Tujuan Sistem Pendukung Keputusan

Tujuan dari 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

Macam - Macam Metode Sistem Penunjang Keputusan

Metode Sistem pakar
Sistem pakar adalah suatu program komputer yang dirancang untuk mengambil keputusan seperti keputusan yang diambil oleh seorang atau beberapa orang pakar. Menurut Marimin (1992), sistem pakar adalah sistem perangkat lunak komputer yang menggunakan ilmu, fakta, dan teknik berpikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah yang biasanya hanya dapat diselesaikan oleh tenaga ahli dalam bidang yang bersangkutan.
Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian masalah tertentu.
Modul Penyusun Sistem Pakar
Suatu sistem pakar disusun oleh tiga modul utama (Staugaard, 1987), yaitu :
1. Modul Penerimaan Pengetahuan Knowledge Acquisition Mode)
Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu sistem pakar dengan pakarnya.
2. Modul Konsultasi(Consultation Mode)
Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaan-pertanyaan yang diajukan oleh sistem.
3. Modul Penjelasan(Explanation Mode)
Modul ini menjelaskan proses pengambilan keputusan oleh sistem (bagaimana suatu keputusan dapat diperoleh).
Struktur Sistem Pakar
Komponen utama pada struktur sistem pakar (Hu et al, 1987) meliputi:
1. Basis Pengetahuan (Knowledge Base)
Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui. Menurut Gondran (1986) dalam Utami (2002), basis pengetahuan merupakan representasi dari seorang pakar, yang kemudian dapat dimasukkan kedalam bahasa pemrograman khusus untuk kecerdasan buatan (misalnya PROLOG atau LISP) atau shell sistem pakar (misalnya EXSYS, PC-PLUS, CRYSTAL, dsb.)
2. Mesin Inferensi (Inference Engine)
Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi penalaran dan strategi pengendalian.
Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada keadaan sebaliknya.
Strategi pengendalian berfungsi sebagai panduan arah dalam melakukan prose penalaran. Terdapat tiga tehnik pengendalian yang sering digunakan, yaitu forward chaining, backward chaining, dan gabungan dari kedua tehnik pengendalian tersebut.
3. Basis Data (Database)
Basis data terdiri atas semua fakta yang diperlukan, dimana fakta-fakta tersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam sistem. Basis data menyimpan semua fakta, baik fakta awal pada saat sistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saat proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan untuk menyimpan data hasil observasi dan data lain yang dibutuhkan selama pemrosesan.
4. Antarmuka Pemakai (User Interface)
Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai dengan sistem. Hubungan antar komponen penyusun struktur sistem pakar dapat dilihat pada Gambar di bawah ini :
Teknik Representasi Pengetahuan
Representasi pengetahuan adalah suatu teknik untuk merepresentasikan basis pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi/keterhubungan antara suatu data dengan data yang lain. Teknik ini membantu knowledge engineer dalam memahami struktur pengetahuan yang akan dibuat sistem pakarnya.
Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan dalam pengembangan suatu sistem pakar, yaitu :
1. Rule-Based Knowledge
2. Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules). Bentuk representasi ini terdiri atas premise dan kesimpulan
3. Frame-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame
4. Object-Based Knowledge
Pengetahuan direpresentasikan sebagai jaringan dari obyek-obyek. Obyek adalah elemen data yang terdiri dari data dan metoda (proses)
5. Case-Base Reasoning
Pengetahuan direpresentasikan dalam bentuk kesimpulan kasus (cases)
(Untuk mengetahui lebih jelasnya, Anda dapat membaca buku :
• Management Information System (J.A. O'Brien)
McGraw Hill. Arizona.USA.
• Decision Support and Expert Systems; Management Support Systems (E. Turban)
Prentice Hall. New Jersey.USA.
• Buku-buku lain yang membahas tentang Sistem Pakar)

Sistem pakar adalah sistem yang mempekerjakan pengetahuan manusia yang ditangkap dalam komputer untuk memecahkan masalah yang biasanya membutuhkan keahlian manusia. Adapun komponen-kompenen yang mungkin ada dalam sebuah sistem pakar adalah:
1. Subsistem akuisisi pengetahuan
2. Basis pengetahuan
Basis pengetahuan berisi pengetahuan penting untuk pengertian, formulasi dan pemecahan masalah. Basis pengetahuan memasukkan dua elemen (1) fakta (facts) seperti situasi masalah dan teori dari area masalah dan (2) heuristic khusus atau rule-rule yang menghubungkan penggunaan pengetahuan untuk pemecahan masalah spesifik dalam sebuah domain khusus. Informasi dalam basis pengetahuan tergabung dalam basis pengetahuan tergabung dalam sebuah program komputer oleh proses yang disebut dengan representasi pengetahuan.
3. Mesin inferensi
4. Blackboard (Wilayah kerja)
5. User interface
Sistem pakar berisi bahasa prosesor untuk komunikasi yang bersahabat, berorientasi pada masalah antara pengguna dan komputer. Komunikasi ini dapat secara baik dibawa oleh natural language, dan dalam beberapa kasus user interface ditambahkan dengan menu-menu dan grafik.
6. Subsistem penjelasan
7. Sistem penyaringan pengetahuan
Sedangkan konsep dasar dalam sistem pakar menurut Turban, 1993 adalah:
1. Keahlian (Expertise)
2. Pakar (Expert)
3. Transfer keahlian
4. Inferensi
5. Rule
6. Kemampuan memberikan penjelasanHYPERLINK "http://kmp.htm/" \t "right"
Akuisisi pengetahuan adalah akumulasi, transfer dan transformasi dari keahlian pemecahan masalah dari beberapa sumber pengetahuan ke program komputer untuk konstruksi atau perluasan basis pengetahuan. Sumber-sumber pengetahuan potensial termasuk pakar manusia, textbook, database, laporan penelitian khusus, dan gambar-gambar.
Pengakuisisian pengetahuan dari pakar adalah tugas kompleks yang sering membuat kemacetan dalam konstruksi sistem pakar sehingga dibutuhkan seorang knowledge engineer untuk berinteraksi dengan satu atau lebih pakar dalam membangun basis pengetahuan.
Metode Regresi linier
Regresi linier adalah metode statistika yang digunakan untuk membentuk model
hubungan antara variabel terikat (dependen; respon; Y) dengan satu atau lebih variabel bebas
(independen, prediktor, X). Apabila banyaknya variabel bebas hanya ada satu, disebut sebagai
regresi linier sederhana, sedangkan apabila terdapat lebih dari 1 variabel bebas, disebut sebagai
regresi linier berganda.
Analisis regresi setidak-tidaknya memiliki 3 kegunaan, yaitu untuk tujuan deskripsi dari
fenomena data atau kasus yang sedang diteliti, untuk tujuan kontrol, serta untuk tujuan prediksi.
Regresi mampu mendeskripsikan fenomena data melalui terbentuknya suatu model hubungan yang
bersifatnya numerik. Regresi juga dapat digunakan untuk melakukan pengendalian (kontrol)
terhadap suatu kasus atau hal-hal yang sedang diamati melalui penggunaan model regresi yang
diperoleh. Selain itu, model regresi juga dapat dimanfaatkan untuk melakukan prediksi untuk
variabel terikat. Namun yang perlu diingat, prediksi di dalam konsep regresi hanya boleh dilakukan
di dalam rentang data dari variabel-variabel bebas yang digunakan untuk membentuk model regresi
tersebut. Misal, suatu model regresi diperoleh dengan mempergunakan data variabel bebas yang
memiliki rentang antara 5 s.d. 25, maka prediksi hanya boleh dilakukan bila suatu nilai yang
digunakan sebagai input untuk variabel X berada di dalam rentang tersebut. Konsep ini disebut
sebagai interpolasi.
Data untuk variabel independen X pada regresi linier bisa merupakan data pengamatan yang
tidak ditetapkan sebelumnya oleh peneliti (obsevational data) maupun data yang telah ditetapkan
(dikontrol) oleh peneliti sebelumnya (experimental or fixed data). Perbedaannya adalah bahwa
dengan menggunakan fixed data, informasi yang diperoleh lebih kuat dalam menjelaskan
hubungan sebab akibat antara variabel X dan variabel Y. Sedangkan, pada observational data,
informasi yang diperoleh belum tentu merupakan hubungan sebab-akibat. Untuk fixed data, peneliti
sebelumnya telah memiliki beberapa nilai variabel X yang ingin diteliti. Sedangkan, pada
observational data, variabel X yang diamati bisa berapa saja, tergantung keadaan di lapangan.
Biasanya, fixed data diperoleh dari percobaan laboratorium, dan observational data diperoleh
dengan menggunakan kuesioner.
Di dalam suatu model regresi kita akan menemukan koefisien-koefisien. Koefisien pada
model regresi sebenarnya adalah nilai duga parameter di dalam model regresi untuk kondisi yang
sebenarnya (true condition), sama halnya dengan statistik mean (rata-rata) pada konsep statistika
dasar. Hanya saja, koefisien-koefisien untuk model regresi merupakan suatu nilai rata-rata yang
berpeluang terjadi pada variabel Y (variabel terikat) bila suatu nilai X (variabel bebas) diberikan.
Koefisien regresi dapat dibedakan menjadi 2 macam, yaitu:
1. Intersep (intercept)
Intersep, definisi secara metematis adalah suatu titik perpotongan antara suatu garis dengan
sumbu Y pada diagram/sumbu kartesius saat nilai X = 0. Sedangkan definisi secara statistika
adalah nilai rata-rata pada variabel Y apabila nilai pada variabel X bernilai 0. Dengan kata
lain, apabila X tidak memberikan kontribusi, maka secara rata-rata, variabel Y akan bernilai
sebesar intersep. Perlu diingat, intersep hanyalah suatu konstanta yang memungkinkan
munculnya koefisien lain di dalam model regresi. Intersep tidak selalu dapat atau perlu
untuk diinterpretasikan. Apabila data pengamatan pada variabel X tidak mencakup nilai 0
atau mendekati 0, maka intersep tidak memiliki makna yang berarti, sehingga tidak perlu
diinterpretasikan.
1
Copyright © 2008 Deny Kurniawan
http://ineddeni.wordpress.com
R Development Core Team (2008). R: A language and environment for
statistical computing. R Foundation for Statistical Computing,
Vienna, Austria. ISBN 3-900051-07-0, URL http://www.R-project.org2. Slope
Secara matematis, slope merupakan ukuran kemiringan dari suatu garis. Slope adalah
koefisien regresi untuk variabel X (variabel bebas). Dalam konsep statistika, slope
merupakan suatu nilai yang menunjukkan seberapa besar kontribusi (sumbangan) yang
diberikan suatu variabel X terhadap variabel Y. Nilai slope dapat pula diartikan sebagai ratarata pertambahan (atau pengurangan) yang terjadi pada variabel Y untuk setiap peningkatan
satu satuan variabel X.
Contoh model regresi:
Y = 9.4 + 0.7*X + 
Angka 9.4 merupakan intersep, 0.7 merupakan slope, sedangkan  merupakan error.
Error bukanlah berarti sesuatu yang rusak, hancur atau kacau. Pengertian error di dalam konsep
statistika berbeda dengan pengertian error yang selama ini dipakai di dalam kehidupan sehari-hari.

Metode B/C Ratio
Analisis manfaat-biaya merupakan analisis yang digunakan untuk mengetahui besarankeuntungan/kerugian serta kelayakan suatu proyek. Dalam perhitungannya, analisis inimemperhitungkan biaya serta manfaat yang akan diperoleh dari pelaksanaan suatu program.Dalam analisisbenefit dancos t perhitungan manfaat serta biaya ini merupakan satu kesatuanyang tidak dapat dipisahkan.
Analisis ini mempunyai banyak bidang penerapan. Salah satu bidang penerapan yang umummenggunakan rasio ini adalah dalam bidang investasi. Sesuai dengan dengan maknatekstualnya yaitu benefit cost (manfaat-biaya) maka analisis ini mempunyai penekanan dalamperhitungan tingkat keuntungan/kerugian suatu program atau suatu rencana denganmempertimbangkan biaya yang akan dikeluarkan serta manfaat yang akan dicapai. Penerapananalisis ini banyak digunakan oleh para investor dalam upaya mengembangkan bisnisnya.Terkait dengan hal ini maka analisis manfaat dan biaya dalam pengembangan investasi hanyadidasarkan pada rasio tingkat keuntungan dan biaya yang akan dikeluarkan atau dalam kata lainpenekanan yang digunakan adalah pada rasio finansial atau keuangan.
Dibandingkan penerapannya dalam bidang investasi, penerapan Benefit Cost Ratio (BCR) telahbanyak mengalami perkembangan. Salah satu perkembangan analisis BCR antara lain yaitupenerapannya dalam bidang pengembangan ekonomi daerah. Dalam bidang pengembanganekonomi daerah, analisis ini umum digunakan pemerintah daerah untuk menentukan kelayakanpengembangan suatu proyek.
Relatif berbeda dengan penerapan BCR di bidang investasi, penerapan BCR dalam prosespemilihan suatu proyek terkait upaya pengembangan ekonomi daerah relatif lebih sulit. Hal inidikarenakan aplikasi BCR dalam sektor publik harus mempertimbangkan beberapa aspek terkait
social benefit(social welfare function) dan lingkungan serta tak kalah penting adalah faktor
efisiensi. Faktor efisiensi mutlak menjadi perhatian menimbang terbatasnya dana dan
kemampuan pemerintah daerah sendiri.
Secara terinci aspek-aspek tersebut juga mempertimbangkan dampak penerapan suatu program
dalam masyarakat baik secara langsung (direct impact) maupun tidak langsung (indirect impact),
faktor eksternalitas, ketidakpastian (uncertainty), risiko (risk) serta shadow price. Terkaitperhitungan risiko dan ketidakpastian, hal ini dapat diatasi dengan menggunakan asuransi danmelakukan lindung nilai (hedging).
Efisiensi ekonomi merupakan kontribusi murni suatu program dalam peningkatan kesejahteraanmasyarakat. Sehingga yang menjadi perhatian utama dalam penerapan BCR dalam suatu proyekpemerintah yang berkaitan dengan sektor publik adalah redistribusi sumber daya.

Contoh Kasus dan penerapan metode SAW (Simple Additive Weighting)

Definisi SAW
Metode SAW merupakan metode yang juga dikenal dengan metode penjumlahan berbobot. Copas dari blog tetangga(http://belajarbersamawegi.blogspot.com/2013/06/metode-simple-additive-weighting-saw.html) , Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut (Fishburn, 1967) (MacCrimmon, 1968).

Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada.  Metode ini merupakan metode yang paling terkenal dan paling banyak digunakan dalam menghadapi situasi Multiple Attribute Decision Making (MADM). MADM itu sendiri merupakan suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu.
Masih dari blog yang sama ada beberapa tahapan untuk menyelesaikan suatu kasus menggunakan metode SAW ini.
1.  Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci.
2.  Menentukan rating kecocokan setiap alternatif pada setiap kriteria.
3.  Membuat matriks keputusan berdasarkan kriteria(Ci), kemudian melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh matriks ternormalisasi R.
4.  Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai)sebagai solusi.
Agar lebih jelas tentang pengimplementasian algoritma tersebut lebih baik kita belajar dengan studi kasus, karena saya beranggapan jika studi kasus akan lebh mudah menjawab semua teori yang sulit dimengerti.
Contoh Kasus :
Seorang perusahaan akan melakukan rekrutmen kerja terhadap 5 calon pekerja untuk posisi operator mesin. Posisi yang saat ini luang hanya ada 2 posisi. Nah dengan metode SAW kita diharuskan menentukan calon pekerja tersebut.
Sebelum kita dibingungkan oleh itungan matematika kita tentukan dulu mana yang menjadi kriteria benefit dan kriteria cost
Kriteria benefit-nya adalah
-      Pengalaman kerja (saya simbolkan C1)
-      Pendidikan (C2)
-      Usia (C3)
Sedangkan kriteria cost-nya adalah
-      Status perkawinan (C4)
-      Alamat (C5)
Kriteria dan Pembobotan
Teknik pembobotan pada criteria dapat dilakukan dengan beragai macam cara dan metode yang abash. Pase ini dikenal dengan istilah pra-proses. Namun bisa juga dengan cara secara sederhana dengan memberikan nilai pada masing-masing secara langsung berdasarkan persentasi nilai bobotnya. Se dangkan untuk yang lebih lebih baik bisa digunakan fuzzy logic. Penggunaan Fuzzy logic, sangat dianjurkan bila kritieria yang dipilih mempunyai sifat yang relative, misal Umur, Panas, Tinggi, Baik atau sifat lainnya.
Di tahap ini kita mengisi bobot nilai dari suatu alternatif dengan kriteria yang telah dijabarkan tadi. Perlu

Sistem Pendukung Keputusan dengan Metode AHP

 a. Definisi AHP

Analytical Hierarchy Process (AHP). Diikembangkan oleh Thomas L. Saaty pada     tahun 1970-an. Metode ini merupakan salah satu model pengambilan keputusan multikriteria yang dapat membantu kerangka berpikir manusia dimana faktor logika, pengalaman pengetahuan, emosi dan rasa dioptimasikan ke dalam suatu  proses sistematis. Pada dasarnya, AHP merupakan metode yang digunakan untuk   memecahkan masalah yang kompleks dan tidak terstruktur ke dalam kelompok –      kelompoknya, dengan mengatur kelompok tersebut ke dalam suatu hierarki, kemudian memasukkan nilai numerik sebagai pengganti persepsi manusia dalam melakukan perbandingan relatif. Dengan suatu sintesa maka akan dapat ditentukan  elemen mana yang mempunyai prioritas tertinggi.

Menurut Badiru (1995), AHP merupakan suatu pendekatan praktis untuk memecahkan masalah keputusan kompleks yang meliputi perbandinagn alternatif.AHP juga memungkinkan pengambilankeputusan menyajikan hubungan hierarki antara faktor, atribut, karakteristik atau alternative dalam lingkungan pengambilan  keputusan. Dengan cirri – ciri khusus, hierarki yang dimilikinya, masalah kompleks yang tidak terstruktur dipecahkan dalam kelompok -kelompoknya.

Dalam menyelesaikan persoalan dengan AHP ada beberapa prinsip yang harus               dipahamidiantaranya adalah : decomposition,comparative judgment, synthesis of priority, dan logicalconsistency.

b. Prinsip AHP

1.      Decomposition (Penyusunan Hirarki).

     Setelah persoalan didefenisikan, maka perlu dilakukan decomposition yaitu memecah persoalan yang utuh menjadi unsur – unsurnya. Jika ingin mendapatkan hasil yang akurat, pemecahan juga dilakukan terhadap unsur – unsurnya sampai tidak mungkin dilakukan pemecahan lebih lanjut, sehinggadidapatkan beberapa tingkatan dari persoalan tadi. Karena alasan ini, maka proses analisis ini dinamakan hierarki (hierarchy). Ada 2 (dua) jenis hierarki, yaitu lengkap dan tak lengkap. Dalam hierarki lengkap, semua elemen pada suatu     tingkat memiliki semua elemen yang ada pada tingkat berikutnya. Jika tidakdemikian dinamakan hierarki tak lengkap.

Cyber Crime

1.Pengertian Cybercrime
Cybercrime adalah tidak criminal yang dilakkukan dengan menggunakan teknologi computer sebagai alat kejahatan utama. Cybercrime merupakan kejahatan yang memanfaatkan perkembangan teknologi computer khusunya internet.
Cybercrime didefinisikan sebagai perbuatan melanggar hukum yang memanfaatkan teknologi computer yang berbasasis pada kecanggihan perkembangan teknologi internet.
Karakteristik Cybercrime
Dalam perkembangannya kejahatan konvensional cybercrime dikenal dengan :
1. Kejahatan kerah biru
2. Kejahatan kerah putih
Cybercrime memiliki karakteristik unik yaitu :
1. Ruang lingkup kejahatan
2. Sifat kejahatan
3. Pelaku kejahatan
4. Modus kejahatan
5. Jenis kerugian yang ditimbulkan
Dari beberapa karakteristik diatas, untuk mempermudah penanganannya maka
cybercrime diklasifikasikan :

• Cyberpiracy : Penggunaan teknologi computer untuk mencetak ulang software atau informasi, lalu mendistribusikan informasi atau software tersebut lewat teknologi komputer.
• Cybertrespass : Penggunaan teknologi computer untuk meningkatkan akses pada system computer suatu organisasi atau indifidu.
• Cybervandalism : Penggunaan teknologi computer untuk membuat program yang menganggu proses transmisi elektronik, dan menghancurkan data dikomputer

2. Perkembangan Cyber Crime
a. Perkembangan cyber crime di dunia
Awal mula penyerangan didunia Cyber pada tahun 1988 yang lebih dikenal dengan istilah:
Cyber Attack. Pada saat itu ada seorang mahasiswa yang berhasil menciptakan sebuah worm atau virus yang menyerang program computer dan mematikan sekitar 10% dari seluruh jumlah komputer di dunia yang terhubung ke internet. Pada tahun 1994 seorang bocah sekolah musik yang berusia 16 tahun yang bernama Richard Pryce, atau yang lebih dikenal sebagai “the hacker” alias “Datastream Cowboy”, ditahan lantaran masuk secara ilegal ke dalam ratusan sistem komputer rahasia termasuk pusat data dari Griffits Air Force, NASA dan Korean Atomic Research Institute atau badan penelitian atom Korea. Dalam interogasinya dengan FBI, ia mengaku belajar hacking dan cracking dari seseorang yang dikenalnya lewat internet dan menjadikannya seorang mentor, yang memiliki julukan “Kuji“. Hebatnya, hingga saat ini sang mentor pun tidak pernah diketahui keberadaannya.

Cyber Law

Cyberlaw adalah hukum yang digunakan di dunia cyber (dunia maya), yang umumnya diasosiasikan dengan Internet. Cyberlaw dibutuhkan karena dasar atau fondasi dari hukum di banyak negara adalah "ruang dan waktu". Sementara itu, Internet dan jaringan komputer mendobrak batas ruang dan waktu ini .

yuridis, cyber law tidak sama lagi dengan ukuran dan kualifikasi hukum tradisional. Kegiatan cyber meskipun bersifat virtual dapat dikategorikan sebagai tindakan dan perbuatan hukum yang nyata. Kegiatan cyber adalah kegiatan virtual yang berdampak sangat nyata meskipun alat buktinya bersifat elektronik. Dengan demikian subjek pelakunya harus dikualifikasikan pula sebagai orang yang telah melakukan perbuatan hukum secara nyata.

Dari sini lahCyberlaw bukan saja keharusan, melainkan sudah merupakan

kebutuhan untuk menghadapi kenyataan yang ada sekarang ini, yaitu

dengan banyaknya berlangsung kegiatan cybercrime. 

A. Ruang lingkup cyberlaw

Menurut Jonathan Rosenoer dalam Cyber Law – The Law Of Internet menyebutkan ruang lingkup cyber law :

1. Hak Cipta (Copy Right)

2. Hak Merk (Trademark)

3. Pencemaran nama baik (Defamation)

4. Hate Speech

5. Hacking, Viruses, Illegal Access

6. Regulation Internet Resource

7. Privacy

8. Duty Care

9. Criminal Liability

10. Procedural Issues (Jurisdiction, Investigation, Evidence, etc)

11. Electronic Contract

12. Pornography

13. Robbery

14. Consumer Protection E-Commerce, E- Government

Jenis jenis pekerjaan bidang IT

Jenis-jenis pekerjaan bidang IT yang diketahui :

1. System analyst

Deskripsi Pekerjaan System analyst
System analyst merancang solusi IT baru untuk meningkatkan efisiensi bisnis dan produktifitas. Pekerjaannya dapat untuk ekstrenal client atau internal client (seperti departemen dalam organisasi yang sama).
Bekerja secara dekat dengan client, analyst memeriksa model bisnis dan aliran data, mendiskusikan penemuan mereka dengan client, dan merancang solusi IT yang tepat.
Mereka menghasilkan sketsa rancangan dan meminta sistem IT baru, menentukan operasi yang akan dijalankan oleh sistem, dan cara data akan dilihat oleh user, memberikan rancangannya pada client dan setelah disetujui, bekerja secara dekat dengan tim client untuk mengimplementasikan solusi
Aktivitas Kerja System analyst
Kebanyakan system analyst bekerja pada tipe khusus sistem IT, dengan bermacam-macam tipe organisasi.Aktivitas kerja juga bergantung pada ukuran dan sifat dasar dari organisasi, tetapi biasanya meliputi:

• Berhubungan secara luas dengan eksternal atau internal client
• Menganalisa sistem (yang sudah ada) client
• Menerjemahkan keperluan client ke dalam laporan singkat proyek yang sangat khusus
• Mengenali pilihan untuk solusi potensial dan menilainya untuk kecocokan teknis dan bisnis
• Membuat solusi logis dan inovatif untuk permasalahan yang kompleks
• Membuat proposal khusus untuk memodifikasi atau menggantikan sistem
• Membuat laporan proyek yang memungkinkan
• Memberikan proposal pada client
• Bekerja secara dekat dengan developer dan bermacam end user untuk memastikan kompatibilitas teknis dan kepuasan user
• Memastikan anggaran dipatuhi dan memenuhi deadline
• Membuat jadwal pengujian untuk keseluruhan sistem
• Mengawasi implementasi sistem baru
• Merencanakan implementasi sistem baru
• Membuat user manual
• Menyediakan pelatihan untuk user dari sistem baru
• Tetap up to date dengan perkembangan sektor teknis dan industri

Kemampuan System analyst
Orang-orang yang ingin berprofesi di bidang ini harus memiliki kemampuan sebagai berikut:

• Kemampuan untuk belajar dengan cepat
• Pendekatan logis dalam pemecahan masalah
• Menyelidiki dan memiliki rasa ingin tahu
• Kemampuan presentasi
• Kemampuan interpersonal dan client-handling yang bagus
• Business awareness
• Kemampuan yang baik sekali dalam komunikasi lisan dan tulisan
• Kemampuan dalam perencanaan dan negosiasi
• Inistiatif dan kepercayaan diri
• Ketertarikan bagaimana proses organisasional bekerja

2. Software engineer

Deskripsi Pekerjaan Software engineer
Software engineer meneliti, merancang, dan men-develop sistem software untuk memenuhi keperluan client. Setelah sistem sudah secara penuh dirancang software engineer lalu diuji, debug, dan memelihara sistem.
Mereka perlu memiliki pengetahuan berbagai macam bahasa pemrograman komputer dan aplikasi, ini karena luasnya bidang kerja yang dapat terlibat didalamnya.
Software engineer kadangkali merupakan computer programmer atau software developer. Bergantung pada tipe organisasi, software engineer dapat menjadi spesialis dalam sistem atau aplikasi. Software engineering merupakan salah satu profesi IT yang paling popular.
Aktivitas Kerja Software engineer
Aktivitas yang dilakukan oleh software engineer meliputi:

• Researching, perancangan, dan pembuatan software baru
• Menguji program baru dan mencari kesalahan
• Men-develop program yang sudah ada dengan menganalisa dan mengenali area untuk modifikasi
• Memasang produk software yang sudah ada dan mengambil incompatible platform untuk bekerja bersama
• Memeriksa teknologi baru
• Membuat spesifikasi teknis dan perencanaan pengujian
• Bekerja dengan bahasa coding komputer
• Membuat dokumentasi operasional dengan technical author

Program Linier (Sistem Pendukung Keputusan)

Contoh Soal :

1.Suatu perusahaan akan memproduksi 2 jenis produk yaitu lemari dan kursi. Untuk memproduksi 2 produk tersebut di butuhkan 2 kegiatan yaitu proses perakitan dan pengecatan. Perusahaan menyediakan waktu 56 jam untuk proses perakitan dan 60 jam untuk proses pengecatan. Untuk produksi 1 unit lemari diperlukan waktu 8 jam perakitan dan 5 jam pengecatan. Untuk produksi 1 unit kursi diperlukan 7 jam perakitan dan 12 jam pengecatan. Jika masing masing produk adalan Rp. 200 ribu untuk lemari dan 100 ribu untuk kursi. Tentukan solusi optimal agar mendapatkan untuk masimal.

Penyelesaian :

Fungsi Tujuan :

Z = 200x + 100y

Fungsi Kendala :

(i)                  8x + 7y <= 56

(ii)                5x + 12y <= 60

Menentukan titik potong

(i)                  Jika x = 0                      Jika y = 0

8(0) + 7y = 56                             8x + 7(0) = 56

           7y = 56                               8x          = 56

            y  = 56/7                             x           = 56/8

            y = 8                                   x           = 7

    (0,8)                                                   (7,0)

(ii)                Jika  x = 0                     jika y =0

5(0) + 12y = 60           5x + 12(0) =60

           12y = 60             5x              = 60

                Y = 60/12      x              = 60/5

               Y = 5               x              = 12

(0,5)                                             (12,0)