turing award untuk kontribusinya pada manajemen transaksi dalam DBMS.

Tahun 1980

Pada akhir tahun 1980 dan permulaan tahun 1990, banyak bidang system basisdata dikembangkan. Penelitian dibidang basisdata meliputi bahasa query yang powerful, model data yang lengkap, dan penekanan pada dukungan analisis data yang kompleks semua bagian organisasi. Beberapa vendor (misalnya IBM, DB2, Oracle8, dan Informix UDS) memperluas sistemnya dengan kemampuan menyimpan tipe data baru misalnya image dan text serta kemampuan query yang kompleks. System khusus dikembangkan banyak vendor untuk membuat data warehouse dan mengonsolidasi data beberapa basisdata.

Suatu fenomena menarik adalah munculnya enterprice resource planning (ERP) dan management resource planning (MRP), yang menambah lapisan substansial dari fitur berorientasi aplikasi pada DBMS utama. Paket yang digunakan secara luas meliputi Baan, Oracle, PeopleSoft, SAP, dan Siebel. Paket tersebut mengidentifikasi kumpulan tugas umum (misalnya manajemen inventori, perencanaan sumber daya manusia, dan analisis keuangan) yang dihadapi oleh sejumlah besar organisasi dan menyediakan lapisan aplikasi umum untuk melaksanakan tugas. Data disimpan dalam DBMS relasional. Kemudian, lapisan aplikasi dapat disesuaikan pada perusahaan berbeda sehingga biaya keseluruhan perusahaan menjadi lebih rendah disbanding biaya pembuatan lapisan aplikasi dari awal. Lebih jauh, DBMS memasuki dunia internet. Saat generasi pertama, web site menyimpan datanya secara ekskulisif dalam file system operasi. Pada saat ini, DBMS dapat digunakan untuk menyimpan data yang dapat diakese melalui web browser. Query dapat dibuat melalui form web dan format jawabannya dengan menggunakan markup language semisal HTML untuk mempermudah tampilan pada browser. Semua vendor basisdata menambah 

fitur ini untuk DBMS mereka.

Manajemen basisdata mempertimbangkan pentingnya suatu data bersifat online dan dapat diakses melalui jaringan computer. Saat ini, bidang seperti ini diwujudkan dalam basisdata multimedia, video unteraktif, perpustakaan digital, proyek ilmuwan seperti proyek pemetaan, proyek system obeservasi bumi milik NASA, dan lain sebagainya (Ramakrishnan and Gehrke, 2003). [sumber]

Konsep Dasar Database

Database (basis data) adalah: sistem penyimpanan beragam jenis data dalam sebuah entitas yang besar untuk diolah sedemikian rupa agar mudah dipergunakan kembali.Dengan menggunakan komputer, konsep pengolahan database tradisional dapat diotomasi sehingga memudahkan pekerjaan. Data yang disimpan bisa sangat variatif (angka, teks, gambar, suara, dan jenis data multi-media lainnya).

Konsep dasar database adalah kumpulan dari catatan, atau potongan dari pengetahuan. Sebuah database memiliki penjelasan terstruktur dari jenis fakta yang tersimpan di dalamnya: penjelasan ini disebut skema. Ada banyak cara untuk mengorganisasi skema, atau memodelkan struktur database: ini dikenal sebagai database model atau model data. Model yang umum digunakan sekarang adalah model relasional, yang menurut istilah yaitu mewakili semua informasi dalam bentuk tabel yang saling berhubungan dimana setiap tabel terdiri dari baris dan kolom (definisi yang sebenarnya menggunakan terminologi matematika). Dalam model ini, hubungan antar tabel diwakili dengan menggunakan nilai yang sama antar tabel.[sumber1 sumber2]

Struktur Database

Model Hirarkis

Model data hirarkis mengatur data dalam struktur pohon. Ada hirarki segmen orang tua dan anak data. Struktur ini menunjukkan bahwa merekam dapat memiliki informasi berulang, umumnya di segmen anak data. Data dalam serangkaian catatan, yang memiliki seperangkat nilai-nilai field yang melekat padanya. Ia mengumpulkan semua contoh dari sebuah catatan khusus bersama sebagai tipe record. Ini jenis catatan adalah setara tabel dalam model relasional, dan dengan catatan masing-masing menjadi setara dengan baris. Sebagai contoh, sebuah organisasi mungkin menyimpan informasi tentang seorang karyawan, seperti nama, nomor pegawai, departemen, gaji. Organisasi mungkin juga menyimpan informasi tentang anak-anak karyawan, seperti nama dan tanggal lahir. Karyawan dan data anak-anak bentuk hirarki, dimana data karyawan merupakan segmen induk dan data anak-anak merupakan segmen anak. Jika seorang karyawan memiliki tiga anak, maka akan ada tiga segmen anak terkait dengan satu segmen karyawan. Dalam sebuah database hirarki hubungan orang tua-anak adalah satu ke banyak. Ini membatasi segmen anak untuk memiliki hanya satu segmen orangtua. Hirarkis DBMS sangat populer dari akhir 1960-an, dengan diperkenalkannya IBM Sistem Informasi Manajemen (IMS) DBMS, melalui 1970-an.

Model Jaringan

Popularitas model jaringan data bertepatan dengan popularitas model data hirarkis. Beberapa data lebih alami dimodelkan dengan lebih dari satu orang tua per anak. Jadi, model jaringan mengijinkan pemodelan hubungan banyak-ke-banyak data. Pada tahun 1971, Konferensi Data Systems Languages (CODASYL) secara formal mendefinisikan model jaringan. Pemodelan data dasar membangun dalam model jaringan mengatur membangun. Satu set terdiri dari sebuah tipe record pemilik, nama set, dan jenis catatan anggota. Seorang tipe record member bisa memiliki peran dalam lebih dari satu set, maka konsep multiparent didukung. Sebuah tipe record pemilik juga dapat menjadi anggota atau pemilik dalam himpunan lain. Model data jaringan sederhana, dan jenis catatan link dan persimpangan (catatan junction disebut oleh IDMS) mungkin ada, serta set antara mereka. Dengan demikian, jaringan lengkap hubungan diwakili oleh set beberapa berpasangan, dalam setiap mengatur beberapa tipe record (satu) adalah pemilik (di ekor panah jaringan) dan satu atau lebih jenis catatan anggota (pada kepala panah hubungan ). Model jaringan CODASYL didasarkan pada teori himpunan matematika.

Model Relasional

(RDBMS – relasional database management system) Suatu database berdasarkan model relasional yang dikembangkan oleh EF Codd. Sebuah database relasional memungkinkan definisi struktur data, operasi penyimpanan dan pengambilan dan kendala integritas. Dalam database data dan hubungan antara mereka diatur dalam tabel. Sebuah tabel adalah kumpulan catatan dan setiap record dalam tabel berisi bidang yang sama.

Sifat-sifat Tabel Relasional:

• Nilai Apakah Atom
• Row Setiap Unik
• Nilai Kolom # Apakah dari jenis yang Sama
• The Urutan Kolom adalah tidak signifikan
• The Urutan Baris adalah tidak signifikan
• Kolom Setiap Memiliki Nama Unik

Bidang tertentu dapat ditunjuk sebagai tombol, yang berarti mencari nilai-nilai spesifik bidang yang akan menggunakan pengindexan untuk mempercepat mereka. Dimana field dalam dua tabel yang berbeda mengambil nilai dari set yang sama, join operasi dapat dilakukan untuk memilih arsip terkait dalam dua tabel dengan cara mencocokkan nilai-nilai dalam bidang-bidang. Sering kali, tetapi tidak selalu, kadang akan memiliki nama yang sama di kedua tabel. Sebagai contoh, sebuah “perintah” tabel mungkin berisi (pelanggan-ID, produk-code) pasangan dan “produk” tabel mungkin berisi (produk-kode, harga) pasangan sehingga untuk menghitung tagihan pelanggan diberikan kau akan jumlah harga dari semua produk yang dipesan oleh pelanggan bahwa dengan bergabung di bidang produk-kode dari dua tabel. Ini dapat diperpanjang untuk bergabung dengan berbagai tabel pada beberapa bidang. Karena hubungan hanya ditentukan pada waktu retreival, database relasional diklasifikasikan sebagai sistem manajemen database yang dinamis. Model Database Relasional didasarkan pada Aljabar Relational.

Object Model / Relational

Obyek / sistem manajemen database relasional (ORDBMSs) menambah kemampuan objek penyimpanan baru dengan sistem relasional pada inti sistem informasi modern. Fasilitas baru ini 

mengintegrasikan pengelolaan data menerjunkan tradisional, objek yang kompleks seperti time-series dan data geospasial dan media biner beragam seperti audio, video, gambar, dan applet. Dengan encapsulating metode dengan struktur data, server ORDBMS dapat menjalankan pelengkapan operasi manipulasi dan data analitis untuk mencari dan mengubah multimedia dan objek kompleks lainnya.

Object-Oriented Model

Obyek DBMSs menambah fungsionalitas database untuk obyek bahasa pemrograman. Mereka membawa lebih dari persistent storage obyek bahasa pemrograman. Objek DBMSs memperpanjang semantik C, Smalltalk dan Java obyek bahasa pemrograman untuk memberikan kemampuan pemrograman database dengan fitur lengkap, sementara tetap mempertahankan kompatibilitas bahasa asli. Keuntungan utama dari pendekatan ini adalah penyatuan pengembangan aplikasi dan database ke dalam suatu model data mulus dan lingkungan bahasa. Akibatnya, aplikasi memerlukan kode kurang, lebih banyak menggunakan pemodelan alami data, dan basis kode lebih mudah untuk mempertahankan. Obyek pengembang dapat menulis aplikasi database lengkap dengan jumlah sederhana upaya tambahan. Menurut Rao (1994), “The object-oriented database (OODB) paradigma adalah kombinasi bahasa pemrograman berorientasi objek (OOPL) sistem dan sistem persisten Kekuatan OODB datang. Dari perlakuan mulus baik data persisten, ditemukan di database, dan data sementara, seperti yang ditemukan dalam program mengeksekusi. ”

Berbeda dengan DBMS relasional dimana struktur data yang kompleks harus diratakan untuk masuk ke dalam tabel atau bergabung bersama-sama dari meja-meja untuk membentuk struktur dalam-memori, DBMSs objek tidak memiliki overhead kinerja untuk menyimpan atau mengambil web atau hirarki objek yang saling terkait . Ini pemetaan satu-ke-satu obyek bahasa pemrograman untuk objek database memiliki dua manfaat lebih dari pendekatan penyimpanan lain: ia menyediakan manajemen kinerja yang lebih tinggi objek, dan itu memungkinkan pengelolaan yang lebih baik dari keterkaitan yang kompleks antara objek. Hal ini membuat objek DBMSs lebih cocok untuk mendukung aplikasi seperti sistem keuangan risiko portofolio analisis, aplikasi layanan telekomunikasi, struktur dokumen world wide web, sistem desain dan manufaktur, dan sistem catatan pasien rumah sakit, yang memiliki hubungan yang kompleks antara data. 

Semistructured Model

Dalam model data semistructured, informasi yang biasanya dikaitkan dengan skema yang terkandung dalam data, yang kadang-kadang disebut “ self-describing”. Dalam database tersebut tidak ada pemisahan yang jelas antara data dan skema, dan sejauh yang terstruktur tergantung pada aplikasi. Dalam beberapa bentuk data semistructured tidak ada skema yang terpisah, di tempat lain itu ada tapi hanya tempat-tempat kendala longgar pada data. Data semi-terstruktur secara alami dimodelkan dalam hal grafik yang mengandung label yang memberikan semantik dengan struktur yang mendasarinya. database tersebut menggolongkan kekuatan pemodelan ekstensi terbaru database relasional datar, untuk database bersarang yang memungkinkan bersarang (atau enkapsulasi) entitas, dan untuk objek database yang, di samping itu, memungkinkan referensi siklik antara objek. Semistructured data baru-baru ini muncul sebagai topik penting dari studi karena berbagai alasan. Pertama, ada sumber data seperti Web, diperlakukan sebagai database tetapi yang tidak dapat dibatasi oleh sebuah skema. Kedua, mungkin diinginkan untuk memiliki format yang sangat fleksibel untuk pertukaran data antara database yang berbeda. Ketiga, bahkan ketika berhadapan dengan data terstruktur, mungkin akan membantu untuk melihatnya sebagai semistructured untuk tujuan browsing. 

Assosiatif Model

Model asosiatif membagi hal-hal di dunia nyata tentang mana data akan direkam ke dalam Entitas, Entitas merupakan hal yang diskrit, keberadaan independen. Sebuah keberadaan entitas tidak bergantung pada hal-hal lain. Asosiasi hal-hal yang keberadaannya bergantung pada satu atau lebih hal-hal lain, sehingga jika ada hal-hal berhenti ada, maka hal itu sendiri tidak lagi ada atau menjadi tidak berarti. Database asosiatif terdiri dari dua struktur data:

1. Satu set item, masing-masing memiliki pengenal unik, nama dan tipe.

2. Satu set link, masing-masing memiliki pengenal unik, bersama dengan pengidentifikasi unik dari tiga hal lain, yang merupakan sumber sumber, kata kerja dan target dari fakta yang tercatat sekitar sumber dalam database. Masing-masing dari tiga hal yang diidentifikasi oleh kata kerja, sumber dan target dapat berupa link atau item. [sumber]

Kelebihan dan Kekurangan Database

Kelebihan Sistem Database:

1. Kerangkapan dan inkonsistensi data dapat dikontrol sehingga tidak terdapat data rangkap.
2. Terpeliharanya keselarasan data
3. Data dapat dipakai secara bersama-sama
4. Memudahkan penerapan standarisasi
5. Memudahkan penerapan batasan-batasan pengamana
6. Terpeliharanya integritas data.

Kekurangan Sistem Database tersebut:

1. Mahal dalam implementasinya 
2. Rumit/komplek 
3. Kerusakan pada sistem basis data dapat mempengaruhi departemen yang terkait. [sumber]

Keunggulan dan Kelemahan Database Management System

Keunggulan 

• Performance. Dari segi performance dapat diketahui bahwa dengan menggunakan sistem basis data dapat menyimpan file berukuran besar, sekaligus juga membuat lebih efisien dan praktis.
• Integritas. Dengan penggunaan DBMS integritas data menjadi lebih terjamin. Masalah redudansi sering terjadi dalam DBMS. Redudansi adalah kejadian berulangnya data atau kumpulan data yang sama dalam sebuah database yang mengakibatkan pemborosan media penyimpanan.
• Independensi. Perubahan struktur database dimungkinkan terjadi tanpa harus mengubah aplikasi yang mengaksesnya sehingga pembuatan antarmuka ke dalam data akan lebih mudah dengan penggunaan DBMS.
• Sentralisasi / Pusat data. Data yang terpusat akan mempermudah pengelolaan database. kemudahan di dalam melakukan bagi pakai dengan DBMS dan juga kekonsistenan data yang diakses secara bersama-sama akan lebiih terjamin dari pada data disimpan dalam bentuk file atau worksheet yang tersebar.
• Sekuritas / Keamanan Data. DBMS memiliki sistem keamanan yang lebih fleksibel daripada pengamanan pada file sistem operasi. Keamanan dalam DBMS akan memberikan keluwesan dalam pemberian hak akses kepada pengguna. 

Kelemahan 

• Biaya & Harga DBMS yang Tinggi & Mahal Kebutuhan untuk medapatkan perangkat lunak dan perangkat keras yang tepat cukup mahal, termasuk biaya pemeliharaan dan sumber daya  manusia yang mengelola basis data tersebut.
• Memerlukan suatu skill tertentu untuk bisa melakukan administrasi dan manajemen database agar dapat diperoleh struktur dan relasi data yang optimal
• Sangat kompleks. Sistem basis data lebih kompleks dibandingkan dengan proses berkas, sehingga dapat mudah terjadinya kesalahan dan semakin sulit dalam pemeliharaan data.
• Resiko data yang terpusat. Data yang terpusat dalam satu lokasi dapat beresiko  kehilangan data selama proses aplikasi.
• Konversi dari sistem lama ke sistem DBMS terkadang sangat mahal, disamping biaya pengadaan perangkat keras dan perangkat lunak, diperlukan pula biaya pelatihan.
• Membutuhkan media penyimpanan yang besar baik eksternal (disk) maupun internal (memory) agar DBMS dapat bekerja cepat dan efisien.
• Membutuhkan memory komputer yang besar.
• Membutuhkan spesifikasi hardware yang tinggi / khusus.
• Membutuhkan waktu yang lama untuk konversi sistem.
• Terkadang kinerja DBMS low performance.
• Resiko kegagalan cukup tinggi [sumber]

Peranan Database dan DBMS dalam Pemecahan dalam Bidang Psikologi

DBMS merupakan software yang digunakan untuk membangun suatu sistem basis data yang “sempurna”. DBMS harus dapat mengatur basis data tersebut sehingga dapat tersimpan dengan baik tanpa menimbulkan kekacauan, dapat dipakai oleh banyak user sesuai dengan kepentingan masing-masing, melindungi dari gangguan pihak-pihak yang tidak berwenang.

Banyak program basis data yang sudah sering kita gunakan, misalnya : FoxPro, Clipper, Access, dan dBASE. Itu merupakan contoh dari DBMS yang digunakan pada PC dalam skala yang relatif kecil. Dalam skala yang lebih besar, dikenal beberapa DBMS yang sering digunkan, antara lain : Sybase, DB2, Informix, Oracle, dan lain-lain.

Database merupakan salah satu komponen yang penting dalam sistem informasi, karena merupakan basis dalam menyediakan informasi bagi para pemakai. Databse terdiri dari data yang akan digunakan atau diperuntukkan terhadap banyak user, dari masing-masing user akan menggunakan data tersebut sesuai dengan tugas dan fungsinya. Contohnya :

• Seorang psikolog yang sudah memiliki banyak klien. Setiap klien memiliki permasalahan yang berbeda-beda dan yang pasti identitas ynag berbeda pula. Sebagai profesi pasti memiliki kode etik dalam bekerja yang tidak dapat dilanggar, begitu pun psikolog memilki kode etik dengan klien. Salah satu kode etik nya adalah menjaga kerahasiaan data klien. Data klien yang disimpan dalam database membantu psikolog dalam menjaga kerahasiaan data tersebut. Seperti yang telah dijelaskan mengenai kelebihan dlam pemakaian sistem DBMS adalah keamanan data terjamin, mengurangi kerangkapan data.

• Tes kepribadian yang terdapat di jejaring sosial seperti facebook. Misalnya seorang psikolog yang membuat tes kepribadian melalui facebook. Dia membuat pertanyaan dan jawaban terlebih dahulu sebelum tes tersebut di publish ke facebook. Dia membbuat data tersebut dalam sistem database, contohnya sebuah pertanyaan mengenai pilhan warna. Setiap warna memiliki arti yang berbeda yang menggambarkan kepribadian. Dia memasukkan data mengenai berbagai macam warna beserta gamabran kepribadian berdasarkan warna tersebut. Jika sudah semua data dimasukkan dalam sistem database dan DBMS kemudian di publish ke jejaring sosial. Jika seseorang mencoba tes kerpibadian tersebut dantelah memilih jawaban dari salah satu warna, maka data yang di dalam databse akan terpanggil dan akan muncul hasilnya yakni gambaran kepribadian dari warna ynag telah dipilih oleh orang tersebut. [sumber]