Instalasi Raspberry Pi OS (Raspios) Lengkap! Serta Merangkai Raspberry Pi Hardware dengan Monitor PC, Keyboard, dan Mouse

Assalamualaikum Warahmatullahi Wabarokatuh.

Halo teman-teman, postingan kali ini berisi catatan kuliah aku di mata kuliah Workshop Sistem Tertanam Minggu 13 pada Praktikum luring terbatas tanggal 30 November 2021 kemarin. Mungkin tulisan kali ini sedikit singkat, tapi semoga saja bisa dipahami dengan mudah karena berisi langkah-langkah yang sudah aku praktekkan sendiri. Mohon maaf jika mungkin ada sedikit perbedaan dengan langkah-langkah pada umumnya. Namun langkah-langkah yang aku tulis disini sudah aku praktekkan, dan Alhamdulillah berhasil.

    Meski begitu, jika teman-teman sedang melakukan instalasi mandiri tanpa bimbingan dosen, aku sarankan untuk tetap mempelajari beberapa referensi lainnya, baru dipraktekkan. Agar pemahaman teman-teman lebih dalam lagi. Dan setelah sedikit paham, jangan lupa langsung mencoba mempraktekkan. Saat teman-teman membaca atau belajar teorinya, mungkin nanti akan terkesan rumit, tapi setelah teman-teman merasakan sendiri proses instalasi dan rakitnya, pasti asik!! 

Happy Reading guys!

CARA INSTALL RASPBERRY PI OS (RASPIOS) DAN MERAKIT KOMPONEN

1. Siapkan SD Card (Rekomendasi: 16 GB) dan Card Reader. 
2. Download SD Card Formatter di https://www.sdcard.org/downloads/formatter/sd-memory-card-formatter-for-windows-download/
3. Install SD Card Formatter
4. Masukkan SD Card ke Card Reader, lalu masukkan Card Reader ke Laptop
5. Buka aplikasi SD Card Formatter, lalu pilih SD Card yang akan diformat, klik Quick Format
6. Setelah selesai, siapkan file OS Raspberry Pi. Jika belum punya, bisa download melalui : https://www.raspberrypi.com/software/
7. Extract file Rar OS Raspberry di komputer/laptop anda. Hingga terdapat file Raspberry Pi OS yang ber-ekstensi Disc Image File (.img).
8. Download Win 32 Disk Image di : https://sourceforge.net/projects/win32diskimager/
9. Install Win 32 Disk Image, setelah selesai diinstall, lalu buka aplikasinya.
10. Pilih file OS Raspberry yang sudah di extract tadi yaitu file ber-ekstensi Disc Image File (.img), lalu klik tombol "Write". Pastikan lokasinya ditujukan ke SD Card yang telah kita format sebelumnya. Tunggu hingga proses write selesai.
11. Setelah proses Write selesai, eject card reader yang berisi SD Card, lalu pindahkan SD Card pada Raspberry Pi yang sudah terhubung dengan Monitor dan perangkat keras lainnya.
12. Nah yuk mulai merakit. Siapkan Raspberry Hardware. Lalu pasang power (bisa pakai cas hp 5 v), Monitor, Keyboard, Mouse, Kabel VGA, dan HDMI pada Raspberry Pi. Untuk SD Card
     

    

    
13. Jika berhasil, maka akan muncul tampilan kotak putih pada monitor kemudian hilang. Tunggu proses loading sampai selesai (memerlukan waktu sedikit lama).
14. Setelah itu, akan muncul tampilan dari OS Raspberry Pi. Saat muncul beberapa setting, atur bahasa dan negara, lalu next saja seterusnya. Kecuali jika ada opsi update, skip. Kemudian terakhir tekan Done. 

    

    Tampilan OS Raspberry Pi yang berhasil diinstall

    
    
15. Setelah itu kita cek menu Programming, jika baru menginstall biasanya tidak ada menu Python. Cara untuk menampilkannya adalah pergi ke menu Preferences > Main Menu Editor > Pilih Programming > Centang Python 2 dan 3 > Tekan OK. 

    

    Letak Main Menu Editor

    
    
16. Dengan begitu, maka python sudah muncul di menu Programming.

Selamat mencoba. Mungkin itu saja yang dapat aku bagikan pada postingan kali ini, semoga bermanfaat. Kurang lebihnya mohon maaf.

Wassalamualaikum Warahmatullahi Wabarokatuh.

Algoritma ID3 (Iterative Dichotomiser 3) : Pengertian dan Contoh Studi Kasus

Assalamualaikum Warahmatullahi Wabarokatuh.

Halo teman-teman, kali ini kita akan mengulas sedikit tentang salah satu metode sistem cerdas yaitu algoritma ID3. Ketika teman-teman membaca, mungkin sekilas terlihat rumit, namun percayalah bahwa semua terasa gampang ketika sudah dipahami.

Yuk mulai belajar! 

Oh iya, jangan lupa untuk berdo'a terlebih dahulu ya.

1. Pengertian ID3

Algoritma ID3 merupakan algoritma yang dipergunakan untuk membangun sebuah decision tree atau pohon keputusan. Algoritma ini ditemukan oleh J. Ross Quinlan (1979), dengan memanfaatkan Teori Informasi atau Information Theory milik Shanon. ID3 sendiri merupakan singkatan dari Iterative Dichotomiser 3.

2. Langkah-langkah konstruksi pohon keputusan dengan algoritma ID3 

Adapun langkah-langkah dalam konstruksi pohon keputusan adalah sebagai berikut : 

1. Pohon dimulai dengan sebuah simpul yang mereperesentasikan sampel data pelatihan yaitu dengan membuat simpul akar. 
2. Jika semua sampel berada dalam kelas yang sama, maka simpul ini menjadi daun dan dilabeli menjadi kelas. Jika tidak, information gain akan digunakan untuk memilih atribut terbaik dalam memisahkan data sampel menjadi kelas-kelas individu.
3. Cabang akan dibuat untuk setiap nilai pada atribut dan data sampel akan dipartisi lagi.
4. Algoritma ini menggunakan proses rekursif untuk membentuk pohon keputusan pada setiap data partisi. Jika sebuah atribut sduah digunakan disebuah simpul, maka atribut ini tidak akan digunakan lagi di simpul anak-anaknya.
5. Proses ini berhenti jika dicapai kondisi seperti berikut : a) Semua sampel pada simpul berada di dalam satu kelas. b) Tidak ada atribut lainnya yang dapat digunakan untuk mempartisi sampel lebih lanjut. Dalam hal ini akan diterapkan suara terbanyak. Ini berarti mengubah sebuah simpul menjadi daun dan melabelinya dengan kelas pada suara terbanyak.

3. Entropy dan Gain

Algoritma pada metode ini menggunakan konsep dari entropi. Konsep Entropi yang digunakan untuk mengukur “seberapa informatifnya” sebuah node (yang biasanya disebut seberapa baiknya).

Catatan: 

• Entropi(S) = 0, jika semua contoh pada S berada dalam kelas yang sama. 
• Entroiy(S) = 1, jika jumlah contoh positif dan jumlah contoh negatif dalam S adalah sama. 
• 0 < Entropi(S) < 1, jika jumlah contoh positif dan negatif dalam S tidak sama. 

a. Rumus Entropy

Dimana: 

S adalah himpunan (dataset) kasus 

n adalah banyaknya partisi S 

pi adalah probabilitas yang di dapat dari Jumlah(Ya) dibagi Total Kasus. 

Setelah mendapat nilai entropi, pemilihan atribut dilakukan dengan nilai information gain terbesar.

b. Rumus Gain

Dimana: 

S = ruang (data) sample yang digunakan untuk training. 

A = atribut. 

|Si| = jumlah sample untuk nilai V. 

|S| = jumlah seluruh sample data. 

Entropi(Si) = entropy untuk sample-sample yang memiliki nilai i 

 

Nah bagaimana teman-teman? Teori diatas tentunya akan susah dipahami jika kita belum mencobanya. Berikut ini adalah contoh studi kasus dan perhitungan menggunakan ID3.

4. Studi Kasus

Data yang telah ada pada Tabel dibawah akan digunakan untuk membentuk pohon keputusan dimana memiliki atribut-atribut seperti Cuaca, Suhu, Kelembaban, dan Berangin. Setiap atribut memiliki nilai. Sedangkan kelasnya ada pada kolom Main yaitu kelas “Tidak” dan kelas “Ya”. Kemudian data tersebut dianalisis; dataset tersebut memiliki 14 kasus yang terdiri 10 “Ya” dan 4 “Tidak” pada kolom Main. 

Penyelesaian:

a. Menghitung Entropy(S) dan Gain Seluruh Atribut

Hitunglah entropi dengan rumus seperti diatas. Jika rumus diatas terkesan rumit, mari kita sederhanakan cara membacanya menjadi seperti ini,

Entropy(S) = (-(Instance Positif/Jumlah Seluruh Instance) x log2(Instance Positif/Jumlah Seluruh Instance) + -(Instance Negatif/Jumlah Seluruh Instance) x log2(Instance Negatif/Jumlah Seluruh Instance))

• Intance Positif adalah jumlah data "Ya" pada tabel data training yang sedang dihitung, yaitu 10
• Intance Negatif adalah jumlah data "Tidak" pada tabel data training yang sedang dihitung, yaitu 4
• Jumlah Instance adalah jumlah seluruh data pada tabel data training yang sedang dihitung, yaitu 14

Kenapa saya tuliskan pada tabel data training yang sedang dihitung? Karena setelah kita menemukan entropy keseluruhan dan menemukan gain terbesar pada perhitungan pertama, selanjutnya kita juga akan mencari entropy lainnya seiring proses pembentukan pohon keputusan, termasuk juga entropy dari setiap atribut seperti Cuaca, Kelembaban dan lainnya.

Rumus sederhana diatas merupakan rumus yang akan kita gunakan dalam perhitungan baik manual maupun menggunakan microsoft excel. Namun teman-teman perlu menyesuaikan misalnya x menjadi * sebagai operator perkalian dalam Excel. 

Entropi (S) = (-(10/14) x log2 (10/14) + (-(4/14) x log2 (4/14)) = 0.863120569

Nah baris diatas contoh penghitungan manual dari Entropy(S) atau entropy keseluruhan. Namun bagaimana untuk menghitung Entropy setiap atribut? Buatlah tabel pada microsoft Excel seperti dibawah ini.

Gambar 1. Menghitung Entropy dan Gain untuk mencari node awal

Nah bagaimana? Hasil Entropy(S) manual dan pada Excel sama bukan? yaitu 0.863120569

Lalu sebagai contoh, untuk rumus dari Entropy pada Cuaca Berawan bagaimana? Jawabannya adalah sama dengan rumus sederhana yang kita tulis tadi. Jadi instance positifnya = 4, instance negatif = 0, dan jumlah instance berawan = 4. Mudah bukan? Tentunya akan lebih mudah ketika teman-teman melakukan perhitungan menggunakan Microsoft Excel selama penulisan rumusnya benar.

Kemudian untuk rumus pencarian Gain, mari kita baca rumus diatas. Jika terlihat rumit, berikut adalah cara membacanya,

Gain(S,Cuaca) = Entropy(S) - ((Jumlah instance Berawan/Jumlah instance)*Entropy(Berawan) + (Jumlah instance Hujan/Jumlah instance)*Entropy(Hujan) + (Jumlah instance Cerah/Jumlah instance)*Entropy(Cerah))

Gain(S,Cuaca) = 0.863120569 – ((4/14) x 0 + (5/14) x 0.721928095 + (5/14) x 0.970950594) = 0.258521037  

Rumus diatas adalah contoh penghitungan gain untuk cuaca. Hitung pula Gain (Suhu), Gain (Kelembaban), dan Gain (Berangin) dengan rumus yang sama (namun menyesuaikan).

Pada tabel perhitungan diatas, kita sudah menemukan gain terbesar yaitu pada atribut Kelembaban.  Karena nilai gain terbesar adalah Gain (Kelembaban), maka atribut “Kelembaban” menjadi node akar (root node). Kemudian pada “Kelembaban” normal, memiliki 7 kasus dan semuanya memiliki jawaban Ya (Sum(Total) / Sum(Ya) = 7/7 = 1). Dengan demikian “Kelembaban” normal menjadi daun atau leaf.

Gambar 2. Node awal

b. Mencari Node Kedua Berdasarkan Node Pertama

Berdasarkan pembentukan pohon keputusan node 1 (root node), Node 1.1 akan dianalisis lebih lanjut. Untuk mempermudah, Tabel dibawah difilter, dengan mengambil data yang memiliki “Kelembaban” = Tinggi. 

Tabel 2. Filter berdasarkan kelembaban = tinggi

Gambar 3. Menghitung Entropy dan Gain untuk mencari node kedua

Gain tertinggi yang didapat ada pada atribut “Cuaca”, dan Nilai yang dijadikan daun atau leaf adalah Berawan dan Cerah. Hal ini dikarenakan pada Cuaca Berawan, dari 2 data training semuanya bernilai "Ya". Sedangkan pada cuaca Cerah, dari 3 data training semuanya bernilai "Tidak". Jadi tidak perlu dilakukan perhitungan lanjutan pada 2 nilai tersebut. Jika dievualisasi maka pohon keputusan tampak seperti Gambar dibawah. 

Gambar 4. Node kedua

c. Mencari Node Ketiga Berdasarkan Node Kedua

Lakukan lagi langkah-langkah yang sama seperti sebelumnya hingga semua node berbentuk node leaf. Karena Hujan belum menjadi leaf, maka kita lakukan perhitungan dengan memfilter tabel berdasarkan "Cuaca"=Hujan.

Tabel 3. Filter berdasarkan kelembaban = tinggi, dan cuaca = hujan

Gambar 5. Menghitung Entropy dan Gain untuk mencari node ketiga

Sekarang kita perhatikan, rupanya gain terbesar terletak pada atribut "Berangin". Kemudian pada atribut tersebut, nilai "Salah" sudah menjadi leaf karena dari 1 data memilih "Ya" dan "Tidak" = 0. Selanjutnya pada "Benar"  juga sudah menjadi leaf karena dari 1 data memilih "Tidak" dan "Ya" = 0. Maka hasil pohon keputusan akhir adalah seperti dibawah ini.

Gambar 5. Hasil tree decision akhir dari studi kasus ID3

Kurang lebih seperti itulah cara membuat pohon keputusan dengan algoritma ID3. Cukup mudah bukan? Selamat Belajar dan Semoga Bermanfaat. Mohon maaf jika ada kekeliruan atau kekurangan dalam artikel ini.

Jika ada pertanyaan, tulis di kolom komentar ya!

See you!

Wassalamualaikum Warahmatullahi Wabarokatuh.

DFS (Depth First Search) : Pengertian, Kekurangan, Kelebihan, dan Contohnya

 

Assalamualaikum Warahmatullahi Wabrokatuh.

Halo teman-teman, bagaimana kabarnya hari ini? Semoga kalian semua berada dalam keadaan sehat walafiyat. Tetap semangat, selalu jaga kesehatan, dan jaga ibadah.

Kali ini kita akan membahas kelanjutan dari materi sebelumnya yaitu BFS. Dan sekarang kita akan belajar mengenai algoritma DFS (Depth First Search). Berikut ini adalah beberapa uraian mengenai algoritma DFS.

DFS (Depth First Search) : Pengertian, Kekurangan, Kelebihan, dan Contohnya

1. Pengertian DFS

    Algoritma Depth First Search adalah algoritma pencarian mendalam yang dimulai dari node awal dilanjutkan dengan hanya mengunjungi node anak paling kiri pada tingkat selanjutnya. 

Gambar 1. DFS dan BFS

   

Cara kerja algoritma Depth First Search yaitu masukan masukan node akar kedalam sebuah tumpukan. Kemudian ambil simpul pertama pada level paling atas, jika simpul merupakan solusi pencarian selesai dan hasil dikembalikan. Jika simpul bukan merupakan solusi, masukan seluruh simpul yang bertetangga dengan simpul tersebut ke dalam tumpukan. Apabila semua simpul sudah dicek dan antrean kosong, pencarian selesai dengan mengembalikan hasil solusi tidak ditemukan. Pencarian diulang dari simpul awal antrean.

2. Kelebihan dan Kekurangan DFS

Kelebihan DFS	Kekurangan DFS
Membutuhkan memori yang relatif kecil, karena hanya node-node pada lintasan yang aktif saja yang disimpan.	Jika pohon yang dibangkitkan mempunyai level dalam (tak terhingga), maka tidak ada jaminan untuk menemukan solusi (Tidak Complete).
Secara kebetulan, metode DFS akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan.	Jika terdapat lebih dari 1 solusi yang sama tetapi berada pada level yang berbeda, maka pada DFS tidak ada jaminan untuk menemukan solusi yang paling baik (Tidak Optimal).

3. Contoh Penerapan BFS dalam Studi Kasus

Pencarian jarak terdekat Arad-Bucharest. Berikut ini adalah Peta Rumania.

Gambar 2. Peta Rumania

      Dalam menyelesaikan kasus diatas, kita perlu membuat peta Rumania menjadi gambaran graph yang lebih sederhana. Berikut ini adalah gambaran peta Rumania dalam bentuk graph sederhana:

Gambar 3. Graph Peta Rumania

Penyelesaian dengan DFS:

        Algoritma Depth First Search adalah algoritma pencarian mendalam yang dimulai dari node awal dilanjutkan dengan hanya mengunjungi node anak paling kiri pada tingkat selanjutnya. Dari Gambar 2. Graph Arad-Bucharest, selanjutnya kita dapat membuat Tree untuk melakukan penyelesaian kasus dengan algoritma DFS. Berikut ini adalah gambar tree untuk DFS yang sedikit berbeda dengan tree yang digunakan pada BFS.

Gambar 4. Tree untuk DFS

        Pada tree, tidak semua kota saya tuliskan. Contohnya yaitu kota yang tersambung dari node S dan T secara lengkap. Hal itu dikarenakan target B sudah ditemukan di anak paling kiri, dan pencarian berhenti disana. Sehingga pohon tengah dan pohon kanan tidak akan dilewati. Berikut ini adalah gambaran penyelesaian pencarian kota Bucharest (B) menggunakan algoritma DFS.

Implementasi: Start (A), Goal (B)

Gambar 5. Pencarian Jarak dengan DFS

Penjelasan:

        Pencarian rute dengan DFS, yaitu dengan melakukan pencarian mendalam yang dimulai dari node awal, dilanjutkan dengan hanya mengunjungi node anak paling kiri pada tingkat selanjutnya. Pada tree diatas, rupanya target terletak di anak terdalam paling kiri. Sehingga didapatkan rute berdasarkan algoritma DFS yaitu A Z O S F R. 

       Dari hasil pencarian diatas, maka ditemukan jarak yang dipilih dari Arad ke Bucharest dengan menggunakan algoritma DFS adalah sebagai berikut:

Gambar 6. Hasil Pencarian

Path = A > Z > O > S > F > R
Path-cost = 75 + 71 + 151 + 99 + 211 = 607 KM

Kesimpulan:

    Pada kasus ini, algoritma BFS dengan path-cost 450 KM rupanya lebih efisien dari DFS yang memiliki path-cost 607 KM. Namun pada kasus lainnya, bisa saja algoritma DFS lebih efisien, hal itu tergantung dari kasus itu sendiri.

Itu tadi penjelasan seputar algoritma DFS dan contoh penyelesaian kasus yang pernah saya kerjakan dalam tugas kuliah, sebagai lanjutan postingan sebelumnya. 

Mohon maaf jika ada kekurangan dan kekeliruan. Semoga bermanfaat!

Wassalamualaikum Warahmatullahi Wabarokatuh.

BFS (Breadth First Search) : Pengertian, Kekurangan, Kelebihan, dan Contohnya

 

Assalamualaikum Warahmatullahi Wabrokatuh.

Halo teman-teman, bagaimana kabarnya hari ini? Semoga kalian semua berada dalam keadaan sehat walafiyat. Bagi yang sedang sakit, semangat yaa. Semoga Allah mengampuni dosa kalian lewat sakit itu. Semoga cepat sembuh.

Kali ini kita akan membahas tentang BFS (Breadth First Search). Berikut ini adalah beberapa uraian mengenai algoritma BFS.

BFS (Breadth First Search) : Pengertian, Kekurangan, Kelebihan, dan Contohnya

1. Pengertian BFS

    Algoritma Breadth First Search adalah algoritma pencarian melebar yang dilakukan dengan mengunjungi node pada level n terlebih dahulu sebelum mengunjungi node-node pada level n+1. Algoritma BFS berbeda dengan DFS. Hal itu dapat dilihat pada gambar dibawah ini. Untuk penjelasan algoritma DFS akan dijelaskan di postingan selanjutnya.

Gambar 1. DFS dan BFS

   

 Cara kerja algoritma Breadth First Search yaitu masukkan simpul ujung ke dalam sebuah antrean kemudian ambil simpul dari awal antrean. Lakukan pengecekan apakah simpul awal merupakan solusi. Jika simpul merupakan solusi pencarian selesai dan hasil dikembalikan. Jika simpul bukan merupakan solusi, masukan seluruh simpul yang bertetangga dengan simpul tersebut. Apabila semua simpul sudah dicek dan antrean kosong, pencarian selesai dengan mengembalikan hasil solusi tidak ditemukan. Pencarian diulang dari simpul awal antrean.

2. Kelebihan dan Kekurangan BFS

Kelebihan BFS	Kekurangan BFS
Tidak akan menemui jalan buntu.	Membutuhkan memori yang cukup banyak, karena menyimpan semua node dalam satu pohon.
Jika ada satu solusi, maka BFS akan menemukannya. Dan jika ada lebih dari satu solusi, maka solusi minimum akan ditemukan.	Membutuhkan waktu yang cukup lama, karena akan menguji n level untuk mendapatkan solusi pada level ke-(n+1).

3. Contoh Penerapan BFS dalam Studi Kasus

Pencarian jarak terdekat Arad-Bucharest. Berikut ini adalah Peta Rumania.

Gambar 2. Peta Rumania

      Dalam menyelesaikan kasus diatas, kita perlu membuat peta Rumania menjadi gambaran graph yang lebih sederhana. Berikut ini adalah gambaran peta Rumania dalam bentuk graph sederhana:

Gambar 3. Graph Peta Rumania

Penyelesaian dengan BFS:

    Algoritma Breadth First Search adalah algoritma pencarian melebar yang dilakukan dengan mengunjungi node pada level n terlebih dahulu sebelum mengunjungi node-node pada level n+1. Dalam penyelesaian kasus diatas, kita dapat menggambarkan graph diatas ke dalam bentuk Tree. Node paling kiri dimulai dari jarak tetangga terdekat yaitu Z (75) lalu berurutan ke S dan T.

Gambar 4. Tree untuk BFS

Pada tree, tidak semua kota saya tuliskan. Contohnya yaitu kota D. Hal itu dikarenakan kota D tidak termasuk dalam perhitungan, dan berada di level 4. Berikut ini adalah gambaran penyelesaian pencarian kota Bucharest (B) menggunakan algoritma BFS.
Implementasi: Start (A), Goal (B)

Gambar 5. Pencarian Jarak dengan BFS

Penjelasan:

        Pencarian rute dengan BFS, yaitu dengan mengecek setiap level mulai dari level n atau level 1, baru dilanjutkan ke level n+1 hingga target atau goalnya ditemukan. Meski demikian, yang dihitung pada akhirnya bukanlah jarak yang ditempuh selama mencari target, namun rute yang dipilih adalah rute yang terhubung ke target (yaitu A S F B). Oleh karena itu, BFS membutuhkan banyak memori untuk menyimpan semua simpul dalam satu pohon dan ini menjadi salah satu kekurangan BFS.

        Dari hasil pencarian diatas, maka ditemukan jarak yang dipilih dari Arad ke Bucharest dengan menggunakan algoritma BFS adalah sebagai berikut:

Gambar 6. Hasil Pencarian

Path = A > S > F >  B
Path-cost = 140 + 99 + 211 = 450 KM

Itu tadi penjelasan seputar algoritma BFS dan contoh penyelesaian kasus yang pernah saya kerjakan dalam tugas kuliah. Mohon maaf jika ada kekurangan dan kekeliruan. Semoga bermanfaat!

Wassalamualaikum Warahmatullahi Wabarokatuh.

SI Jasa Layanan - Rangkuman ERP

 

RANGKUMAN MATERI ERP

1. Pengertian ERP

    ERP atau singkatan dari Enterprise Resource Planning merupakan paket sistem atau software yang digunakan untuk mengelola dan mengintegrasikan berbagai aktivitas operasional perusahaan. Contoh operasional yaitu: pengelolaan keuangan, pengadaan, produksi, distribusi, proyek, pengelolaan SDM dan lain sebagainya.

    Dulunya, ERP lebih dikenal di kalangan perusahaan besar. Tapi kini juga telah populer di kalangan UKM karena sistemnya yang terintegrasi sehingga informasi akan realtime dari setiap divisi sehingga dapat membantu pengambilan keputusan serta dapat meminimalisir terjadinya redundansi data.

2. Manfaat ERP

No	Tabel Manfaat
1	Hasil studi, 33% perusahaan yang menerapkan ERP dapat menghemat biaya dan waktu dalam manajemen.
2	Meningkatkan penjualan. Karena sistem ini dapat membantu arus barang dan jasa. Salah satu modul ERP adalah produksi barang dan jasa. Jika produksi dapat dimonitoring dengan baik, maka perusahaan dapat fokus pada pemasaran dan lainnya.
3	Dapat mengurangi risiko bangkrut. Karena didalam ERP dapat mengontrol kesehatan perusahaan baik dari sisi perusahaan, produk, dan lainnya. Sehingga pengambilan keputusan lebih cepat tanggap terhadap masalah yang ada.
4	Dapat menciptakan ekosistem kerjasama yang bagus antara mitra, vendor, pegawai, dan lain-lain.
5	Memudahkan pengendalian proses bisnis. Karena dapat menyajikan berbagai penyajian data dari seluruh unit bisnis.

3. Modul-Modul Software ERP

1)  Akuntansi dan Keuangan
· Pencatatan akuntansi secara umum, pengelolaan kas dan bank, perencanaan investasi perusahaan, analisis keuangan, dll.
2) Operasional
· Operasional pembelian, proses produksi, distribusi, pengelolaan persediaan, quality control.
3) Sumber Daya Manusia
· Pencatatan payroll, pengembangan kemampuan, dan lain-lain terkait manajemen SDM.
4) CRM (Customer Relationship Management)
· Layanan dalam mengelola pelanggan untuk membantu meningkatkan penjualan.
· Mencatat riwayat komunikasi dan transaksi.

4. Industri Yang Butuh ERP

1. Jasa dan Konsultasi	2. Pendidikan	3. Transportasi	4. Retail, Grosir, Supermarket	5. Real Estate
6. Konstruksi, Proyek, Infrastruktur	7. Makanan dan Minuman	8. Pariwisata	9. Kesehatan	10. Pertambangan, Perkebunan

 

5. Implementasi ERP

1) On-Premises (APIs, On-Premises Integration Platform)

Diterapkan pada server lokal milik perusahaan. Jadi perusahaan harus menyediakan infrastruktur dan biaya untuk mengadakan dan memelihara server.

2) Cloud (APIs, Integration Platform as a Service)

Perusahaan tidak perlu menyediakan infrastruktur karena data dapat disimpan di cloud. Biaya yang dibutuhkan hanya biasa sewa server cloudnya.

3) Hybrid (APIs, Pertengahan antara On-Premises Integration Platform dan Integration Platform as a Service)

Kombinasi antara On-Premises dan Cloud. Biasanya digunakan oleh perusahaan yang telah menggunakan On-Premises namun juga ingin menggunakan Cloud sebagai tempat backup data. Jadi jika server utama down, akan di backup menggunakan Cloud.

 

6. Macam-Macam Software ERP

No	Nama Software	Keterangan
ERP Populer
1	Odoo ERP	Bersifat open source, namun juga menyediakan layanan cloud yang berbayar. Dalam Odoo, terdapat 37 modul seperti discuss, calculator, IoT, dll. Keunggulan Odoo adalah jumlah modulnya yang banyak (37 modul) dan bisa dihidupkan sesuai kebutuhan. Artinya Anda dapat menghemat biaya hanya dengan menyalakan modul yang Anda perlukan. Biasanya perusahaan di Indonesia memilih menggunakan Odoo Cloud supaya tidak perlu direpotkan dengan settingan di server sendiri.
2	SAP Business One	Merupakan software ERP yang bisa dibilang paling populer di seluruh dunia, karena telah ada 80 ribu pengguna yang menggunakannya. Berasal dari Jerman dan paling populer di seluruh dunia termasuk Indonesia. Contoh beberapa perusahaan yang menggunakan ERP ini yaitu: BMW, Coca Cola, Intel, Netsle, dll. Modulnya adalah sebagai berikut: Accounting, Sales & Service, Project & Resource Manajement, Inventory & Distribution, Purchasing, Production & MRP (Material Requirement Planning). MRP adalah cikal bakal terbangunnya ERP.
3	Oracle NetSuite	Oracle sebenarnya mempunyai software ERP sendiri. Namun pada tahun 2016, Oracle mengakuisisi NetSuite. Akhirnya sejak tahun 2016, NetSuite dikembangkan oleh Oracle. Perusahaan yang menggunakan ERP ini antaranya: LG Electronik, Telkomsel, dll. Modulnya yaitu: Finance Accounting, Order Management, Production Management, Warehouse & Order Fulfillment, Procurement, Human Capital Manajement.
ERP Lainnya
4	Ecount ERP	Dibentuk sejak tahun 1999 di Korea Selatan, Software Ecount awalnya ditargetkan untuk perusahaan UKM. Seiring dengan perkembangan dan penambahan fitur, Ecount me-rebrand menjadi Ecount ERP dan mulai memasarkan produknya di luar Korea Selatan sejak tahun 2012. Dengan kantor perwakilan di Amerika, China, Vietnam, Malaysia dan Indonesia, Ecount ERP mengabarkan bahwa softwarenya sudah dipakai di 40.000 perusahaan di seluruh dunia. Software ERP Indonesia yang satu ini cocok banget untuk Anda yang baru memulai usaha. Yang paling menarik adalah harganya, yaitu 700ribu per bulan untuk unlimited user. Namun tentunya terdapat beberapa kekurangan dengan nominal harga tersebut.
5	MASERP	ERP Lokal asal Indonesia. MAS Software sendiri sudah berdiri sejak tahun 1984, jadi kalau Anda berkerja di perusahaan yang sudah berpuluhan tahun, perusahaan Anda mungkin sudah tau tentang MAS Software. MAS Software adalah perusahaan lokal yang mengembangkan software ERP di Indonesia dengan accounting sebagai corenya. MASERP juga sudah digunakan oleh ribuan perusahaan di Indonesia, baik skala nasional maupun internasional, seperti Pembangunan Jaya, Bitdefender, Schneider Electric, Opple Lighting dan lainnya. Dimulai sebagai software akuntansi, sekarang fitur MAS Software sudah dikembangkan dan memiliki fitur lengkap seperti: Inventory Management (Multi Warehouse), Account Receivable, Account Payable, General Ledger / Accounting (Multi Cabang/Cost Center), dan lainnya. Software ERP MASERP juga dapat dipasang di server Anda secara offline/hybrid online, jadi bagi Anda yang khawatir dengan keamanan database Anda, dengan server sendiri Anda bisa memegang kendalinya. Tentunya, salah satu keunggulan MASERP adalah, kemampuannya untuk di customize dan integrasi.
6	Microsoft Dynamics	Microsoft Dynamics adalah perangkat lunak yang bertujuan untuk mengelola dan berinteraksi dengan pelanggan secara langsung. Sebagai CRM, Dynamics menyediakan pilihan yang lebih baik bagi pasar, lebih produktif dalam penjualan, dan memberikan solusi layanan pelanggan terbaik. Dynamics memberikan cara bagi perusahaan untuk menjaga pemasaran, penjualan, dan layanan pelanggan tetap terorganisir dan bersifat otomatis sehingga perusahaan dapat berfokus pada bisnis yang lebih bermakna serta hubungan dengan klien untuk membantu perusahaan agar berkembang. Dynamics memiliki kelebihan dari para pesaingnya karena memiliki integrasi yang baik dengan Cloud milik Microsoft serta berbagai produk bisnis Microsoft seperti Skype, Office  365, dan Outlook.
7	JD Edwards  Enterprise Software	JD Edwards sebagai penyedia Produk ERP, lebih mengedepankan aspek keluwesan (flexibility) dan keterbukaan (interoperability) antar modul aplikasi software di dalamnya. Jika menerapkan solusi ERP dari SAP, klien harus menggunakan modul-modul terstruktur yang dikembangkan secara internal dari vendor tersebut. Sedangkan JD Edwards mendukung dan mengakomodasi sistem yang mengintegrasikan berbagai modul-modul dari vendor berbeda yang diinginkan oleh pelanggannya. Sehingga kita dapat memilih sendiri database, sistem operasi dan hardware apa yang akan digunakan sehingga solusi dapat dibangun berdasarkan kebutuhan dan kemampuan perusahaan. Selain itu dengan filosofi platform terbuka, produk ERP dari JD. Edwards mampu berjalan di hampir setiap jenis platform perangkat keras dan perangkat lunak yang ada.
8	PeopleSoft	Pada awalnya PeopleSoft adalah pengembang aplikasi software untuk manajemen SDM dan akunting. Seiring dengan perkembangan pengalamannya memberikan solusi penerapan sistem informasi kepada para kliennya, perusahaan yang didirikan pada tahun 1987 tersebut kemudian meningkatkan ruang lingkup produknya hingga ke setiap aspek unit bisnis. Sama seperti JD. Edwards, PeopleSoft mengembangkan aplikasi ERP-nya dengan konsep arsitektur terbuka. Dengan konsep arsitektur terbuka ini memungkinkan para kliennya membangun sistem ERP yang dapat secara mudah terintegrasi dengan sistem-sistem internal yang sudah dibangun sebelumnya. Akuisisi Peoplesoft oleh Oracle makin menambah keragaman produk oracle dan memperluas dukungan terhadap produknya baik dari produk database maupun aplikasinya.
9	Compiere ERP	Compiere yang dibangun menggunakan bahasa pemrograman modern JAVA (ERP lain kebanyakan masih menggunakan bahasa pemrograman lama yang sudah out of date), memungkinkan aplikasi ini berjalan di berbagai platform seperti Windows, Linux, Unix, Solaris dan lain lain. Hal ini membuat Compiere memiliki fleksibilitas yang tinggi dimana klien dapat menentukan jenis OS dan Hardware yang akan mereka pakai dengan menyesuaikan terhadap kebutuhan dan anggaran yang tersedia. Compiere juga sangat mudah di Customize, didalam aplikasi Compiere terdapat modul Application Dictionary dimana anda dapat menambah windows, membuat form, field, dan lain lain tanpa harus melalui source code dan tanpa menyentuh bahasa pemrograman.
10	Dan lain-lain	-

 

7. Kapan Sebaiknya Menggunakan ERP?

1)     Ketika staf menghabiskan banyak waktu pada tugas yang semestinya tidak dilakukan secara manual.
2) Anda tidak memiliki akses data yang cepat dan mudah.
3) Anda bekerjasama dengan berbagai vendor/supplier dari berbagai wilayah.
4) Semua divisi telah menerapkan aplikasi, tetapi belum terintegrasi.

 

8. Kesimpulan dari Video

“ERP adalah solusi manajemen data yang kuat. Karena dapat merampingkan proses bisnis dengan mengotomatisasi pemrosesan data.”

 

REFERENSI 1. Materi Pembelajaran ERP dari Dosen: https://youtu.be/uQD14fk153w 2. https://www.mas-software.com/blog/software-erp-indonesia-terbaik 3. https://winpoin.com/apa-itu-microsoft-dynamics/ 4. https://jeanneroselia.wordpress.com/2013/07/19/macam-macam-software-erp/    Note: Mohon maaf jika tampilan masih kurang rapi, dikarenakan dicopy dari file tugas.