Sabtu, 26 November 2016

Model Warna CMYK, RGB & HSI

Model Warna Citra Digital
Model warna merupakan cara standar untuk menspesifikasikan suatu warna tertentu, dengan mendefinisikan suatu sistem koordinat 3D, dan suatu ruang bagian yang mengandung semua warna yang dapat dibentuk ke dalam suatu model tertentu. Suatu warna yang dapat dispesifikasikan menggunakan suatu model akan berhubungan ke suatu titik tunggal dalam sautu ruang bagian yang didefinisikannya. Masing-masing warna diarahkan ke salah satu standard hardware tertentu (RGB, CMY,YIQ), atau aplikasi pengolahan citra (HSI).

Model Warna CMYK

 CMYK (adalah kependekan dari cyan, magenta, yellow-kuning, dan black-hitam, dan biasanya juga sering disebut sebagai 'warna proses' atau 'empat warna'). CMYK adalah sebuah model warna berbasis pengurangan sebagian gelombang cahaya (substractive color model) dan yang umum dipergunakan dalam pencetakan berwarna. Istilah CMYK juga biasanya digunakan untuk menjelaskan proses pencetakan itu sendiri. Meskipun terdapat beberapa methode pencetakan yang diterapkan pada percetakan, operator cetak, pembuat mesin cetak dan urutan penintaan, proses pewarnaan umumnya berurutan sesuai dengan singkatannya, yaitu CMYK.




Model Warna RGB
 Suatu citra dalam model RGB terdiri dari tiga bidang citra yang saling lepas, masing-masing terdiri dari warna utama: merah, hijau dan biru. Suatu warna dispesifikasikan sebagai campuran sejumlah komponen warna utama. Gambar dibawah menunjukkan bentuk geometri dari model warna RGB untuk menspesifikasikan warna menggunakan sistem koordinat Cartesian. Spektrum greyscale (tingkat keabuan) yaitu warna yang dibentuk dari gabungan tiga warna utama dengan jumlah yang sama, berada pada garis yang menghubungkan titik hitam dan putih.

Gambar Koordinat Warna RGB

Warna dipresentasikan dalam suatu sinar tambahan untuk membentuk warna baru, dan berhubungan untuk membentuk sinar campuran. Citra pada gambar dibawah sebelah kiri menunjukkan campuran dengan menambahkan warna utama merah, hijau, dan biru untuk membentuk warna sekunder kuning (merah+hijau), cyan (biru+hijau), magenta (merah+biru) dan putih (merah+hijau+biru). Model warna RGB banyak digunakan untuk monitor komputer dan video kamera.

Gambar Penambahan Campuran Warna Merah, Hijau dan Biru



Model HSI

Warna juga dapat dispesifikasikan oleh tiga kuantisasi hue, saturation, intensity (disebut model HSI). Gambar di atas bagian sebelah kiri merupakan bentuk solid HIS dan di bagian sebelah kanan adalah model segitiga HIS yang merupakan bidang datar dari pemotongan model solid HIS secara horizontal pada tingkat intensitas tertentu. Hue ditentukan dari warna merah, saturation ditentukan berdasarkan jarak dari sumbu. Warna pada permukaan model solid dibentuk dari saturasi penuh, yaitu warna murni dan spectrum tingkat keabuan. Konversi nilai antar model RGB dan HSI adalah sebagai berikut:

dimana kuantitas R, G, dan B adalah jumlah komponen warna merah, hijau, biru, dan normalisasi ke [0,1]. Intensitas adalah nilai rata-rata kompnen merah, hijau, dan biru. Nilai saturation ditentukan sebagai berikut:


Minggu, 20 November 2016

Sistem Pakar

PENGERTIAN SISTEM PAKAR.
Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di bidangnya. Sistem pakar ini juga akan dapat membantu aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai asisten yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan. 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.

Ciri-Ciri Sistem Pakar
Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut :
• Memiliki informasi yang handal.
• Mudah dimodifikasi.
• Dapat digunakan dalam berbagai jenis komputer.
• Memiliki kemampuan untuk belajar beradaptasi.

Tujuan Sistem Pakar.
Tujuan dari sistem pakar adalah untuk memindahkan kemampuan (transferring expertise) dari seorang ahli atau sumber keahlian yang lain ke dalam komputer dan kemudian memindahkannya dari komputer kepada pemakai yang tidak ahli (bukan pakar). Proses ini meliputi empat aktivitas yaitu:
1. Akuisi pengetahuan (knowledge acquisition) yaitu kegiatan mencari dan mengumpulkan pengetahuan dari para ahli atau sumber keahlian yang lain.
2. Representasi pengetahuan (knowledge representation) adalah kegiatan menyimpan dan mengatur penyimpanan pengetahuan yang diperoleh dalam komputer. Pengetahuan berupa fakta dan aturan disimpandalam komputer sebagai sebuah komponen yang disebut basis pengetahuan.
3. Inferensi pengetahuan (knowledge inferencing) adalah kegiatan melakukan inferensi berdasarkan pengetahuan yang telah disimpan didalam komputer.
4. Pemindahan pengetahuan (knowledge transfer) adalah kegiatan pemindahan pengetahuan dari komputer ke pemakai yang tidak ahli.

Komponen Sistem Pakar.
Dalam sistem pakar ada 4 komponen utama menurut 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.
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 teknik pengendalian tersebut.
3. Basis Data (Data Base)
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 komputer.
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
a. Rule-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules). Bentuk representasi ini terdiri atas premise dan kesimpulan.
b. Frame-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame.

c. Object-Based Knowledge
Pengetahuan direpresentasikan sebagai jaringan dari obyek-obyek. Obyek adalah elemen data yang terdiri dari data dan metoda (proses).

d. Case-Base Reasoning
Pengetahuan direpresentasikan dalam bentuk kesimpulan kasus (cases).
Inferencing dengan Rule : Forward dan Backward Chaining
Inferensi dengan rules merupakan implementasi dari modus ponen, yang direfleksikan dalam mekanisme search (pencarian). Dapat pula mengecek semua rule pada knowledge base dalam arah forward maupun backward. Proses pencarian berlanjut sampai tidak ada rule yang dapat digunakan atau sampai sebuah tujuan (goal) tercapai. Ada dua metode inferencing dengan rules, yaitu forward chaining atau data-driven dan backward chaining atau goal-driven.

a. Backward chaining
  • Menggunakan pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut.
  • Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining.
b. Forward chaining
  • Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah kepada solusinya.
  • Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert konklusi.
  • Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh.
  • Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining





Bentuk Sistem Pakar.
Ada 4 bentuk sistem pakar, yaitu :
1. Berdiri sendiri. Sistem pakar jenis ini merupakan software yang berdiri-sendiri tidak tergantung dengan software yang lainnya.
2. Tergabung. Sistem pakar jenis ini merupakan bagian program yang terkandung didalam suatu algoritma (konvensional), atau merupakan program dimana didalamnya memanggil algoritma subrutin lain (konvensional).
3. Menghubungkan ke software lain . Bentuk ini biasanya merupakan sistem pakar yang menghubungkan ke suatu paket program tertentu, misalnya DBMS.
4. Sistem Mengabdi. Sistem pakar merupakan bagian dari komputer khusus yang dihubungkan dengan suatu fungsi tertentu. Misalnya sistem pakar yang digunakan untuk membantu menganalisis data radar.

Sistem Pakar pada bidang Kecerdasan Buatan
Artificial Intelligence atau Kecerdasan Buatan adalah suatu sistem informasi yang berhubungan dengan penangkapan, pemodelan dan penyimpanan kecerdasan manusia dalam sebuah sistem teknologi informasi sehingga sistem tersebut memiliki kecerdasan seperti yang dimiliki manusia. Sistem ini dikembangkan untuk mengembangkan metode dan sistem untuk menyelesaikan masalah, biasanya diselesaikan melalui aktifivitas intelektual manusia, misal pengolahan citra, perencanaan, peramalan dan lain-lain, meningkatkan kinerja sistem informasi yang berbasis komputer.
Kecerdasan buatan didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan. Kecerdasan buatan (Artificial Intelligence) adalah bagian dari ilmu komputer  yang mempelajari bagaimana  membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik daripada yang dilakukan manusia.
Menurut John McCarthy, 1956, AI: untuk mengetahui dan memodelkan proses-proses berpikir manusia dan mendesain mesin agar dapat menirukan perilaku manusia.
Cerdas =  memiliki pengetahuan + pengalaman, penalaran (bagaimana membuat keputusan dan mengambil tindakan), moral yang baik.
Manusia cerdas (pandai) dalam menyelesaikan permasalahan karena manusia mempunyai pengetahuan & pengalaman. Pengetahuan diperoleh dari belajar. Semakin banyak bekal pengetahuan yang dimiliki tentu akan lebih mampu menyelesaikan  permasalahan.  Tapi  bekal  pengetahuan  saja  tidak  cukup, manusia juga diberi akal untuk melakukan penalaran,mengambil kesimpulan berdasarkan pengetahuan & pengalaman yang dimiliki. Tanpa memiliki kemampuan untuk menalar dengan baik, manusia dengan segudang pengalaman dan  pengetahuan  tidak  akan   dapat menyelesaikan  masalah  dengan  baik.
Demikian juga dengan kemampuan menalar yang  sangat baik,namun tanpa bekal pengetahuan dan pengalaman yang memadai,manusia juga tidak akan bisa menyelesaikan masalah dengan baik. Agar mesin  bisa cerdas (bertindak seperti & sebaik manusia) maka harus diberi bekal pengetahuan & mempunyai kemampuan untuk menalar.

Sistem Pakar Penyakit Kulit PHP

Sistem Pakar Penyakit Kulit PHP. Merupakan sistem pakar yang mampu mendiagnosa jenis penyakit terjadi pada kulit. Selain kemampuan mendiagnosa, sistem pakar ini juga memberikan informasi masalah kulit yang terjadi beserta solusi untuk mengatasi penyakit kulit tersebut.
Kulit adalah merupakan lapisan penutup organ tubuh, Kulit manusia terdiri atas epidermis, dermis, dan hipodermis. Kulit berfungsi sebagai alat ekskresi karena adanya kelenjar keringat (kelenjar sudorifera) yang terletak di lapisan dermis.

Sistem Pakar Penyakit Kulit PHP

Sistem pakar ini di kembangkan dengan menggunakan database mysql serta berbasis web dan script php. Dan untuk implementasi sistem pakar penyakit kulit ini banyak sekali metode yang dapat digunakan.

Data sistem pakar penyakit kulit

Data yang diperlukan untuk membangun sebuah sistem pakar diagnosa penyakit kulit yaitu data gejala, data solusi, data user dan juga jenis penyakit kulit.
1. Data user, Data user adalah data tentang pengguna sistem pakar, Untuk data user dalam aspek implementsinya ada dua jenis, yaitu data pengguna sistem pakar, dan juga data admin sistem pakar.
Dalam penggunaan dan fungsinya admin berguna dan bertugas menginput gejala dan juga hal-hal yang berhubungan dengan sistem pakar, misalnya menambah user atau juga memblokir user yang berkonsultasi. Sedangkan untuk user yang kedua atau pengguna sistem pakar atau orang yang ingin berkonsultasi.
2. Data penyakit kulit, Merupakan data yang diolah pada sistem pakar penyakit. Untuk jenis penyakit kulit dan dan gejala ini didapat berdarkan referensi kepakaran atau buku atau catatan medis tentang penyakit kulit.
3. Data gejala
Data gejala merupakan bagian dari data yang diolah. Data gejala ini berhubngan dengan data jenis penyakit kulit. Hubungan kedua data ini yaitu apabila penyakit telah di diagnosis dan memberikan kesimpulan akhir, maka akan memunculkan data penyakit beserta solusi untuk mengatasinya.

Analisa dan perancangan sistem pakar penyakit kulit

Sistem pakar penyakit kulit yang dibagun untuk mendiagnosa penyakit kulit dan cara penyembuhannya. Sistem ini bertujuan membantu user apat mengetahui jenis penyakit yang diderita dan penyembuhannya melalui solusi yang diberikan, serta informasi ramuan obat guna membantu proses penyembuhannya. Data rekomendasi yang
dihasilkan dalam sistem ini dilengkapi dengan jenis penyakit, gejala penyakit dan cara
penyembuahannya sehingga user dapat mengetahui penyakit yang diderita dan cara
pengobatannya. Sistem pakar akan menganalisis jawaban dari setiap pertanyaan yang diberikan agar dapat memperoleh jawaban berdasarkan basis pengetahuan yang terdapat dalam sistem pakar penyakit kulit ini. Sebelum menganalisis jawaban, sistem terlebih dahulu memberikan sejumlah pertanyaan kepada user melalui interface yang di rancang berbasis web tentang gejala penyakit yang diderita. Sistem akan menganalisis
jawaban dari user dengan melakukan proses pelacakan pada basis pengetahuan yang terdapat dalam data database.
Struktur menu
Struktur database
Tampilan Sistem


Keuntungan Sistem Pakar.
Ada banyak manfaat atau keuntungan yang dapat diperolah dengan mengembangkan sistem pakar, antara lain :
1.      Masyarakat awam non-pakar dapat memanfaatkan keahlian di dalam bidang tertentu tanpa kehadiran langsung seorang pakar.
2.      Meningkatkan produktivitas kerja, yaitu bertambah efisiensi pekerjaan tertentu serta hasil solusi kerja.
3.      Penghematan waktu dalam menyelesaikan masalah yang kompleks.
4.      Memberikan penyederhanaan solusi untuk kasus-kasus yang kompleks dan berulang-ulang.
5.      Pengetahuan dari seorang pakar dapat didokumentasikan tanpa ada batas waktu.

6.      Memungkinkan penggabungan berbagai bidang pengetahuan dari berbagai pakar untuk dikombinasikan.

    Sumber:

    Gilang Putra Rianto
    14114558
    3KA37

Sabtu, 29 Oktober 2016

Konsep dan Metodologi Teknologi Sistem Cerdas

Tugas 1 Pengantar Teknologi Sistem Cerdas
Pengertian Kecerdasan Buatan
             Artificial Intelligence (AI) atau Intelegensi Buatan dapat didefinisikan sebagai suatu mesin atau alat pintar (biasanya adalah suatu komputer) yang dapat melakukan suatu tugas yang bilamana tugas tersebut dilakukan oleh manusia akan dibutuhkan suatu kepintaran untuk melakukannya. Definisi ini tampaknya kurang begitu membantu, karena beberapa ahli berpendapat, kepintaran seperti apakah yang dapat dikategorikan sebagai AI. Tujuan utamanya, pengembangan software agar mesin mampu menyelesaikan masalah melalui penalaran mirip manusia.Tidak ada kesepakatan mengenai definisi AI, di antaranya adalah: 
a.  Sebuah studi tentang bagaimana membuat komputer mengerjakan sesuatu yang dapat
     dikerjakan manusia (Rich, 1991)
b.  Cabang ilmu komputer yang mempelajari otomatisasi tingkah laku cerdas
     (Setiawan, 1993)
c.  Suatu perilaku sebuah mesin yang jika dikerjakan oleh manusia akan disebut
     cerdas (Turing, et. al, 1996)
Kebanyakan ahli setuju bahwa Kecerdasan Buatan berhubungan dengan 2 ide dasar.
Pertama, menyangkut studi proses berfikir manusia, dan kedua, berhubungan dengan
merepresentasikan proses tersebut melalui mesin (komputer, robot, dll).

Cabang Kecerdasan Buatan
Pencarian. Program AI seringkali harus mengevaluasi kemungkinan yang
jumlahnya banyak sekali, misalnya kemungkinan langkah dalam permainan catur atau
penyimpulan dari program untuk membuktikan suatu teori.
Pengenalan Pola.
Representasi, yakni bagaimana merepresentasikan/menuliskan fakta-fakta yang ada ke dalam simbul-simbul atau bahasa logika matematis.
Inferensi.
Pengetahuan dan penalaran yang masuk akal(common sense knowledge and reasoning).
Belajar dari pengalaman.
Perencanaan. Program perencanaan bermula dari fakta-fakta umum (terutama fakta
mengenai efek dari suatu aksi), fakta tentang situasi yang khusus, dan suatu pernyataan
tentang tujuan. Dari sini kemudian dibuat sebuah strategi untuk mencapai tujuan tersebut.
Secara umum, biasanya strategi tersebut berupa urut-urutan aksi.
Epistemologi, yakni studi tentang sumber, sifat,dan keterbatasan pengetahuan yang
digunakan untuk pemecahan masalah.
Ontologi, ilmu tentang keberadaan dan realitas.
Heuristik, yaitu suatu cara atau teknik untuk mencoba menemukan suatu benda/ide.

Contoh Penerapan
Sekarang ini, perkembangan AI sudah mencapai pada tahap yang dapat dikatakan fantastis, terutama di bidang-bidang berikut:
-          Game Playing
-          General Problem Solving
-          Natural Language Recognition
-          Speech Recognition
-          Visual Recognition
-          Robotics
-          Perception
-          Medical Diagnosiss
-          Mathematics
-          Expert System
Penerapan Kecerdasan Buatan meliputi berbagai bidang seperti ditunjukkan pada bagian akar pohon AI dalam Gambar I-1, antara lain: Bahasa/linguistik, Psikologi, Filsafat, Teknik Elektro, Ilmu Komputer, dan Ilmu Manajemen.
Salah satu sistem cerdas yang banyak dikembangkan saat ini adalah:
            Sistem Pakar (Expert System), yaitu program konsultasi (advisory) yang mencoba
menirukan proses penalaran seorang pakar/ahli dalam memecahkan masalah yang rumit.
Sistem Pakar merupakan aplikasi AI yang paling banyak. Basis pengetahuan biasanya berupa himpunan aturan IF … THEN …
Salah satu expert system yang pertama adalah:
MACSYMA, yang digunakan untuk tugas-tugas matematika.
MYCIN, untuk mendiagnosa penyakit infeksi pada darah.
CADUCEUS, untuk mendeteksi penyakit.
PUFF, untuk mengukur fungsi dari paru-paru.
PROSPECTOR, digunakan perusahaan DEC untuk menggamarkan konfigurasi dari sistem komputer bagi para langganannya.
DENDRAL, untuk mengidentifikasikan struktur molekul suatu komposisi kimia dan lain sebagainya.
* Contoh domain dari aplikasi ES:
– Perbankan dan keuangan (penilaian kredit, kelangsungan proyek)
– Pemeliharaan (diagnosa kegagalan mesin)
– Retail (saran pola membeli yang optimal)
– Layanan Darurat  (konfigurasi peralatan)
– Hukum (aplikasi hukum dalam scenario kompleks)

Kelebihan dari kecerdasan buatan itu terdiri dari 7 bagian yaitu sebagai berikut :
1.      Lebih bersifat permanen. Kecerdasan alami bisa berubah karena sifat manusia pelupa. Kecerdasan buatan tidak berubah selama sistem komputer & program tidak mengubahnya.
2.      Lebih mudah diduplikasi & disebarkan. Mentransfer pengetahuan manusia dari 1 orang ke orang lain membutuhkan proses yang sangat lama & keahlian tidak akan pernah dapat diduplikasi dengan lengkap.Jadi jika pengetahuan terletak pada suatu sistem komputer, pengetahuan tersebut dapat disalin dari komputer tersebut & dapat dipindahkan dengan mudah ke komputer yang lain.
3.  Lebih murah. Menyediakan layanan komputer akan lebih mudah & murah dibandingkan mendatangkan seseorang untuk mengerjakan sejumlah pekerjaan dalam jangka waktu yang sangat lama.
4.   Bersifat konsisten karena kecerdasan buatan adalah bagian dari teknologi komputer sedangkan kecerdasan alami senantiasa berubah-ubah
5.  Dapat didokumentasi.Keputusan yang dibuat komputer dapat didokumentasi dengan mudah dengan cara melacak setiap aktivitas dari sistem tersebut. Kecerdasan alami sangat sulit untuk direproduksi.
6.      Lebih cepat
7.      Lebih baik

Sumber:

Senin, 25 April 2016

TUGAS KE-2 MANAJEMEN LAYANAN SISTEM INFORMASI

MLSI adalah suatu metode pengelolaan sistem teknologi informasi(TI) yang secara filosofis terpusat pada perspektif konsumen layanan TI terhadap bisnis perusahaan. Berikut ulasan dari service desain dan service strateginya. Klik Disini

Senin, 28 Maret 2016

TUGAS KE-1 MANAJEMEN LAYANAN SIISTEM INFORMASI

MLSI adalah suatu metode pengelolaan sistem teknologi informasi(TI) yang secara filosofis terpusat pada perspektif konsumen layanan TI terhadap bisnis perusahaan. Berikut ulasan dari service desain dan service strategi.
KLIK DISINI