Perangkat lunak perusahaan, juga dikenal sebagai perangkat lunak aplikasi perusahaan (EAS), adalah perangkat lunak komputer yang digunakan untuk memenuhi kebutuhan organisasi, bukan untuk pengguna individual. Perangkat lunak perusahaan merupakan bagian integral dari sistem informasi berbasis komputer, yang menangani sejumlah operasi bisnis, misalnya untuk meningkatkan tugas pelaporan bisnis dan manajemen, atau mendukung operasi produksi dan fungsi back office. Sistem perusahaan harus memproses informasi dengan kecepatan yang relatif tinggi.

Layanan yang disediakan oleh perangkat lunak perusahaan biasanya merupakan alat yang berorientasi pada bisnis. Karena perusahaan dan organisasi lain memiliki departemen dan sistem yang serupa, perangkat lunak perusahaan sering kali tersedia sebagai rangkaian program yang dapat disesuaikan. Penggunaan perangkat lunak perusahaan yang spesifik untuk fungsi tertentu termasuk manajemen basis data, manajemen hubungan pelanggan, manajemen rantai pasokan, dan manajemen proses bisnis.

Istilah perangkat lunak perusahaan digunakan dalam industri, dan publikasi penelitian bisnis, tetapi tidak umum dalam ilmu komputer. Istilah ini dipopulerkan secara luas pada awal tahun 1990-an oleh vendor perangkat lunak utama dalam hubungannya dengan kesepakatan lisensi dengan acara Star Trek Dalam literatur akademis, tidak ada definisi yang koheren yang dapat ditemukan. Sejarawan komputer Martin Campbell-Kelly merenungkan pada tahun 2003 bahwa pertumbuhan industri perangkat lunak perusahaan tidak dipahami dengan baik. Perangkat lunak aplikasi perusahaan (EAS) dikenal di kalangan akademisi sebagai komponen dan modul perangkat lunak perusahaan yang hanya mendukung fungsi bisnis tertentu. Komponen dan modul perangkat lunak EAS ini dapat saling beroperasi, sehingga sistem perusahaan lintas fungsi atau antar organisasi dapat dibangun. Dalam konteks ini, industri dapat berbicara tentang middleware. Perangkat lunak yang terutama dijual kepada konsumen, tidak disebut perangkat lunak perusahaan.

Menurut Martin Fowler, "Aplikasi perusahaan adalah tentang tampilan, manipulasi, dan penyimpanan data dalam jumlah besar yang sering kali rumit dan dukungan atau otomatisasi proses bisnis dengan data tersebut." Perangkat lunak aplikasi perusahaan menjalankan fungsi bisnis seperti pemrosesan pesanan, pengadaan, penjadwalan produksi, manajemen informasi pelanggan, manajemen energi, dan akuntansi.

Sistem perusahaan

Sistem perusahaan (ES) adalah paket perangkat lunak perusahaan berskala besar yang mendukung berbagai proses bisnis, arus informasi, pelaporan, dan analisis data dalam organisasi yang kompleks. Meskipun ES umumnya merupakan sistem perangkat lunak aplikasi perusahaan yang dipaketkan (PEAS), sistem ini juga dapat dipesan lebih dahulu, sistem yang dikembangkan secara khusus yang dibuat untuk mendukung kebutuhan organisasi tertentu. Jenis-jenis sistem perusahaan meliputi:

• sistem perencanaan sumber daya perusahaan (ERP),
• sistem perencanaan perusahaan, dan
• perangkat lunak manajemen hubungan pelanggan.

Meskipun pergudangan data atau sistem intelijen bisnis adalah perangkat lunak aplikasi yang dipaketkan untuk seluruh perusahaan yang sering dijual oleh vendor ES, karena tidak secara langsung mendukung pelaksanaan proses bisnis, mereka sering kali dikecualikan dari istilah tersebut.Sistem perusahaan dibangun di atas platform perangkat lunak, seperti SAP NetWeaver dan Oracle Fusion, dan database.

Dari perspektif perangkat keras, sistem perusahaan adalah server, penyimpanan, dan perangkat lunak terkait yang digunakan oleh bisnis besar sebagai fondasi infrastruktur TI mereka. Sistem ini dirancang untuk mengelola data penting dalam jumlah besar dan dengan demikian biasanya dirancang untuk memberikan kinerja transaksi dan keamanan data tingkat tinggi. "Kompleksitas yang tampaknya tak terbatas" dari sistem perusahaan telah dikritik, dan argumen yang dipertahankan untuk menerapkan sistem terpisah untuk tugas-tugas bisnis tertentu. Cynthia Rettig, seorang pengusaha Amerika, berpendapat bahwa "konsep sistem monolitik tunggal telah gagal untuk banyak perusahaan".

Jenis

Perangkat lunak perusahaan dapat dikategorikan berdasarkan fungsi bisnis. Setiap jenis aplikasi perusahaan dapat dianggap sebagai "sistem" karena integrasi dengan proses bisnis perusahaan. Kategori perangkat lunak perusahaan dapat tumpang tindih karena interpretasi sistemik ini. Sebagai contoh, platform Intelijen Bisnis IBM (Cognos), terintegrasi dengan platform analisis prediktif (SPSS) dan dapat memperoleh catatan dari paket basis datanya (Infosphere, DB2).

Kategori produk standar industri tertentu telah muncul, dan ini ditunjukkan di bawah ini:

• Intelijen Bisnis (BI)
• Manajemen Proses Bisnis (BPM)
• Sistem Manajemen Konten (CMS)
• Manajemen Hubungan Pelanggan (CRM)
• Sistem Manajemen Basis Data (DBMS) - seperti Manajemen Data Master (MDM) dan Pergudangan Data (DW, DWH, atau EDW)
• Perencanaan Sumber Daya Perusahaan (ERP)
• Manajemen Aset Perusahaan (EAM)
• Manajemen Sumber Daya Manusia (HRM)
• Manajemen Pengetahuan (KM)
• Platform Pengembangan Kode Rendah (LCDP)
• Manajemen Data Produk (PDM)
• Manajemen Informasi Produk (PIM)
• Manajemen Siklus Hidup Produk (PLM)
• Manajemen Rantai Pasokan (Supply Chain Management/SCM)
• Manajemen Konfigurasi Perangkat Lunak (SCM) - seperti Sistem Kontrol Versi (VCS)
• Jaringan dan Keamanan Informasi

• Pencegahan Deteksi Intrusi (IDS) - dan dengan perluasan Sistem Pencegahan Intrusi (IPS)
• Jaringan yang Ditentukan Perangkat Lunak (SDN) - termasuk SD-WAN
• Security Information Event Management (SIEM) - yang dapat menggabungkan Security Information Management (SIM) dan Security Event Management (SEM).

Jenis perangkat lunak lain yang tidak masuk ke dalam kategori standar yang sudah dikenal, termasuk perangkat lunak pencadangan, manajemen penagihan, dan perangkat lunak akuntansi. Perangkat lunak manajemen kontrak perusahaan digunakan untuk menyatukan semua komitmen kontrak organisasi ke dalam satu sistem untuk manajemen holistik dan untuk menghindari variabilitas dan inefisiensi yang melekat pada proses kontrak manual.

Disadur dari: en.wikipedia.org

Antropometri (dari bahasa Yunani Kuno ἄνθρωπος (ánthrōpos) 'manusia', dan μέτρον (métron) 'ukuran') mengacu pada pengukuran individu manusia. Sebagai alat awal dari antropologi fisik, antropometri telah digunakan untuk identifikasi, untuk tujuan memahami variasi fisik manusia, dalam paleoantropologi dan dalam berbagai upaya untuk menghubungkan ciri-ciri fisik dengan ciri-ciri rasial dan psikologis.

Antropometri melibatkan pengukuran sistematis dari sifat-sifat fisik tubuh manusia, terutama deskriptor dimensi ukuran dan bentuk tubuh. Karena metode dan pendekatan yang umum digunakan dalam menganalisis standar hidup tidak cukup membantu, sejarah antropometri menjadi sangat berguna bagi para sejarawan dalam menjawab pertanyaan-pertanyaan yang menarik bagi mereka. 

Saat ini, antropometri memainkan peran penting dalam desain industri, desain pakaian, ergonomi, dan arsitektur di mana data statistik tentang distribusi dimensi tubuh dalam populasi digunakan untuk mengoptimalkan produk. Perubahan gaya hidup, nutrisi, dan komposisi etnis populasi menyebabkan perubahan dalam distribusi dimensi tubuh (misalnya peningkatan obesitas) dan memerlukan pembaruan koleksi data antropometri secara teratur.

Sejarah

Sejarah antropometri mencakup dan menjangkau berbagai konsep, baik ilmiah maupun pseudosaintifik, seperti kraniometri, paleoantropologi, antropologi biologis, frenologi, fisiognomi, forensik, kriminologi, filogeografi, asal-usul manusia, dan deskripsi kranio-fasial, serta korelasi antara berbagai antropometri dengan identitas pribadi, tipologi mental, kepribadian, kubah tengkorak, dan ukuran otak, serta faktor lainnya.

Dalam berbagai waktu dalam sejarah, aplikasi antropometri telah berkisar dari deskripsi ilmiah yang akurat dan analisis epidemiologi hingga alasan untuk egenetika dan gerakan sosial yang terang-terangan rasis. Salah satu penyalahgunaannya adalah pseudosains yang didiskreditkan, yaitu fenologi.

Variasi individu

• Auxologis

Auxologic adalah istilah yang luas yang mencakup studi tentang semua aspek pertumbuhan fisik manusia.

• Tinggi badan

Tinggi badan manusia sangat bervariasi antar individu dan antar populasi karena berbagai faktor biologis, genetik, dan lingkungan yang kompleks. Karena masalah metodologis dan praktis, pengukurannya juga tunduk pada kesalahan yang cukup besar dalam pengambilan sampel statistik.

Tinggi rata-rata dalam populasi yang homogen secara genetik dan lingkungan sering kali proporsional di sejumlah besar individu. Variasi tinggi badan yang luar biasa (sekitar 20% deviasi dari rata-rata populasi) dalam populasi seperti itu kadang-kadang disebabkan oleh gigantisme atau dwarfisme, yang disebabkan oleh gen tertentu atau kelainan endokrin. Penting untuk dicatat bahwa tingkat variasi yang tinggi terjadi di antara tubuh yang paling 'umum' sekalipun (66% dari populasi), dan dengan demikian tidak ada orang yang dapat dianggap 'rata-rata'.

Dalam perbandingan populasi yang paling ekstrem, misalnya, tinggi rata-rata wanita di Bolivia adalah 142,2 cm (4 kaki 8,0 inci) sementara tinggi rata-rata pria di Pegunungan Alpen Dinar adalah 185,6 cm (6 kaki 1,1 inci), perbedaan rata-rata 43,4 cm (1 kaki 5,1 inci). Demikian pula, individu terpendek dan tertinggi, Chandra Bahadur Dangi dan Robert Wadlow, masing-masing berkisar antara 53-272 cm (1 kaki 9 inci - 8 kaki 11 inci). 
Rentang usia di mana sebagian besar betina berhenti tumbuh adalah 15-18 tahun dan rentang usia di mana sebagian besar jantan berhenti tumbuh adalah 18-21 tahun. 

• Berat badan

Berat badan manusia sangat bervariasi baik secara individu maupun antar populasi, dengan contoh orang dewasa yang terdokumentasi paling ekstrem adalah Lucia Zarate yang memiliki berat badan 2,1 kg (4,7 lb), dan Jon Brower Minnoch yang memiliki berat badan 640 kg (1.400 lb), dan dengan populasi yang ekstrem berkisar antara 49,6 kg (109,3 lb) di Bangladesh hingga 87,4 kg (192,7 lb) di Mikronesia. 

• Organ tubuh

Ukuran otak orang dewasa bervariasi dari 974,9 cm3 (59,49 cu in) hingga 1.498,1 cm3 (91,42 cu in) pada wanita dan 1.052,9 cm3 (64,25 cu in) hingga 1.498,5 cm3 (91,44 cu in) pada pria, dengan rata-rata 1.130 cm3 (69 cu in) dan 1.260 cm3 (77 cu in). Belahan otak kanan biasanya lebih besar daripada kiri, sedangkan belahan otak kecil biasanya memiliki ukuran yang lebih mirip.
Ukuran perut manusia sangat bervariasi pada orang dewasa, dengan satu studi menunjukkan volume mulai dari 520 cm3 (32 cu in) hingga 1.536 cm3 (93,7 cu in) dan berat mulai dari 77 gram (2,7 ons) hingga 453 gram (16,0 ons).  Alat kelamin pria dan wanita menunjukkan variasi individu yang cukup besar, dengan ukuran penis yang berbeda secara substansial dan ukuran vagina yang berbeda secara signifikan pada orang dewasa yang sehat. 

• Estetika

Kecantikan dan daya tarik fisik manusia telah menjadi keasyikan sepanjang sejarah yang sering kali bersinggungan dengan standar antropometri. Tata rias, simetri wajah, dan rasio pinggang-pinggul adalah tiga contoh di mana pengukuran biasanya dianggap sebagai hal yang mendasar.

Ilmu pengetahuan yang berevolusi

Studi antropometri saat ini dilakukan untuk menyelidiki signifikansi evolusi dari perbedaan proporsi tubuh antara populasi yang nenek moyangnya hidup di lingkungan yang berbeda. Populasi manusia menunjukkan pola variasi iklim yang mirip dengan mamalia bertubuh besar lainnya, mengikuti aturan Bergmann, yang menyatakan bahwa individu di iklim dingin akan cenderung lebih besar daripada individu di iklim hangat, dan aturan Allen, yang menyatakan bahwa individu di iklim dingin akan cenderung memiliki tungkai yang lebih pendek dan kekar daripada individu di iklim hangat.

Pada tingkat mikroevolusi, para antropolog menggunakan variasi antropometrik untuk merekonstruksi sejarah populasi berskala kecil. Sebagai contoh, penelitian John Relethford terhadap data antropometri awal abad ke-20 dari Irlandia menunjukkan bahwa pola geografis proporsi tubuh masih menunjukkan jejak invasi oleh Inggris dan Norse berabad-abad yang lalu.

Demikian pula, indeks antropometrik, yaitu perbandingan perawakan manusia digunakan untuk menggambarkan tren antropometrik. Penelitian ini dilakukan oleh Jörg Baten dan Sandew Hira dan didasarkan pada temuan antropologis bahwa tinggi badan manusia ditentukan oleh kualitas nutrisi, yang biasanya lebih tinggi di negara-negara yang lebih maju. Penelitian ini didasarkan pada kumpulan data dari para pekerja migran kontrak asal Tiongkok Selatan yang dikirim ke Suriname dan Indonesia, yang mencakup 13.000 orang.

Alat ukur.

• Pemindai tubuh 3D

Saat ini, antropometri dapat dilakukan dengan pemindai tiga dimensi. Sebuah studi kolaboratif global untuk meneliti penggunaan pemindai tiga dimensi untuk perawatan kesehatan diluncurkan pada bulan Maret 2007. Studi Benchmark Tubuh akan menyelidiki penggunaan pemindai tiga dimensi untuk menghitung volume dan volume segmental dari pemindaian tubuh individu. Tujuannya adalah untuk menentukan apakah Indeks Volume Tubuh memiliki potensi untuk digunakan sebagai pengukuran antropometri berbasis komputer jangka panjang untuk perawatan kesehatan. Pada tahun 2001, Inggris melakukan survei ukuran terbesar hingga saat ini dengan menggunakan pemindai. 

Sejak saat itu, beberapa survei nasional telah mengikuti langkah perintis Inggris, terutama SizeUSA, SizeMexico, dan SizeThailand, yang terakhir ini masih berlangsung. SizeUK menunjukkan bahwa bangsa ini telah menjadi lebih tinggi dan lebih berat, tetapi tidak sebanyak yang diharapkan. Sejak tahun 1951, saat survei wanita terakhir dilakukan, berat rata-rata wanita telah naik dari 62 menjadi 65 kg. Namun, penelitian terbaru menunjukkan bahwa postur tubuh partisipan secara signifikan memengaruhi pengukuran yang dilakukan, ketepatan pemindai tubuh 3D mungkin tidak cukup tinggi untuk toleransi industri, dan pengukuran yang dilakukan mungkin relevan atau tidak relevan untuk semua aplikasi (misalnya konstruksi garmen). Terlepas dari keterbatasan saat ini, Pemindaian Tubuh 3D telah disarankan sebagai pengganti teknologi prediksi pengukuran tubuh yang (meskipun memiliki daya tarik yang besar) belum dapat diandalkan seperti data manusia yang sebenarnya.

• Baropodografi

Perangkat baropodografi terbagi dalam dua kategori utama: (i) berbasis lantai, dan (ii) di dalam sepatu. Teknologi yang mendasari beragam, mulai dari susunan sensor piezoelektrik hingga pembiasan cahaya, tetapi bentuk akhir dari data yang dihasilkan oleh semua teknologi modern adalah gambar 2D atau rangkaian gambar 2D dari tekanan yang bekerja di bawah permukaan plantar kaki. Dari data ini, variabel lain dapat dihitung (lihat analisis data).

Resolusi spasial dan temporal dari gambar yang dihasilkan oleh sistem pedobarografi komersial berkisar antara 3 hingga 10 mm dan 25 hingga 500 Hz. Teknologi sensor membatasi resolusi yang lebih halus. Resolusi tersebut menghasilkan area kontak sekitar 500 sensor (untuk kaki manusia dewasa dengan luas permukaan sekitar 100 cm2). Untuk durasi fase kuda-kuda sekitar 0,6 detik selama berjalan normal, sekitar 150.000 nilai tekanan, tergantung pada spesifikasi perangkat keras, direkam untuk setiap langkah.

• Neuroimaging

Pengukuran langsung melibatkan pemeriksaan otak dari mayat, atau yang lebih baru, teknik pencitraan seperti MRI, yang dapat digunakan pada orang yang masih hidup. Pengukuran tersebut digunakan dalam penelitian tentang ilmu saraf dan kecerdasan. Data volume otak dan data kraniometri lainnya digunakan dalam ilmu pengetahuan umum untuk membandingkan spesies hewan modern dan untuk menganalisis evolusi spesies manusia dalam arkeologi.

Epidemiologi dan antropologi medis

Pengukuran antropometri juga memiliki kegunaan dalam epidemiologi dan antropologi medis, misalnya dalam membantu menentukan hubungan antara berbagai ukuran tubuh (tinggi, berat, persentase lemak tubuh, dll.) dan hasil medis. Pengukuran antropometri sering digunakan untuk mendiagnosis malnutrisi dalam pengaturan klinis yang miskin sumber daya.

Disadur dari: en.wikipedia.org

Apa yang dimaksud dengan faktor manusia dan Ergonomi?

Faktor Manusia dan Ergonomi ada di sekitar kita! Setiap kali Anda merekayasa produk, proses, atau sistem untuk bekerja lebih efisien dengan manusia, Anda telah mempraktikkan faktor manusia. Tujuan dari faktor manusia adalah untuk mengurangi kesalahan manusia, meningkatkan produktivitas, dan meningkatkan keselamatan dan kenyamanan dengan fokus khusus pada interaksi antara manusia dan benda yang diminati.

Bidang ini merupakan kombinasi dari berbagai disiplin ilmu, seperti psikologi, sosiologi, teknik, biomekanika, desain industri, fisiologi, antropometri, desain interaksi, desain visual, pengalaman pengguna, dan desain antarmuka pengguna, sehingga definisi yang tepat untuk HF/E berbeda-beda.

Definisi dari masyarakat profesional

Definisi berikut ini dikembangkan oleh Asosiasi Ergonomi Internasional dan telah diadopsi oleh Masyarakat Faktor Manusia dan Ergonomi:

Ergonomi (atau faktor manusia) adalah disiplin ilmu yang berkaitan dengan pemahaman interaksi antara manusia dan elemen-elemen lain dari sebuah sistem, dan profesi yang menerapkan teori, prinsip, data, dan metode pada desain untuk mengoptimalkan kesejahteraan manusia dan kinerja sistem secara keseluruhan. Ahli ergonomi berkontribusi pada desain dan evaluasi tugas, pekerjaan, produk, lingkungan, dan sistem agar sesuai dengan kebutuhan, kemampuan, dan keterbatasan manusia.

Definisi berikut ini dikembangkan oleh Human Factors and Ergonomics Society (Masyarakat Faktor Manusia dan Ergonomi) (dapat ditemukan dalam literatur HFES yang lebih lama):

Faktor Manusia berkaitan dengan penerapan apa yang kita ketahui tentang manusia, kemampuan, karakteristik, dan keterbatasannya pada desain peralatan yang mereka gunakan, lingkungan tempat mereka bekerja, dan pekerjaan yang mereka lakukan.

Definisi dari literatur Ilmiah

Laporan berikut ini mengumpulkan dan menganalisis definisi faktor manusia dan istilah-istilah terkait lainnya dari berbagai sumber: Licht, D. M., Polzella, D. J., & Boff, K. (1989). Faktor Manusia, Ergonomi, dan Rekayasa Faktor Manusia: Sebuah Analisis Definisi. CSERIAC-89-01. Wright Patterson AFB, Dayton, OH: CSERIAC. Dengan izin, kami memposting laporan tersebut di sini.

Definisi ini diambil dari The Dictionary for Human Factors/Ergnomics oleh James H. Stramler (Boca Raton, LA: CRC Press, 1993):

Faktor Manusia adalah bidang yang terlibat dalam melakukan penelitian mengenai karakteristik psikologis, sosial, fisik, dan biologis manusia, memelihara informasi yang diperoleh dari penelitian tersebut, dan bekerja untuk menerapkan informasi tersebut sehubungan dengan desain, operasi, atau penggunaan produk atau sistem untuk mengoptimalkan kinerja, kesehatan, keselamatan, dan / atau kelayakhunian manusia.

Definisi berikut ini diambil dari artikel oleh Alphonse Chapanis, “Untuk Mengkomunikasikan Pesan Faktor Manusia, Anda Harus Tahu Apa Pesan Itu dan Bagaimana Mengkomunikasikannya,” Buletin Masyarakat Faktor Manusia, Volume 34, Nomor 11, November 1991, hal. 1-4:

Human Factors adalah kumpulan pengetahuan tentang kemampuan manusia, keterbatasan manusia, dan karakteristik manusia lainnya yang relevan dengan desain. Rekayasa faktor manusia adalah penerapan informasi faktor manusia pada desain alat, mesin, sistem, tugas, pekerjaan, dan lingkungan agar aman, nyaman, dan efektif bagi manusia.

Definisi ringkas yang diusulkan oleh Dempsey et al. mengerucutkannya ke sifat yang sangat mendasar:

Ergonomi adalah desain dan rekayasa sistem manusia-mesin dengan tujuan untuk meningkatkan kinerja manusia.

Dempsey, Patrick G., Wogalter, Michael S., & Hancock, Peter A. (2000). Apa yang ada dalam sebuah nama? Menggunakan istilah-istilah dari definisi untuk memeriksa fondasi dasar faktor manusia dan ilmu ergonomi. Isu-isu Teoritis dalam Ilmu Ergonomi, 1(1), 3-10.

Definisi dari Lembaga Pemerintah

Akademi Ilmu Pengetahuan Nasional 

Definisi faktor manusia dari National Academy of Sciences tahun 1992 (dapat ditemukan di sini) adalah sebagai berikut:

[Seseorang] yang terutama berkaitan dengan kinerja satu orang atau lebih dalam lingkungan yang berorientasi pada tugas yang berinteraksi dengan peralatan, orang lain, atau keduanya.

Badan penerbangan dan antariksa nasional (NASA) 

Definisi ini dapat ditemukan di sini.  

Faktor manusia adalah istilah umum untuk beberapa bidang penelitian yang mencakup kinerja manusia, desain teknologi, dan interaksi manusia-komputer. Studi tentang faktor manusia di Divisi Penelitian dan Teknologi Faktor Manusia di Pusat Penelitian NASA Ames berfokus pada kebutuhan akan operasi, pemeliharaan, dan pelatihan yang aman, efisien, dan hemat biaya, baik dalam penerbangan maupun di darat.

Definisi ini berasal dari situs web mereka.  

Ergonomi adalah studi ilmiah tentang kondisi kerja manusia, terutama interaksi antara manusia dan mesin. Ergonomi adalah istilah yang diambil dari bahasa Yunani “ergon,” yang berarti kerja, dan “nomos,” yang berarti hukum alam. Tujuan dari ergonomi adalah untuk membuat pekerjaan menjadi lebih nyaman dan meningkatkan kesehatan dan produktivitas. Ini adalah ilmu interdisipliner yang merancang pekerjaan, produk, dan tempat yang sesuai dengan pekerja. Psikologi, teknik industri, ilmu komputer, biomekanika, dan teknik keselamatan semuanya berperan dalam ergonomi.

Administrasi penerbangan federal (FAA) 

Definisi ini dapat ditemukan di situs web mereka.  

Faktor Manusia. Dalam FAA, faktor manusia mencakup upaya multidisiplin untuk menghasilkan dan mengumpulkan informasi tentang kemampuan dan keterbatasan manusia dan menerapkan informasi tersebut pada peralatan, sistem, fasilitas, prosedur, pekerjaan, lingkungan, pelatihan, kepegawaian, dan manajemen personalia untuk kinerja manusia yang aman, nyaman, dan efektif.

Dewan riset transportasi (TRB)

Definisi ini berasal dari TRB; namun, halaman tersebut sudah tidak aktif lagi di situs web mereka, www.trb.org

Faktor manusia adalah disiplin ilmu yang mempelajari bagaimana manusia berinteraksi dengan perangkat, produk, dan sistem. Ini adalah bidang terapan di mana ilmu perilaku, teknik, dan disiplin ilmu lainnya bersatu untuk mengembangkan prinsip-prinsip yang membantu memastikan bahwa perangkat dan sistem dapat digunakan oleh orang-orang yang dimaksudkan untuk menggunakannya. Bidang ini melakukan pendekatan desain dengan “pengguna” sebagai titik fokusnya. Praktisi faktor manusia membawa pengetahuan ahli mengenai karakteristik manusia yang penting untuk desain perangkat dan sistem dari berbagai jenis. Disiplin ilmu ini berkontribusi pada upaya yang rumit seperti eksplorasi ruang angkasa dan produk sesederhana sikat gigi.

Dalam bidang teknik transportasi, ada banyak kontribusi penting dari faktor manusia, tetapi hal ini tidak selalu terlihat dengan sendirinya. Persyaratan jarak pandang, tata letak zona kerja, penempatan rambu dan kriteria jarak, dimensi untuk marka jalan, spesifikasi warna, jenis huruf dan ikon rambu, pengaturan waktu sinyal - semua ini dan masih banyak lagi standar dan praktik yang dibentuk oleh evaluasi faktor manusia. Seperti yang diterapkan pada keselamatan jalan raya, faktor manusia berkaitan dengan desain jalan raya dan lingkungan pengoperasian serta kendaraan. Tiga komponen utama dari sistem transportasi jalan raya - jalan raya, kendaraan, dan pengguna jalan - semuanya harus kompatibel satu sama lain. Para insinyur dapat merancang jalan raya, alat pengendali lalu lintas, dan kendaraan, tetapi mereka tidak dapat merancang pengguna jalan. Mereka dapat merancang untuk pengguna jalan. Faktor manusia memberikan dasar yang obyektif untuk melakukan hal ini. Hal ini didasarkan pada perilaku dan kemampuan yang terukur, bukan pada asumsi atau coba-coba.

Badan pengawas obat dan makanan (FDA) 

Definisi ini dapat ditemukan di situs web mereka.  

Faktor manusia (HF) adalah studi tentang bagaimana orang menggunakan teknologi. Hal ini melibatkan interaksi antara kemampuan, ekspektasi, dan keterbatasan manusia, dengan lingkungan kerja dan desain sistem. Istilah “rekayasa faktor manusia” (HFE) mengacu pada penerapan prinsip-prinsip faktor manusia pada desain perangkat dan sistem. Istilah ini sering dipertukarkan dengan istilah “rekayasa manusia”, “rekayasa kegunaan”, atau “ergonomi”.

Tujuan dari HFE adalah untuk merancang perangkat yang dapat diterima dengan sukarela oleh pengguna dan beroperasi dengan aman dalam kondisi yang realistis. Dalam aplikasi medis, HFE membantu meningkatkan kinerja manusia dan mengurangi risiko yang terkait dengan kesalahan penggunaan.

Dalam banyak kasus, HFE berfokus pada antarmuka pengguna perangkat (juga disebut UI atau antarmuka manusia-mesin). Antarmuka pengguna mencakup semua komponen dan aksesori yang diperlukan untuk mengoperasikan dan merawat perangkat dengan benar, termasuk kontrol, tampilan, perangkat lunak, logika operasi, label, dan instruksi.

Dewan riset nasional 

Karl Kroemer menyiapkan definisi ini (sebelumnya telah diposting tetapi tidak lagi tersedia di www.nsc.org)

Ergonomi adalah studi tentang karakteristik manusia untuk desain yang tepat dari lingkungan hidup dan kerja. Para peneliti ergonomi berusaha untuk mempelajari karakteristik manusia (kemampuan, keterbatasan, motivasi, dan keinginan) sehingga pengetahuan ini dapat digunakan untuk menyesuaikan lingkungan buatan manusia dengan orang-orang yang terlibat. Pengetahuan ini dapat memengaruhi sistem teknis yang kompleks atau tugas-tugas kerja, peralatan, dan stasiun kerja, atau alat dan perkakas yang digunakan di tempat kerja, di rumah, atau pada waktu senggang. Oleh karena itu, ergonomi berpusat pada manusia, transdisipliner, dan berorientasi pada aplikasi.

Tujuan ergonomi berkisar dari tujuan dasar untuk membuat pekerjaan menjadi aman melalui peningkatan efisiensi manusia hingga tujuan untuk menciptakan kesejahteraan manusia. National Research Council (1983) menyatakan bahwa rekayasa faktor manusia dapat didefinisikan sebagai penerapan prinsip-prinsip ilmiah, metode, dan data yang diambil dari berbagai disiplin ilmu untuk pengembangan sistem rekayasa di mana manusia memainkan peran penting. Keberhasilan penerapan ini diukur dari peningkatan produktivitas, efisiensi, keselamatan, dan penerimaan desain sistem yang dihasilkan. Disiplin ilmu yang dapat diterapkan pada masalah tertentu meliputi psikologi, ilmu kognitif, fisiologi, biomekanika, antropologi fisik terapan, dan teknik industri dan sistem. Sistem ini berkisar dari penggunaan alat sederhana oleh konsumen hingga sistem sosioteknis yang melibatkan banyak orang. Sistem-sistem tersebut biasanya mencakup komponen teknologi dan manusia.

Dewan Riset Nasional (1983) mengatakan: “Spesialis Faktor Manusia disatukan oleh perspektif tunggal pada proses desain sistem: bahwa desain dimulai dengan pemahaman tentang peran pengguna dalam kinerja sistem secara keseluruhan dan bahwa sistem ada untuk melayani penggunanya, apakah mereka konsumen, operator sistem, pekerja produksi, atau kru pemeliharaan. Filosofi desain yang berorientasi pada pengguna ini mengakui variabilitas manusia sebagai parameter desain.”

Administrasi keselamatan dan kesehatan kerja 

Definisi ini berasal dari situs web mereka.  

Apa yang dimaksud dengan “cedera ergonomis”? Masukan dari forum ergonomi baru-baru ini menunjukkan kepada OSHA bahwa ada berbagai macam pendapat tentang bagaimana Badan tersebut harus mendefinisikan cedera ergonomis dan bahwa definisi yang diadopsi oleh OSHA tergantung pada konteksnya. Cedera ergonomis sering digambarkan dengan istilah “gangguan muskuloskeletal” atau “MSDs”. Ini adalah istilah seni dalam literatur ilmiah yang merujuk secara kolektif pada sekelompok cedera dan penyakit yang memengaruhi sistem muskuloskeletal; tidak ada diagnosis tunggal untuk MSDs. Ketika OSHA mengembangkan materi panduan untuk industri tertentu, badan tersebut dapat mempersempit definisi yang sesuai untuk mengatasi bahaya di tempat kerja yang dicakup. OSHA akan bekerja sama dengan para pemangku kepentingan untuk mengembangkan definisi untuk MSDs sebagai bagian dari upaya keseluruhan untuk mengembangkan materi panduan.

Definisi dari Industri

Majalah industri alat kesehatan dan desain 

Barry Beith menyiapkan definisi ini untuk MDDI (dapat ditemukan di sini)

Faktor manusia berfokus pada kegunaan sistem dan merancang antarmuka sistem untuk mengoptimalkan kemampuan pengguna dalam menyelesaikan tugas mereka tanpa kesalahan dalam waktu yang wajar dan, oleh karena itu, menerima sistem sebagai alat yang berguna. Disiplin ilmu ini berakar pada pemahaman tentang bagaimana orang menggunakan alat, produk, dan sistem untuk menyelesaikan tugas yang diinginkan, dan berusaha untuk menghilangkan atau, setidaknya, mengelola kesalahan manusia yang terkadang terjadi.

Rekayasa faktor manusia adalah ilmu terapan yang melakukan penelitian tentang kemampuan, keterbatasan, perilaku, dan proses manusia serta menggunakan pengetahuan ini sebagai dasar untuk desain alat, produk, dan sistem. Menerapkan prinsip-prinsip faktor manusia akan menghasilkan desain yang lebih aman, lebih dapat diterima, lebih nyaman, dan lebih efektif untuk menyelesaikan tugas-tugas yang diberikan. Rekayasa faktor manusia sering dianggap identik dengan istilah lain seperti ergonomi, rekayasa manusia, faktor manusia, rekayasa kegunaan, dan desain yang berpusat pada pengguna. Ini adalah bidang multidisiplin di mana individu yang terlatih dalam faktor manusia berasal dari latar belakang yang beragam seperti teknik, psikologi, ilmu komputer, antropologi, dan ilmu informasi. Para spesialis menerapkan temuan dan prinsip dari berbagai disiplin ilmu termasuk psikologi kognitif, psikologi organisasi, teknik industri, antropometri, biomekanik, keterampilan motorik, persepsi, dan bidang teknik khusus seperti getaran dan kebisingan.

Faktor manusia MD 

Definisi ini ditemukan di situs web mereka namun sudah tidak muncul lagi.  Bunyinya:

Rekayasa faktor manusia adalah penerapan dari apa yang kita ketahui tentang kemampuan dan keterbatasan manusia pada desain peralatan dan perangkat untuk memungkinkan penggunaan yang lebih produktif, aman, dan efektif.

Dikenal juga sebagai rekayasa kegunaan, ergonomi kognitif, atau desain yang berpusat pada pengguna, faktor manusia adalah perpaduan antara psikologi dan teknik: penerapan pengetahuan ilmiah tentang kekuatan dan kelemahan manusia ke dalam desain teknologi.

Ergonomi komputer untuk sekolah dasar (CergoS) 

Definisi ini berasal dari situs web mereka:

Ergonomi dan faktor manusia menggunakan pengetahuan tentang kemampuan dan keterbatasan manusia untuk mendesain sistem, organisasi, pekerjaan, mesin, peralatan, dan produk konsumen agar aman, efisien, dan nyaman digunakan oleh manusia.

Definisi dari sumber terbuka

Wikipedia 

Definisi faktor manusia berikut ini ditemukan di Wikipedia:

“Faktor manusia” adalah istilah yang digunakan terutama di Amerika Serikat. Variannya termasuk “rekayasa faktor manusia”, perluasan dari frasa sebelumnya, “rekayasa manusia”. Di Eropa dan seluruh dunia, istilah “ergonomi” lebih umum digunakan.

“Faktor manusia” adalah istilah umum untuk beberapa bidang penelitian yang mencakup kinerja manusia, teknologi, desain, dan interaksi manusia-komputer. Ini adalah profesi yang berfokus pada bagaimana orang berinteraksi dengan produk, alat, prosedur, dan proses apa pun yang mungkin ditemui di dunia modern.

Praktisi faktor manusia dapat berasal dari berbagai latar belakang; meskipun sebagian besar dari mereka adalah Psikolog (Kognitif, Perseptual, dan Eksperimental) dan Insinyur. Desainer (Industri, Interaksi, dan Grafis), Antropolog, dan Ilmuwan Komputer juga berkontribusi. Jika ergonomi cenderung berfokus pada antropometri untuk interaksi manusia-mesin yang optimal, faktor manusia lebih berfokus pada faktor kognitif dan persepsi.

Area yang menarik bagi praktisi faktor manusia dapat mencakup hal-hal berikut: beban kerja, kelelahan, kesadaran situasional, kegunaan, antarmuka pengguna, kemudahan belajar, perhatian, kewaspadaan, kinerja manusia, desain kontrol dan tampilan, stres, visualisasi data, perbedaan individu, penuaan, aksesibilitas, kerja shift, kerja di lingkungan yang ekstrem, dan kesalahan manusia.

Sederhananya, faktor manusia melibatkan upaya untuk membuat lingkungan berfungsi dengan cara yang tampak alami bagi manusia. Meskipun istilah “faktor manusia” dan “ergonomi” baru dikenal secara luas akhir-akhir ini, namun asal mula bidang ini adalah dalam desain dan penggunaan pesawat terbang selama Perang Dunia II untuk meningkatkan keselamatan penerbangan.

Definisi ergonomi berikut ini dapat ditemukan di situs web mereka:

Ergonomi (atau faktor manusia) adalah disiplin ilmu yang berkaitan dengan pemahaman tentang interaksi antara manusia dan elemen-elemen lain dari sebuah sistem, dan profesi yang menerapkan teori, prinsip, data, dan metode pada desain untuk mengoptimalkan kesejahteraan manusia dan kinerja sistem secara keseluruhan (definisi yang diadopsi oleh Asosiasi Ergonomi Internasional pada tahun 2000).

Ahli ergonomi berkontribusi pada desain dan evaluasi tugas, pekerjaan, produk, lingkungan, dan sistem agar sesuai dengan kebutuhan, kemampuan, dan keterbatasan manusia (IEA, 2000).

Publikasi Chartered Institute of Ergonomics and Human Factors (CIEHF)

Memberikan keunggulan faktor manusia pada bisnis Anda

Disadur dari: https://www.hfes.org/

Machine learning (ML) atau Pemelajaran Mesin adalah bagian dari kecerdasan buatan (AI) yang berkaitan dengan pengembangan dan studi algoritme statistik yang dirancang untuk belajar secara mandiri dari data. Algoritme ini kemudian memanfaatkan pembelajaran ini untuk menggeneralisasi dan menangani data baru yang sebelumnya tidak terlihat, sehingga memungkinkan sistem ML untuk melakukan tugas-tugas tertentu tanpa memerlukan instruksi yang telah diprogram secara eksplisit. Dalam beberapa tahun terakhir, jaringan syaraf tiruan generatif telah menunjukkan kinerja yang lebih unggul daripada berbagai pendekatan konvensional di berbagai bidang.

Aplikasi pembelajaran mesin menjangkau berbagai domain, termasuk model bahasa besar (LLM), visi komputer, pengenalan suara, penyaringan email, pertanian, dan kedokteran. Bidang-bidang ini membutuhkan kemampuan untuk menangani tugas-tugas kompleks yang akan menantang dan mahal untuk dikembangkan menggunakan algoritme tradisional. Pembelajaran mesin juga dapat digunakan untuk memecahkan masalah bisnis, yang biasa disebut sebagai analisis prediktif. Meskipun tidak semua algoritme pembelajaran mesin didasarkan pada statistik, statistik komputasi memainkan peran penting dalam bidang ini.

Landasan matematis dari pembelajaran mesin berasal dari metode optimasi matematika. Penambangan data, bidang paralel yang terkait erat, berfokus pada analisis data eksplorasi melalui pembelajaran tanpa pengawasan. Dari perspektif teoretis, kerangka kerja pembelajaran PAC (Probably Approximately Correct) menyediakan model untuk menggambarkan pembelajaran mesin.

Definisi

Mesin yang dimaksud di sini adalah mesin dalam pengertian lebih mendekati kepada ‘sistem’, bukan mesin 'mekanik'. Istilah pemelajaran pertama kali muncul dalam disiplin ilmu kecerdasan buatan. Pemelajaran berarti menambah pengetahuan, memahami dengan belajar, dan mengikuti perintah. Pemelajaran mesin merupakan salah satu cabang dari kecerdasan buatan yang membahas mengenai pembangunan sistem yang didapat berdasarkan pada pemelajaran data, atau sebuah studi yang mempelajari cara untuk memprogram sebuah komputer untuk belajar. Inti dari pemelajaran mesin adalah representasi dan generalisasi. Pada tahun 1959, Arthur Samuel mendefinisikan bahwa pemelajaran mesin adalah bidang studi yang memberikan kemampuan untuk belajar tanpa diprogram secara eksplisit. Kemampuan belajar yang menjadi dominan ditentukan oleh kemampuan perangkat lunak atau alogaritmanya. Implementasi kemampuan belajar dapat dicapai dengan berbagai teknik, ada yang menggunakan kaidah (rule), ada yang menggunakan statistika, ada yang menggunakan pendekatan fisiologi yaitu sistem saraf manusia atau disebut dengan ANN (artificial neural network) atau jaringan saraf tiruan. Pemelajaran mesin dapat berfungsi untuk beradaptasi dengan suatu keadaan yang baru, serta untuk mendeteksi dan memperkirakan suatu pola.

Sejarah

Konsep pembelajaran mesin bermula pada akhir tahun 1950-an ketika Arthur Samuel, seorang karyawan IBM, memperkenalkan istilah tersebut dan membentuk dasar bagi bidang yang revolusioner ini. Namun, perjalanan pembelajaran mesin jauh melampaui kontribusi Samuel, berakar dari puluhan tahun ketertarikan manusia dalam memahami proses kognitif.

Pada akhir tahun 1940-an, karya teoritis psikolog Donald Hebb tentang struktur saraf membuka jalan bagi pengembangan neuron buatan dan prinsip-prinsip dasar yang mendasari algoritma kecerdasan buatan dan pembelajaran mesin. Kolaborator seperti logisian Walter Pitts dan Warren McCulloch memperdalam eksplorasi ini dengan merancang model matematis dari jaringan saraf yang mencerminkan proses berpikir manusia.

Tahun 1960-an menandai titik balik signifikan dengan diciptakannya "mesin pembelajaran" eksperimental seperti Cybertron, yang dirancang oleh Raytheon Company. Sistem-sistem awal ini, dilengkapi dengan memori pita berlubang, meneliti tugas pengenalan pola, membentuk dasar untuk kemajuan di masa depan.

Saat minat dalam pengenalan pola tetap berlanjut ke tahun 1970-an, peneliti seperti Nilsson dan Duda terus menjelajahi potensi pembelajaran mesin, fokus pada klasifikasi dan analisis pola. Pada tahun 1980-an, langkah-langkah besar telah dilakukan dalam memanfaatkan strategi pengajaran untuk melatih jaringan saraf buatan, menunjukkan kemajuan dalam tugas-tugas pengenalan karakter.

Definisi formal algoritma pembelajaran mesin oleh Tom M. Mitchell memberikan kejelasan tentang tujuan bidang ini: meningkatkan kinerja tugas berdasarkan pengalaman. Definisi operasional ini, terinspirasi oleh karya Alan Turing, mengalihkan fokus dari konsep kognitif abstrak ke aplikasi praktis.

Saat ini, pembelajaran mesin melayani dua tujuan: klasifikasi data dan analisis prediktif. Baik itu menggunakan visi komputer untuk mengklasifikasikan melanoma atau memprediksi tren pasar saham, algoritma pembelajaran mesin modern memanfaatkan dataset besar untuk membuat keputusan berbasis informasi dan membentuk masa depan.

Dari awal yang sederhana hingga aplikasi terkini yang canggih, perjalanan pembelajaran mesin mencerminkan upaya manusia yang tak kenal lelah dalam memahami dan memanfaatkan kekuatan sistem cerdas.

Hubungan antara Pembelajaran Mesin dan Bidang Lainnya

Pembelajaran mesin (ML) memiliki akar yang dalam dalam bidang kecerdasan buatan (AI). Pada awalnya, para peneliti dalam AI tertarik pada gagasan membuat mesin belajar dari data. Mereka mengadopsi berbagai metode simbolis dan memperkenalkan jaringan syaraf tiruan, seperti perseptron dan ADALINE, yang pada dasarnya adalah model linear umum dalam statistik. Namun, fokus pada pendekatan logis dan berbasis pengetahuan menyebabkan perbedaan antara AI dan ML. Pada tahun 1980-an, AI didominasi oleh sistem pakar, sementara ML mulai berkembang sebagai bidang yang mandiri, bergantung pada metode statistik dan model, seperti logika fuzzy dan teori probabilitas.

Pembelajaran mesin juga memiliki hubungan yang erat dengan penggalian data. Meskipun keduanya menggunakan metode yang serupa, fokusnya berbeda: ML berusaha untuk membuat prediksi berdasarkan data yang telah diketahui, sementara penggalian data bertujuan untuk menemukan informasi yang sebelumnya tidak diketahui dalam data. Meskipun terdapat kerancuan antara keduanya, keduanya saling melengkapi dan sering menggunakan metode yang sama untuk tujuan yang berbeda.

Selain itu, ML juga berhubungan dengan optimasi matematis. Banyak masalah pembelajaran dirumuskan sebagai masalah optimasi, di mana tujuannya adalah untuk meminimalkan fungsi kerugian pada set pelatihan. Ini menyoroti pentingnya generalisasi dalam ML, di mana tujuannya adalah untuk meminimalkan kerugian pada sampel yang tidak terlihat.

Pentingnya statistik dalam ML juga tidak bisa diabaikan. Meskipun memiliki metode yang mirip, statistik dan ML memiliki tujuan yang berbeda: statistik bertujuan untuk mengambil kesimpulan statistik dari sampel, sementara ML bertujuan untuk menemukan pola prediksi yang dapat digeneralisasi dari data. Beberapa ahli statistik bahkan telah mengadopsi metode dari ML, menciptakan bidang gabungan yang disebut sebagai pembelajaran statistik.

Terakhir, ML juga memiliki keterkaitan dengan fisika. Teknik analitis dan komputasi yang berasal dari fisika dapat diterapkan dalam masalah besar, termasuk ML. Sebagai contoh, fisika statistik dapat digunakan dalam analisis medis diagnostik.

Perbedaan dengan penggalian data

Penggalian data (data mining) merupakan suatu proses yang bertujuan untuk menemukan pengetahuan, kepentingan, dan pola baru dalam data dengan cara menghasilkan model deskriptif, dapat dimengerti, dan prediktif dari data dalam skala besar. Dengan kata lain, data mining adalah ekstraksi atau penggalian pengetahuan yang diinginkan dari volume data yang besar.

Dari definisi tersebut, dapat disimpulkan bahwa pemelajaran mesin berfokus pada studi, desain, dan pengembangan algoritma yang memungkinkan komputer untuk belajar secara mandiri tanpa perlu diprogram secara eksplisit. Di sisi lain, dalam penggalian data, proses dimulai dengan data yang tidak terstruktur, yang kemudian diekstraksi untuk mendapatkan pengetahuan atau pola yang belum diketahui sebelumnya. Selama proses penggalian data ini, algoritma dari pemelajaran mesin digunakan.

Berbagai Tipe Algoritma dalam Pembelajaran Mesin

Dalam dunia pembelajaran mesin, terdapat berbagai tipe algoritma yang dapat dikelompokkan berdasarkan karakteristik masukan dan keluaran yang diharapkan. Mari kita telaah beberapa tipe utama dari algoritma-algoritma ini:

1. Pemelajaran Terarah (Supervised Learning): Algoritma ini bertujuan untuk membuat fungsi yang memetakan masukan ke keluaran yang diinginkan, contohnya dalam pengelompokan atau klasifikasi. Proses ini dilakukan dengan mempelajari contoh-contoh pasangan masukan-keluaran yang sudah diberikan label. Melalui data latih ini, algoritma berusaha untuk memahami pola-pola yang ada dan menghasilkan model yang mampu melakukan prediksi atau klasifikasi dengan akurasi tinggi.

2. Pemelajaran Tak Terarah (Unsupervised Learning): Berbeda dengan pemelajaran terarah, algoritma tak terarah ini memodelkan himpunan masukan tanpa disertai keluaran yang tepat. Tujuannya adalah untuk menemukan pola-pola menarik dalam data yang tidak berlabel. Salah satu contoh algoritma tak terarah yang umum adalah clustering, di mana objek-objek yang serupa dikelompokkan dalam area tertentu tanpa adanya label.

3. Pemelajaran Semi Terarah (Semi-Supervised Learning): Algoritma ini menggabungkan unsur dari supervised dan unsupervised learning. Sebagian contoh masukan-keluaran yang tepat diberikan, sementara sebagian lagi tidak memiliki label. Tujuannya adalah untuk memanfaatkan kelebihan dari kedua tipe pemelajaran untuk menciptakan model yang lebih baik.

4. Reinforcement Learning: Jenis ini mengajarkan sebuah agen cerdas untuk bertindak dalam suatu lingkungan yang dinamis. Agen ini belajar melalui trial and error, dengan memaksimalkan nilai hadiah atau reward yang diperoleh dari tindakannya. Misalnya, sebuah agen dapat belajar menerbangkan helikopter dengan baik melalui pengalaman-pengalaman negatif seperti menabrak atau melenceng dari jalur tujuan.

5. Pemelajaran Berkembang (Developmental Learning Algorithm): Bidang ini bertujuan untuk memahami mekanisme pengembangan dan batasan-batasan yang memungkinkan pembelajaran seumur hidup pada mesin. Ini melibatkan pengembangan algoritma yang terbuka terhadap pengetahuan dan kemampuan baru seiring waktu.

6. Transduction: Mirip dengan supervised learning, tetapi tidak secara eksplisit membangun fungsi. Tujuannya adalah untuk memprediksi output baru berdasarkan pada input baru dan data latih yang tersedia.

7. Learning to Learn: Algoritma ini menggunakan pembelajaran untuk memahami cara belajar sendiri. Ini melibatkan penggunaan algoritma untuk meningkatkan proses pembelajaran di masa mendatang.

Menjelajahi Berbagai Model dalam Pembelajaran Mesin

Dalam ranah machine learning, model pada dasarnya adalah rumus matematika yang, setelah dilatih pada dataset tertentu, dapat digunakan untuk membuat prediksi atau klasifikasi pada data baru. Selama proses pelatihan, algoritme pembelajaran menyempurnakan parameter internal model untuk meminimalkan kesalahan dalam prediksinya.

Terdapat spektrum jenis model, mulai dari kelas model yang luas dan algoritme pembelajaran yang terkait hingga model yang terlatih sepenuhnya dengan parameter internal yang dioptimalkan. Memilih model yang paling sesuai untuk tugas tertentu sering disebut sebagai pemilihan model.

• Jaringan Syaraf Tiruan (JST):

Jaringan saraf tiruan, atau JST, adalah sistem komputasi yang terinspirasi oleh struktur jaringan saraf biologis yang saling berhubungan yang ditemukan di otak hewan. Sistem ini belajar melakukan tugas dengan menganalisis contoh tanpa diprogram secara eksplisit dengan aturan khusus tugas. ANN terdiri dari simpul yang saling terhubung, atau neuron buatan, yang memproses dan mengirimkan informasi melalui koneksi berbobot. Jaringan ini telah diterapkan pada berbagai tugas seperti visi komputer, pengenalan suara, dan diagnosis medis.

• Pohon Keputusan:

Pembelajaran pohon keputusan melibatkan penggunaan pohon keputusan sebagai model prediktif untuk membuat kesimpulan tentang nilai target item berdasarkan pengamatan. Pohon keputusan digunakan dalam statistik, penggalian data, dan pembelajaran mesin, di mana cabang-cabang mewakili gabungan fitur yang mengarah ke label kelas atau nilai target tertentu. Pohon ini efektif untuk memvisualisasikan dan secara eksplisit merepresentasikan proses pengambilan keputusan.

• Mesin Vektor Pendukung (Support-Vector Machines/SVM):

Support-vector machines adalah metode pembelajaran yang diawasi yang digunakan untuk tugas klasifikasi dan regresi. Mereka membangun model yang memprediksi apakah sebuah contoh baru masuk ke dalam salah satu dari dua kategori berdasarkan sekumpulan contoh pelatihan. SVM dapat secara efisien melakukan klasifikasi non-linear menggunakan trik kernel, memetakan input ke dalam ruang fitur berdimensi tinggi.

• Analisis Regresi:

Analisis regresi memperkirakan hubungan antara variabel input dan fitur terkait. Regresi linier adalah bentuk yang umum, di mana sebuah garis ditarik agar sesuai dengan data. Model lainnya termasuk regresi polinomial, regresi logistik, dan regresi kernel, yang memperkenalkan non-linearitas untuk menangani masalah non-linear.

• Jaringan Bayesian:

Jaringan Bayesian adalah model grafis probabilistik yang merepresentasikan variabel acak dan independensi bersyaratnya dengan grafik asiklik berarah. Jaringan ini digunakan untuk memodelkan hubungan antar variabel, seperti penyakit dan gejala, dan dapat menghitung probabilitas kejadian tertentu berdasarkan data yang diamati.

• Proses Gaussian:

Proses Gaussian adalah proses stokastik di mana distribusi variabel acak adalah normal multivariat. Proses ini digunakan untuk tugas-tugas regresi, di mana output dari titik baru dapat dihitung berdasarkan titik-titik yang diamati dan kovariannya.

• Algoritma Genetika:

Algoritma genetika meniru proses seleksi alam untuk menemukan solusi untuk masalah optimasi. Algoritme ini menggunakan metode seperti mutasi dan crossover untuk menghasilkan solusi baru untuk mencari hasil terbaik.

• Fungsi Keyakinan:

Fungsi kepercayaan menyediakan kerangka kerja untuk penalaran dengan ketidakpastian dan memiliki hubungan dengan teori probabilitas. Fungsi ini memanfaatkan metode ensemble untuk menangani batasan keputusan, sampel yang sedikit, dan masalah kelas yang ambigu dalam pembelajaran mesin.

Model pelatihan dalam pembelajaran mesin membutuhkan sejumlah besar data yang dapat diandalkan untuk memastikan prediksi yang akurat. Overfitting, atau mendapatkan model dari data yang bias, dapat menyebabkan prediksi yang miring dan hasil yang merugikan. Mengatasi bias algoritmik dan mengintegrasikan etika pembelajaran mesin adalah pertimbangan penting dalam pelatihan model. Pembelajaran terfederasi adalah pendekatan baru yang mendesentralisasikan proses pelatihan, menjaga privasi pengguna, dan meningkatkan efisiensi.

Manfaat dan implementasi

Pemelajaran mesin menjaganya agar tetap sederhana, sebuah algoritme dikembangkan untuk mencatat perubahan dalam data dan berevolusi dalam desain itu untuk mengakomodasi temuan baru. Seperti diterapkan untuk analisis prediktif, fitur ini memiliki dampak luas mulai pada kegiatan yang biasanya dilakukan untuk mengembangkan, menguji, dan memperbaiki algoritme untuk tujuan tertentu. Aplikasi untuk pemelajaran mesin termasuk:

• Machine perception
• Computer vision, including object recognition
• Natural language processing
• Syntactic pattern recognition
• Machine learning
• Medical diagnosis
• Bioinformatics
• Brain-machine interfaces
• Cheminformatics
• Detecting credit card fraud
• Stock market analysis
• Classifying DNA sequences
• Sequence mining
• Speech and handwriting recognition
• Games
• Software engineering
• Adaptive websites
• Robot locomotion
• Computational advertising
• Computational finance
• Structural health monitoring
• Sentiment analysis (or opinion mining)
• Affective computing
• Menerima Informasi
• Recommender systems

Penerapan Machine Learning di Masa Depan

Meskipun Machine Learning belum dapat secara efektif memprediksi tingkat kejengkelan pengguna, kami tetap yakin bahwa masih banyak yang dapat dilakukan untuk meningkatkan hasil proyek ini. Pertama-tama, kami menyadari bahwa kumpulan data yang kami miliki masih terbatas untuk metode pemelajaran mesin. Oleh karena itu, kami berencana untuk mengumpulkan lebih banyak data guna melihat apakah penambahan data dapat meningkatkan kinerja model kami secara signifikan.

Selain itu, kami juga berencana untuk mengubah jenis permainan yang digunakan dalam proses pengujian. Mengingat permainan yang digunakan saat ini adalah jenis permainan penembak, terdapat banyak aksi "menembak" yang terlibat. Kami berpendapat bahwa permainan balap mungkin akan lebih efektif dalam mendeteksi gangguan dengan menggunakan sensor gaya, karena dalam permainan balap terdapat lebih banyak tombol yang ditekan dibandingkan dengan permainan penembak. Selain itu, permainan balap juga dapat menghadirkan tingkat stres yang lebih terkait dengan situasi nyata daripada permainan penembak.

Dengan mengambil langkah-langkah ini, kami berharap dapat meningkatkan kemampuan model kami dalam memprediksi tingkat kejengkelan pengguna dengan lebih akurat dan efisien di masa depan.

Disadur dari : id.wikipedia.org/en.wikipedia.org/wiki/Machine_learning

Ketidakpastian atau Ketidakyakinan (Incertitude) mengacu pada situasi epistemik yang melibatkan informasi yang tidak sempurna atau tidak diketahui. Hal ini berlaku untuk prediksi kejadian di masa depan, pengukuran fisik yang telah dilakukan, atau hal yang tidak diketahui. Ketidakpastian muncul dalam lingkungan yang sebagian dapat diamati atau lingkungan yang bersifat stokastik, serta karena ketidaktahuan, kemalasan, atau keduanya. Ketidakpastian muncul di sejumlah bidang, termasuk asuransi, filsafat, fisika, statistik, ekonomi, keuangan, kedokteran, psikologi, sosiologi, teknik, metrologi, meteorologi, ekologi, dan ilmu informasi.

Konsep

Meskipun istilah-istilah tersebut digunakan dalam berbagai cara di kalangan masyarakat umum, banyak ahli teori keputusan, statistik, dan bidang kuantitatif lainnya yang mendefinisikan ketidakpastian, risiko, dan pengukurannya sebagai:

Ketidakpastian

Kurangnya kepastian, suatu keadaan dengan pengetahuan yang terbatas di mana tidak mungkin untuk secara tepat menggambarkan keadaan yang ada, hasil di masa depan, atau lebih dari satu hasil yang mungkin terjadi.

Pengukuran ketidakpastian

Sekumpulan kemungkinan keadaan atau hasil di mana probabilitas ditetapkan untuk setiap kemungkinan keadaan atau hasil - ini juga mencakup penerapan fungsi kepadatan probabilitas pada variabel kontinu.

Ketidakpastian tingkat kedua

Dalam statistik dan ekonomi, ketidakpastian orde dua direpresentasikan dalam fungsi kepadatan probabilitas atas probabilitas (orde satu). Opini dalam logika subjektif mengandung ketidakpastian jenis ini.

Risiko

Risiko adalah keadaan ketidakpastian, di mana beberapa hasil yang mungkin terjadi memiliki efek yang tidak diinginkan atau kerugian yang signifikan. Pengukuran risiko mencakup serangkaian ketidakpastian yang terukur, di mana beberapa hasil yang mungkin terjadi adalah kerugian, dan besarnya kerugian tersebut. Ini juga mencakup fungsi kerugian atas variabel kontinu.

Ketidakpastian versus variabilitas

Ada perbedaan antara ketidakpastian dan variabilitas. Ketidakpastian dikuantifikasi dengan distribusi probabilitas yang bergantung pada pengetahuan tentang kemungkinan nilai tunggal yang benar dari kuantitas yang tidak pasti. Variabilitas dikuantifikasi dengan distribusi frekuensi dari beberapa contoh kuantitas, yang berasal dari data yang diamati.

Ketidakpastian Knightian

Dalam ilmu ekonomi, pada tahun 1921 Frank Knight membedakan ketidakpastian dari risiko dengan ketidakpastian sebagai kurangnya pengetahuan yang tidak dapat diukur dan tidak mungkin dihitung. Karena tidak adanya statistik yang didefinisikan dengan jelas dalam sebagian besar keputusan ekonomi di mana orang menghadapi ketidakpastian, ia percaya bahwa kita tidak dapat mengukur probabilitas dalam kasus-kasus seperti itu; ini sekarang disebut sebagai ketidakpastian Knightian.

Ketidakpastian harus dipahami dalam arti yang sangat berbeda dari pengertian risiko yang sudah dikenal, yang tidak pernah dipisahkan dengan benar. Fakta yang penting adalah bahwa 'risiko' dalam beberapa kasus berarti kuantitas yang dapat diukur, sementara di lain waktu merupakan sesuatu yang jelas bukan merupakan karakter ini; dan ada perbedaan yang sangat besar dan krusial dalam hal fenomena yang bergantung pada mana yang benar-benar ada dan beroperasi.... Akan terlihat bahwa ketidakpastian yang dapat diukur, atau 'risiko' yang tepat, seperti yang akan kita gunakan dalam istilah ini, sangat jauh berbeda dengan ketidakpastian yang tidak dapat diukur, sehingga pada dasarnya bukan merupakan ketidakpastian sama sekali. - Frank Knight (1885-1972), Risiko, Ketidakpastian, dan Keuntungan (1921), Universitas Chicago.

Ada perbedaan mendasar antara imbalan untuk mengambil risiko yang diketahui dan mengambil risiko yang nilainya tidak diketahui. Hal ini sangat mendasar, bahkan... risiko yang diketahui tidak akan menghasilkan imbalan atau pembayaran khusus sama sekali. - Frank Knight

Knight menunjukkan bahwa hasil yang tidak menguntungkan dari risiko yang diketahui dapat diasuransikan selama proses pengambilan keputusan karena memiliki distribusi probabilitas yang jelas. Risiko yang tidak diketahui tidak memiliki distribusi probabilitas yang diharapkan, yang dapat menyebabkan keputusan perusahaan yang sangat berisiko.

Taksonomi ketidakpastian dan keputusan lainnya mencakup pengertian ketidakpastian yang lebih luas dan bagaimana hal itu harus didekati dari perspektif etika:

 

Sebuah taksonomi ketidakpastian.

Risiko dan ketidakpastian

Sebagai contoh, jika tidak diketahui apakah besok akan turun hujan atau tidak, maka terdapat ketidakpastian. Jika probabilitas diterapkan pada hasil yang mungkin terjadi dengan menggunakan prakiraan cuaca atau bahkan hanya penilaian probabilitas yang dikalibrasi, maka ketidakpastian telah dikuantifikasi. Misalkan saja, peluang matahari akan bersinar sebesar 90%. Jika ada acara besar dan mahal yang direncanakan di luar ruangan besok, maka ada risiko karena ada 10% kemungkinan hujan, dan hujan tidak diinginkan. Lebih jauh lagi, jika ini adalah acara bisnis dan $100.000 akan hilang jika hujan turun, maka risikonya sudah dikuantifikasi (10% kemungkinan kehilangan $100.000). Situasi ini dapat dibuat lebih realistis dengan mengkuantifikasi hujan ringan vs hujan lebat, biaya penundaan vs pembatalan, dll.

Beberapa orang mungkin merepresentasikan risiko dalam contoh ini sebagai "kerugian peluang yang diharapkan" (EOL) atau peluang kerugian dikalikan dengan jumlah kerugian (10% × $ 100.000 = $ 10.000). Hal ini berguna jika penyelenggara acara "netral terhadap risiko", yang mana kebanyakan orang tidak demikian. Sebagian besar orang akan bersedia membayar premi untuk menghindari kerugian. Sebuah perusahaan asuransi, misalnya, akan menghitung EOL sebagai nilai minimum untuk perlindungan asuransi apa pun, kemudian menambahkan biaya operasional dan keuntungan lainnya. Karena banyak orang bersedia membeli asuransi karena berbagai alasan, maka jelas EOL saja bukanlah nilai yang dirasakan untuk menghindari risiko.

Ketidakpastian Radikal

Istilah 'ketidakpastian radikal' diciptakan oleh John Kay dan Mervyn King dalam buku mereka yang berjudul Radical Uncertainty: Pengambilan Keputusan untuk Masa Depan yang Tidak Dapat Diketahui, yang diterbitkan pada bulan Maret 2020. Ketidakpastian ini berbeda dengan ketidakpastian Knightian, berdasarkan apakah ketidakpastian tersebut 'dapat diselesaikan' atau tidak. Jika ketidakpastian muncul dari kurangnya pengetahuan, dan kurangnya pengetahuan tersebut dapat diselesaikan dengan memperoleh pengetahuan (seperti melalui penelitian primer atau sekunder), maka hal tersebut bukanlah ketidakpastian radikal. Hanya ketika tidak ada cara yang tersedia untuk memperoleh pengetahuan yang dapat menyelesaikan ketidakpastian, maka ketidakpastian tersebut dianggap 'radikal'.

Dalam pengukuran

Prosedur yang paling umum digunakan untuk menghitung ketidakpastian pengukuran dijelaskan dalam "Panduan Ekspresi Ketidakpastian dalam Pengukuran" (GUM) yang diterbitkan oleh ISO. Karya turunannya misalnya National Institute of Standards and Technology (NIST) Technical Note 1297, "Panduan untuk Mengevaluasi dan Mengekspresikan Ketidakpastian Hasil Pengukuran NIST", dan publikasi Eurachem/Citac "Menghitung Ketidakpastian dalam Pengukuran Analitik". Ketidakpastian hasil pengukuran umumnya terdiri dari beberapa komponen. Komponen-komponen tersebut dianggap sebagai variabel acak, dan dapat dikelompokkan ke dalam dua kategori sesuai dengan metode yang digunakan untuk memperkirakan nilai numeriknya:

• Tipe A, yang dievaluasi dengan metode statistik
• Tipe B, yang dievaluasi dengan cara lain, misalnya dengan menetapkan distribusi probabilitas

Dengan menyebarkan varians komponen melalui fungsi yang menghubungkan komponen dengan hasil pengukuran, ketidakpastian pengukuran gabungan diberikan sebagai akar kuadrat dari varians yang dihasilkan. Bentuk yang paling sederhana adalah deviasi standar dari pengamatan berulang.

Dalam metrologi, fisika, dan teknik, ketidakpastian atau margin kesalahan pengukuran, ketika dinyatakan secara eksplisit, diberikan oleh rentang nilai yang kemungkinan besar mencakup nilai sebenarnya. Hal ini dapat dilambangkan dengan batang kesalahan pada grafik, atau dengan notasi berikut:

• nilai terukur ± ketidakpastian
• nilai terukur + ketidakpastian -ketidakpastian
• nilai terukur (ketidakpastian)

Pada notasi terakhir, tanda kurung adalah notasi ringkas untuk notasi ±. Sebagai contoh, menerapkan 10 1⁄2 meter dalam aplikasi ilmiah atau teknik, dapat ditulis 10,5 m atau 10,50 m, dengan konvensi yang berarti akurat dalam sepersepuluh meter, atau seperseratus. Ketepatannya simetris di sekitar angka terakhir. Dalam hal ini, setengah sepersepuluh ke atas dan setengah sepersepuluh ke bawah, jadi 10,5 berarti antara 10,45 dan 10,55. Dengan demikian dapat dipahami bahwa 10,5 berarti 10,5 ± 0,05, dan 10,50 berarti 10,50 ± 0,005, juga ditulis 10,50 (5) dan 10,500 (5). Tetapi, jika akurasinya dalam dua persepuluh, ketidakpastiannya adalah ± sepersepuluh, dan harus dituliskan secara eksplisit: 10,5±0,1 dan 10,50±0,01 atau 10,5 (1) dan 10,50 (1). Angka dalam tanda kurung berlaku untuk angka di sebelah kiri, dan bukan merupakan bagian dari angka tersebut, tetapi bagian dari notasi ketidakpastian. Angka-angka tersebut berlaku untuk angka yang paling tidak signifikan. Sebagai contoh, 1.00794(7) berarti 1.00794 ± 0.00007, sedangkan 1.00794(72) berarti 1.00794 ± 0.00072. Notasi ringkas ini digunakan sebagai contoh oleh IUPAC dalam menyatakan massa atom elemen.

Di media

Ketidakpastian dalam sains, dan ilmu pengetahuan secara umum, dapat ditafsirkan secara berbeda di ruang publik daripada di komunitas ilmiah. Hal ini sebagian disebabkan oleh keragaman audiens publik, dan kecenderungan para ilmuwan untuk salah memahami audiens awam sehingga tidak dapat mengkomunikasikan ide dengan jelas dan efektif. Salah satu contohnya dijelaskan oleh model defisit informasi. Selain itu, di ranah publik, sering kali ada banyak suara ilmiah yang memberikan masukan tentang satu topik.

Sebagai contoh, tergantung pada bagaimana sebuah isu dilaporkan di ranah publik, ketidaksesuaian antara hasil dari beberapa penelitian ilmiah karena perbedaan metodologi dapat ditafsirkan oleh publik sebagai kurangnya konsensus dalam situasi di mana konsensus sebenarnya ada. Interpretasi ini bahkan mungkin sengaja dipromosikan, karena ketidakpastian ilmiah dapat dikelola untuk mencapai tujuan tertentu. Sebagai contoh, para penyangkal perubahan iklim mengikuti saran Frank Luntz untuk membingkai pemanasan global sebagai isu ketidakpastian ilmiah, yang merupakan pendahulu dari bingkai konflik yang digunakan oleh para jurnalis ketika melaporkan isu tersebut.

Disadur dari: en.wikipedia.org

Mahasiswa Institut Teknologi Sepuluh Nopember (ITS) Surabaya menciptakan sebuah keyboard atau papan ketik kaki yang diberi nama DEFBoard. Alat ini untuk membantu orang yang memiliki keterbatasan tangan atau penyandang disabilitas tangan. Keyboard unik nan bemanfaat ini tidak dibuat secara sembarangan atau asal-asalan. Dalam proses desain dan pembuatannya terdapat riset mendalam terlebih dahulu dengan mengaplikasikan basis ergonomi dan anthropometri, sehingga sesuai dengan kebutuhan penggunanya.

Tim mahasiswa yang berhasil merancang DEFBoard ini adalah Sangki Purabaya, mahasiswa Teknik Industri angkatan 2017, Rozan Putra Dandi, mahasiswa Teknik Industri 2016, dan Alif Aditya Wicaksono, mahasiswa Teknik Komputer 2018. Sebelum bergabung sebagai tim, Alif Aditya yang pertama kali menyusun prototipe keyboard kaki tersebut berpandangan, penyandang disabilitas memiliki kesempatan sama dengan kebanyakan orang lainnya. Namun, di awal merancang inovasinya, ia belum memiliki basis riset ilmiah terkait produk tersebut. 

Akhirnya setelah mereka membentuk tim dan melalui bimbingan Dr Adithya Sudiarno yang juga dosen Departemen Teknik Industri ITS, dimulailah penyusunan DEFBoard generasi berikutnya yang telah dilakukan banyak peningkatan dari segi bentuk dan kenyamanan penggunaannya.

Dalam penyusunannya, tim DEFBoard yang kini beranggotakan tiga orang tersebut diharuskan melakukan riset terkait dimensi kaki manusia. Data pengukuran kaki manusia tersebut digunakan sebagai acuan dimensi keyboard mereka. Hal ini sesuai dengan basis anthropometri,dengan  DEFBoard menyesuaikan dimensi kaki manusia. "Di sini kita melakukan pengukuran kaki orang secara langsung," ujar Sangki Purabaya yang dipercaya sebagai ketua tim dari DEFBoard ini, Jumat (11/10/2019). (Dian Kurniawan).
 

Sumber: liputan6.com