Penyelesaian masalah atau pemecahan masalah adalah usaha mencari penjelasan dan jawaban dari setiap masalah yang dihadapi. Upaya penyelesaian masalah melalui pemilihan dari beberapa alternatif atau opsi yang mendekati kebenaran atau dianggap benar untuk suatu tujuan tertentu.

Pemecahan masalah merupakan bagian dari proses berpikir. Sesuai dengan pernyataan Marzano dkk. mengungkapkan bahwa pemecahan masalah adalah salah satu bagian dari proses berpikir yang berupa kemampuan untuk memecahkan persoalan. Terminologi penyelesaian masalah digunakan secara ekstensif dalam psikologi kognitif yakni bertujuan untuk mendeskripsikan "semua bentuk dari kesadaran, pengertian, atau kognisi". Kemampuan penyelesaian masalah ering dianggap merupakan proses paling kompleks di antara semua fungsi kecerdasan. Pemecahan masalah telah didefinisikan sebagai proses kognitif tingkat tinggi yang memerlukan modulasi dan kontrol lebih dari keterampilan-keterampilan dasar. Proses ini terjadi jika suatu makhluk hidup atau sistem kecerdasan buatan tidak mengetahui bagaimana untuk bertindak dari suatu kondisi awal menuju kondisi yang dituju. Kemampuan pemecahan masalah dapat pula diartikan sebagai kemampuan dasar yang dimiliki oleh peserta didik untuk menyelesaikan masalah yang berkaitan dengan kehidupan sehari-hari sehingga berdampak pada pengembangan diri peserta didik.

Keterampilan pemecahan masalah bisa diajarkan kepada orang yang mengidap cedera otak menggunakan langkah-langkah berpikir atau bernalar, tetapi membutuhkan penanganan dan metode khusus. Hal ini tentunya harus disertai dengan motivasi pasien. Dengan demikian, kemampuan dalam menyelesaikan masalah dapat dikembangkan secara sistematis dan bertahap untuk membentuk kemampuan hingga mencapai target yang diharapkan.

Definisi dan penyebab timbulnya masalah

Masalah adalah suatu situasi stimulus yang didapati seseorang ketika mereka tidak siap menghadapinya, sehingga mereka tidak bisa merespons situasi tersebut dengan cepat. Sementara itu, para ahli mendefinisikan masalah sebagai situasi yang tidak biasa ditemui. Masalah juga dapat didefinisikan sebagai situasi di mana terdapat perbedaan antara keadaan awal dan keadaan tujuan sehingga tidak ada solusi instan yang dapat digunakan langsung untuk menyelesaikan hal tersebut. Adapun masalah ditentukan oleh berbagai faktor penyebab.

Faktor terjadinya masalah adalah sebagai berikut.

Potret kemiskinan yang merupakan salah satu faktor penyebab timbulnya masalah sosial dari bidang ekonomi. Permasalahan ini dapat merembet pada faktor lainnya seperti biologis dan psikologis.

1. Faktor Ekonomi

Masalah sosial yang berkaitan dengan masalah ekonomi yang biasanya berupa pengangguran, kemiskinan, dan yang lainnya. Kemiskinan dan pengangguran yang disebabkan kurangnya lapangan pekerjaan biasanya menjadi tanggung jawab pemerintah. Faktor ekonomi juga dapat dijadikan sebagai acuan maju atau tidaknya suatu negara, serta faktor ekonomi dapat memengaruhi masalah sosial politik pada aspek psikologis dan biologis masyarakat.

2. Faktor Budaya

Budaya yang semakin berkembang dalam masyarakat memiliki peran penting dalam kehidupan. Hal ini dapat menjadi salah satu penyebab timbulnya masalah sosial. Salah satu contohnya, seperti pada pernikahan usia dini, kawin cerai, dan masih banyak yang lainnya. Masalah sosial yang disebabkan oleh faktor budaya dipicu karena adanya ketidaksesuaian pelaksanaan norma, nilai, dan kepentingan sosial akibat adanya proses perubahan sosial dan pola masyarakat yang heterogen atau multikultural.

3. Faktor Biologis

Faktor ini bisa menyebabkan timbulnya sebuah masalah sosial misalnya seperti kurang gizi, penyakit menular, dan lain sebagainya. Hal ini dapat terjadi karena kurangnya fasilitas kesehatan yang layak sehingga kebutuhan masyarakat akan layanan kesehatan tidak terpenuhi. Selain itu, faktor biologis juga bisa terjadi karena kondisi ekonomi dan pendidikan masyarakat yang masih rendah sehingga mempengaruhi kesehatan fisiologis dan biologisnya.

4. Faktor Psikologis

Faktor ini berhubungan dengan masalah pola pikir suatu masyarakat atau pribadi tertentu yang bersinggungan dengan tatanan kehidupan sosial yang ada. Masalah seperti ini bisa muncul apabila psikologis sebuah masyarakat sangat lemah. Faktor psikologis juga bisa muncul apabila adanya beban hidup yang sangat berat. Hal ini cenderung dirasakan oleh masyarakat yang tinggal di daerah perkotaan. Banyaknya pekerjaan yang menumpuk dapat menimbulkan stress sehingga dapat menimbulkan luapan emosi hingga mampu memicu sebuah konflik di antara anggota masyarakat.

Penyelesaian masalah dalam berbagai kajian ilmu

• Psikologi

Pemecahan masalah dalam psikologi mengacu pada proses menemukan solusi untuk masalah yang dihadapi dalam kehidupan. Keefektifan penyelesaian masalah dapat dikembangkan melalui restukturisasi kognitif dan pelatihan dalam kemampuan bersosial. Para ahli profesional kesehatan mental mempelajari proses pemecahan masalah manusia menggunakan metode seperti introspeksi, behaviorisme, simulasi, pemodelan komputer, dan eksperimen. Psikolog sosial melihat ke dalam aspek hubungan orang-lingkungan dari masalah dan metode pemecahan masalah yang independen dan saling bergantung. Pemecahan masalah telah didefinisikan sebagai proses kognitif tingkat tinggi dan fungsi intelektual yang membutuhkan modulasi dan kontrol keterampilan yang lebih sederhana atau mendasar.

Pemecahan masalah memiliki dua domain utama: pemecahan masalah matematis dan pemecahan masalah pribadi. Keduanya dilihat dari beberapa kesulitan atau hambatan yang dihadapi. Penelitian empiris menunjukkan terdapat banyak strategi dan faktor yang berbeda dalam memengaruhi pemecahan masalah sehari-hari. Istilah pemecahan masalah sosial mengacu pada proses pemecahan masalah seperti yang terjadi di lingkungan alam atau "dunia nyata". Oleh karena itu, studi tentang pemecahan masalah sosial berkaitan dengan semua jenis masalah yang mungkin memengaruhi fungsi seseorang, termasuk masalah impersonal (misalnya, kekurangan finansial atau menjadi korban pencurian), masalah pribadi atau intrapersonal (emosional, perilaku, kognitif, atau masalah kesehatan), masalah interpersonal (misalnya, konflik perkawinan atau perselisihan keluarga), serta masalah masyarakat sekitar hingga yang lebih luas (misalnya, kejahatan atau diskriminasi rasial).

• Ilmu kognitif

Dalam ilmu kognitif, pemecahan masalah dipahami sebagai kegiatan mencari penjelasan yang diarahkan pada tujuan pada berbagai kemungkinan solusi yang dirasakan dalam domain tertentu yang disebut "ruang masalah." Pemikiran akan ruang masalah seperti itu dianggap dapat dilakukan dalam simulasi upaya pemecahan masalah bagi pemula, di mana mereka masih memiliki sedikit pengalaman dalam mencoba memecahkan masalah baru. Namun, hal ini tidak dapat digunakan secara sederhana dalam menjelaskan bagaimana para ahli seperti master catur, fisikawan atau desainer, yang memiliki pengetahuan menyeluruh dan pemahaman sistematis dapat memecahkan masalah sulit di bidang keahlian mereka.

Banyak ahli mendeskripsikan pemecahan masalah dan proses pembentukan pemikiran sebagai kemampuan struktur dan proses mental yang kompleks, biasanya yang istimewa untuk masalah tertentu dan tidak mudah digeneralisasi dari satu domain masalah ke domain lainnya. Hal ini berarti bahwa pemecahan masalah biasanya spesifik untuk masalah tententu.

Namun, pengalaman dalam memecahkan masalah terdahulu dapat dijadikan acuan dalam menyelesaikan masalah lainnya yang serupa. Hal ini karena proses kognitif yang mendasari penyelesaian masalah teoritis di dalam laboratorium dapat mewakili proses kognitif pada pemecahan masalah yang "nyata". Oleh karena itu, masalah teoritis digunakan agar lebih mudah dipahami dan dianggap dapat menyederhanakan masalah yang lebih kompleks. Walau kemudian disadari jika masalah teoretis tersebut tidak dapat digunakan untuk menyederhanakan masalah pada keadaan sesungguhnya yang lebih kompleks.

• Ilmu komputer

Ilmu komputer adalah studi tentang masalah, pemecahan masalah, dan solusi yang dipilih melalui proses pemecahan masalah. Ketika terdapat masalah, ilmuwan komputer berusaha untuk mengembangkan algoritme, yakni prosedur berupa langkah-langkah untuk memecahkan setiap masalah yang mungkin muncul. Algoritme adalah proses bertahap yang jika diikuti akan menyelesaikan masalah, dapat disebut juga sebuah solusi.

Penting untuk disebutkan bahwa komputer itu sendiri tidak dapat memecahkan masalah. Petunjuk langkah demi langkah yang tepat harus diberikan untuk memecahkan masalah. Dengan demikian, keberhasilan komputer dalam memecahkan masalah tergantung pada seberapa benar dan tepat para ahli komputer mendefinisikan masalah, merancang solusi (algoritme) dan mengimplementasikan solusi (program) menggunakan bahasa pemrograman. Jadi, pemecahan masalah dalam ilmu komputer adalah proses mengidentifikasi masalah, mengembangkan algoritme untuk masalah yang diidentifikasi dan akhirnya menerapkan algoritme untuk mengembangkan program komputer.

Tahapan penyelesaian masalah

Dalam menyelesaikan masalah, terdapat beberapa tahapan yang dapat dilakukan, Adapun menurut J.Dewey tahapan penyelesaian masalah tersebut antara lain:

1. Merumuskan masalah

Tahap pertama yang dilakukan untuk menyelesaikan masalah adalah untuk mengidentifikasi masalah. Tahapan identifikasi masalah ini dapat dilakukan menggunakan kegiatan brain storming. Adapun kemampuan yang diperlukan pada tahap ini adalah mengetahui dan merumuskan masalah secara jelas.[19] Tahap ini merupakan hal yang penting karena seseorang cenderung tidak menyadari masalah utama yang mereka hadapi. Hal ini terkadang dapat berpengaruh pada tahap selanjutnya yang tidak maksimal.

2. Menelaah masalah

Setelah mengetahui dan merumuskan masalah, tahap selanjutnya adalah menelaah atau mendiagnosis masalah. Pada tahap ini pengetahuan yang dimiliki sangat diperlukan untuk dapat memerinci dan menganalisa masalah dari berbagai sudut pandang.

3. Merumuskan hipotesis

Tahapan selanjutnya adalah merumuskan hipotesis atau alternatif strategi penyelesaian masalah. Pada tahap ini, seseorang dituntut untuk berpikir secara kreatif, divergen, menghayati setiap ruang lingkup dan sebab akibat untuk menemukan berbagai alternatif penyelesaian.

4.  Mengumpulkan data

Dalam mengumpulkan data dibutuhkan kecakapan mencari dan menyusun data, kemudian menyajikan data dalam bentuk diagram, gambar, atau tabel. Hal ini dapat memudahkan untuk mengelompokkan dan menggunakan data pada tahap selanjutnya.

5. Membuktikan hipotesis

Tahapan berikutnya adalah membuktikan hipotesis menggunakan data yang sudah dikumpulkan. Kemampuan yang diperlukan pada tahap ini adalah menelaag dan membahas data. Selanjutnya menghubungkan serta mengambil keputusan hingga merumuskan kesimpulan adalah kemampuan yang diperlukan.

6. Menentukan pilihan penyelesaian

Pada tahap akhir dari proses penyelesaian masalah adalah menentukan pilihan penyelesaian. Pilihan penyelesaian ini berdasarkan alternatif pilihan yang telah dirumuskan dan didukung dengan hasil dari pembuktian hipotesis yang telah dilakukan. Pada tahap ini dibutuhkan kecakapan dalam membuat alternatif penyelesaian dengan memperhitungkan akibat yang akan terjadi pada setiap pilihan. Tahap selanjutnya seteleh menentukan penyelesaian adalah mengimplementasikan pemikiran menjadi sebuah aksi nyata.

Keseluruhan tahapan ini disebut sebagai sebuah siklus yang berulang. Di mana ketika sudah sampai tahap menentukan pilihan kemudian diimplementasikan dan dilihat kembali solusi tersebut apakah berfungsi atau tidak. Apabila hasilnya tidak maksimal dan masalah tidak terselesaikan dengan baik, maka harus diperhatikan kembali pada tahap 1 yakni identifikasi masalah. Dengan demikian siklus kembali berlanjut hingga sampai pada solusi yang diharapkan dapat menyelesaikan masalah.

Pada proses pencarian alternatif solusi terkadang diperlukan wawasan sebagai sudut pandang dalam menentukan jawaban. Wawasan atau insight adalah solusi tiba-tiba untuk masalah lama, pengenalan ide baru yang muncul tiba-tiba, atau pemahaman yang tiba-tiba tentang situasi yang kompleks. Hal tersebut disebut pula sebagai momen Aha!. Solusi yang ditemukan melalui wawasan seringkali lebih akurat daripada yang ditemukan melalui analisis langkah demi langkah. Untuk memecahkan lebih banyak masalah pada tingkat yang lebih cepat, wawasan diperlukan untuk memilih langkah-langkah produktif pada berbagai tahap siklus pemecahan masalah. Strategi pemecahan masalah ini berkaitan secara khusus dengan masalah yang disebut sebagai masalah wawasan.

Penyelesaian masalah sederhana dan kompleks

Pemecahan masalah kompleks (CPS) dapat dibedakan dari pemecahan masalah sederhana (SPS). Ketika berhadapan dengan SPS akan ditemui satu kendala sederhana yang terdapat di antara keadaan awal dan tujuan ingin dicapai. Namun, CPS dapat terdiri dari satu atau lebih kendala pada suatu waktu, berupa hambatan yang kompleksitas dan berubah secara dinamis dari waktu ke waktu. Dalam contoh kehidupan nyata, seorang ahli bedah di tempat kerja memiliki masalah yang jauh lebih kompleks daripada seorang individu yang memutuskan sepatu apa yang akan dipakai. Dengan demikian dalam kehidupan, sangat mungkin ditemui penyelesaian masalah sederhana maupun kompleks.

Faktor yang memengaruhi penyelesaian masalah

Penyelesaian masalah merupakan salah satu keterampilan intelektual yang lebih tinggi dari keterampilan lainnya. Hal ini karena apabila dilihat dari aspek kognitifnya dalam memecahkan masalah tentunya diperlukan kemampuan atau keterampilan dasar tertentu. Kemampuan penyelesaian masalah ini bukan hanya sekedar pengetahuan dan pemahaman, akan tetapi sudah mencapai tingkatan analisis.

Terdapat beberapa faktor yang memengaruhi penyelesaian masalah, diantaranya:

1. Faktor Internal

Faktor internal adalah faktor yang memengaruhi proses penyelesaian masalah dam berasal dari dalam diri seseorang.

• Motivasi

Motivasi yang rendah akan mengalihkan perhatian seseorang sehingga mereka tidak fokus akan masalah yang dihadapinya. Sementara motivasi yang tinggi akan membatasi fleksibilitas seseorang. Jika seseorang memfokuskan perhatiannya pada beragam masalah, maka tindakan menceburkan diri ke dalam masalah itu merupakan salah satu sebab membesarnya masalah. Melibatkan diri ke dalam masalah-masalah orang lain itu lebih buruk hasilnya dari yang diharapkan.

• Kepercayaan dan sikap yang salah

Asumsi yang salah dapat menyesatkan seseorang, selanjutnya rujukan yang tidak cermat dapat menghambat efektivitas penyelesaian masalah. Sikap yang defensif, (misalnya, kurang kepercayaan pada diri sendiri), akan cenderung menolak informasi baru, merasionalisasikan kekeliruan, dan mempersukar penyelesaian.

• Kebiasaan

Kebiasaan dapat mendorong kecenderungan untuk mempertahankan pola pikir tertentu sehingga hanya melihat masalah hanya dari satu sisi. Kebiasaan ini cenderung dibentuk berdasarkan aktivitas harian yang berulang dilakukan. Dengan demikian, mencari wawasan dan pengetahuan baru dapat mengembangkan pola pikir yang dapat membantu memandang masalah dari berbagai sudut pandang.

• Emosi

Emosi dapat mewarnai cara berpikir seseorang sebagai manusia. Namun, ketika emosi sudah mencapai intesitas tinggi akan menyebabkan stress sehingga kesulitan untuk berpikir secara efisien. Emosi juga akan mengurangi kemampuan mengantarkan kepada ketidakmampuan untuk bertindak dalam kondisi yang berbeda-beda, serta tidak mampu untuk menghadapi masalah-masalahnya atau berpikir jernih dalam mencari solusinya.

2. Faktor Eksternal

Faktor eksternal siswa adalah faktor yang berasal dari luar siswa, yang meliputi lingkungan sosial dan faktor lingkungan nonsosial.

Faktor lingkungan sosial adalah faktor yang meliputi keberadaan orang lain yang mendukung pembentukan proses penyelesaian masalah, misalnya para guru, staf administrasi, teman-teman, rekan kerja, keluarga, dan lainnya. Faktor nonsosial adalah faktor yang keberadaannya dan penggunaannya diharapkan dapat berfungsi sebagai sarana untuk tercapainya tujuan belajar yang telah dirancang dan turut menentukan tingkat keberhasilan dalam belajar meliputi keberadaan gedung sekolah, tempat tinggal, alat-alat praktikum, perpustakaan, sarana prasarana dan lain-lain. Selain itu, khusus bagi siswa, model atau metode pembelajaran yang digunakan, lingkungan belajar yang diciptakan dan pemberian motivasi dari guru.

Disadur dari: 

Kumpulan data (atau dataset) adalah kumpulan data. Dalam kasus data tabular, kumpulan data berhubungan dengan satu atau beberapa tabel basis data, di mana setiap kolom tabel mewakili variabel tertentu, dan setiap baris berhubungan dengan catatan tertentu dari kumpulan data yang dimaksud. Kumpulan data mencantumkan nilai untuk setiap variabel, seperti misalnya tinggi dan berat objek, untuk setiap anggota kumpulan data. Kumpulan data juga dapat terdiri dari kumpulan dokumen atau file.

Dalam disiplin data terbuka, set data adalah unit untuk mengukur informasi yang dirilis dalam repositori data terbuka publik. Portal data.europa.eu mengumpulkan lebih dari satu juta set data.

Properti

Beberapa karakteristik mendefinisikan struktur dan properti set data. Ini termasuk jumlah dan jenis atribut atau variabel, dan berbagai ukuran statistik yang berlaku untuk mereka, seperti deviasi standar dan kurtosis.

Nilai dapat berupa angka, seperti bilangan real atau bilangan bulat, misalnya mewakili tinggi badan seseorang dalam sentimeter, tetapi juga dapat berupa data nominal (yaitu, tidak terdiri dari nilai numerik), misalnya mewakili etnis seseorang. Secara lebih umum, nilai dapat berupa salah satu jenis yang digambarkan sebagai tingkat pengukuran. Untuk setiap variabel, nilainya biasanya memiliki jenis yang sama. Nilai yang hilang mungkin ada, yang harus ditunjukkan dengan cara apa pun.

Dalam statistik, kumpulan data biasanya berasal dari pengamatan aktual yang diperoleh dengan mengambil sampel dari populasi statistik, dan setiap baris sesuai dengan pengamatan pada satu elemen dari populasi tersebut. Kumpulan data selanjutnya dapat dihasilkan oleh algoritme untuk tujuan pengujian jenis perangkat lunak tertentu. Beberapa perangkat lunak analisis statistik modern seperti SPSS masih menyajikan data mereka dalam bentuk kumpulan data klasik. Jika ada data yang hilang atau mencurigakan, metode imputasi dapat digunakan untuk melengkapi kumpulan data.

Klasik

Beberapa set data klasik telah digunakan secara luas dalam literatur statistik:

• Kumpulan data bunga iris - Kumpulan data multivariat yang diperkenalkan oleh Ronald Fisher (1936). Disediakan secara online oleh University of California-Irvine Machine Learning Repository.
• Basis data MNIST - Gambar angka tulisan tangan yang biasa digunakan untuk menguji algoritma klasifikasi, pengelompokan, dan pemrosesan gambar
• Analisis data kategorikal - Kumpulan data yang digunakan dalam buku, Pengantar Analisis Data Kategorikal, yang disediakan secara online oleh UCLA Advanced Research Computing.
• Statistik yang kuat - Kumpulan data yang digunakan dalam Robust Regression and Outlier Detection (Rousseeuw dan Leroy, 1968). Disediakan secara online di University of Cologne.
• Deret waktu - Data yang digunakan dalam buku Chatfield, Analisis Deret Waktu, disediakan secara online oleh StatLib.
• Nilai-nilai ekstrem - Data yang digunakan dalam buku, Pengantar Pemodelan Statistik Nilai Ekstrem adalah cuplikan data yang disediakan secara online oleh Stuart Coles, penulis buku tersebut.
• Analisis Data Bayesian - Data yang digunakan dalam buku ini disediakan secara online (tautan arsip) oleh Andrew Gelman, salah satu penulis buku ini.
• Data hati Bupa - Digunakan dalam beberapa makalah dalam literatur pembelajaran mesin (data mining).
• Kuartet Anscombe - Kumpulan data kecil yang menggambarkan pentingnya membuat grafik data untuk menghindari kekeliruan statistik

Disadur dari: https://en.wikipedia.org/

Visualisasi data dilihat oleh banyak bidang ilmu sebagai komunikasi visual modern. Visualisasi data tidak berada di bawah bidang manapun, melainkan interpretasi di antara banyak bidang (misalnya, terkadang dilihat sebagai cabang modern dari statistik deskriptif oleh beberapa orang, tetapi juga sebagai dasar alat pengembangan oleh yang lain). Visualisasi data mengikutkan pembuatan dan kajian dari representasi visual dari data, artinya "informasi yang telah diabstraksikan dalam bentuk skematis, termasuk atribut atau variabel dari unit informasi". 

Tujuan utama dari visualisasi data adalah untuk mengkomunikasikan informasi secara jelas dan efisien kepada pengguna lewat grafik informasi yang dipilih, seperti tabel dan grafik. Visualisasi yang efektif membantu pengguna dalam menganalisis dan penalaran tentang data dan bukti. Ia membuat data yang kompleks bisa diakses, dipahami dan berguna. Pengguna bisa melakukan pekerjaan analisis tertentu, seperti melakukan pembandingan atau memahami kausalitas, dan prinsip perancangan dari grafik (contohnya, memperlihatkan perbandingan atau kausalitas) mengikuti pekerjaan tersebut. Tabel pada umumnya digunakan saat pengguna akan melihat ukuran tertentu dari sebuah variabel, sementara grafik dari berbagai tipe digunakan untuk melihat pola atau keterkaitan dalam data untuk satu atau lebih variabel.

Visualisasi data adalah seni dan sains. Laju di mana data dikeluarkan telah meningkat, dipicu oleh meningkatnya ekonomi berbasis informasi. Data yang dibuat oleh aktivitas internet dan sejumlah sensor yang makin bertambah dalam lingkungan, seperti satelit dan kamera jalan, disebut sebagai "Big data". Pemrosesan, analisis dan mengkomunikasikan data tersebut menciptakan berbagai tantangan analisis bagi visualisasi data. Bidang ilmu data dan pelakunya yang disebut ilmuwan data telah muncul untuk membantu mengatasi tantangan tersebut.

Gambaran Umum

Visualisasi data mengacu pada teknik yang digunakan untuk mengkomunikasi data atau informasi dengan membuatnya sebagai objek visual (misalnya, titik, garis, atau batang) dalam grafik. Tujuannya yaitu untuk mengkomunikasikan informasi secara jelas dan efisien kepada pengguna. Ia merupakan salah satu tahap dalam analisis data atau ilmu data. Menurut Friedman (2008) "tujuan utama dari visualisasi data adalah untuk mengkomunikasikan informasi secara jelas dan efektif dengan cara grafis. Bukan berarti visualisasi data harus terlihat membosankan supaya berfungsi atau sangat canggih supaya terlihat menarik. Untuk memaparkan ide secara efektif, bentuk estetis dan fungsionalitas harus berbarengan, menyediakan wawasan bagi kumpulan data yang kompleks dan jarang dengan mengkomunikasikan aspek-aspek kunci dengan cara yang intuitif. Namun perancang terkadang gagal mencapai keseimbangan antara bentuk dan fungsi, menciptakan visualisasi data yang menawan yang gagal menyediakan tujuan utamanya -- untuk mengkomunikasikan informasi". 

Fernanda Viegas dan Martin M. Wattenberg menyarankan bahwa sebuah visualisasi yang ideal tidak hanya harus mengkomunikasikan secara jelas, tetapi menstimulasi atensi dan keterlibatan penonton. 

Visualisasi data secara dekat berkaitan dengan grafik informasi, visualisasi informasi, visualisasi ilmiah, eksplorasi analisis data dan grafik statistis. Pada milenia baru, visualisasi data telah menjadi wilayah penelitian, pengajaran dan pengembangan yang aktif. Menurut Post dkk. (2002), visualisasi data telah menyatukan visualisasi informasi dan ilmiah. 

Karakteristik dari penampilan grafik yang efektif

Profesor Edward Tufte menjelaskan bahwa pengguna dari tampilan informasi melakukan pekerjaan analitis tertentu seperti membuat perbandingan atau menentukan kausalitas. Prinsip perancangan dari grafik informasi harus mendukung pekerjaan analitis, memperlihatkan perbandingan atau kausalitas. 

Dalam bukunya tahun 1983 The Visual Display of Quantitative Information, Edward Tufte mendefinisikan 'tampilan grafik' dan prinsip-prinsip dari tampilan grafik yang efektif sebagai berikut: "Keberhasilan dalam grafik statistik terdiri dari mengkomunikasikan ide yang kompleks dengan kejelasan, ketepatan dan efisiensi. Tampilan grafis seharusnya:

• Memperlihatkan data
• Mendorong penglihat untuk berpikir tentang substansi bukan metodologi, rancangan grafik, teknologi dari produksi grafik atau hal lainnya
• Menghindari pengelabuan terhadap apa yang dikatakan oleh data
• Memberikan banyak angka dalam ruang yang kecil
• Membuat kumpulan data yang besar koheren
• Mendorong mata untuk membandingkan berbagai bagian berbeda dari data
• Membuka data pada beberapa tingkat kerincian, dari gambaran umum sampai struktur terakhir
• Melayani sebuah tujuan yang jelas: deskripsi, eksplorasi, tabulasi atau dekorasi
• Secara dekat berintegrasi dengan statistik dan deskripsi verbal dari sebuah kumpulan data.

Grafik menyingkap data. Tentu saja grafik bisa lebih tepat dan membuka daripada komputasi statisik konvensional." 

Sebagai contohnya, diagram Minard memperlihatkan kekalahan yang dialami oleh tentara Napoleon dalam periode 1812-1813. Enam variabel dipaparkan: ukuran tentara, lokasinya dalam dua-dimensi (x dan y), waktu, arah pergerakan, dan temperatur. Tampilan multivarian tersebut dalam dua dimensi menceritakan sebuah cerita yang dapat ditangkap langsung sementara mengidentifikasi sumber data untuk membangun sebuah kredibilitas. Tufte menulis pada tahun 1983 bahwa: "Ia mungkin saja grafik statistik terbaik yang pernah dilukis."

Dengan tidak menerapkan prinsip-prinsip tersebut bisa menghasilkan grafik menyesatkan, yang mengganggu pesan atau mendukung kesimpulan yang salah. Menurut Tufte, sampah-grafik mengacu pada dekorasi tambahan dari grafik yang tidak meningkatkan pesan, atau efek tiga dimensi atau perspektif yang serampangan. Secara sia-sia memisahkan kunci penjelasan dari gambar itu sendiri, membuat mata berpindah dari gambar ke penjelasan, adalah suatu bentuk dari "puing administratif". Rasio dari "data ke tinta" harus dimaksimalkan, menghapus tinta-tinta yang bukan data bila memungkinkan. 

Congressional Budge Office menyimpulkan beberapa praktik terbaik dalam menampilkan grafik dalam presentasi bulan Juni 2014, yaitu: a) Kenali penonton anda; b) Merancang grafik yang dapat berdiri sendiri di luar konteks dari laporan; dan c) Merancang grafik yang mengkomunikasikan pesan kunci dalam laporan. 

Pesan Kuantitatif

Sebuah rangkaian waktu digambarkan dengan grafik garis memperlihatkan tren pada pengeluaran dan pendapatan A.S. sepanjang waktu.

Sebuah scatterplot memperlihatkan korelasi negatif antara dua variabel (inflasi dan pengangguran ) dihitung sebagai titik dalam waktu.
Penulis Stephen Few menjelaskan delapan tipe pesan kuantitatif yang pengguna coba pahami atau komunikasikan dari sekumpulan data dan grafik yang digunakan untuk membantu mengkomunikasikan pesan:

• Rangkaian-waktu: sebuah variabel tunggal ditangkap selama periode waktu, seperti laju pengangguran selama 10 tahun. Sebuah grafik baris bisa digunakan untuk memperlihatkan tren ini.
• Peringkat: Pembagian kategoris diperingkatkan secara terurut menaik atau menurun, seperti peringkat peformansi penjualan (ukuran) berdasarkan penjual (kategori, dengan setiap penjual sebagai pembagian kategoris) selama satu periode tunggal. Sebuah grafik batang bisa digunakan untuk memperlihatkan perbandingan antara penjual.
• Sebagian-untuk-keseluruhan: Pembagian kategoris diukur sebagai sebuah rasio terhadap keseluruhan (misalnya, sebuah persentase dari 100%). Sebuah grafik lingkaran atau grafik batang dapat memperlihatkan perbandingan rasio, seperti kepemilikan saham direpresentasikan oleh kompetitor dalam sebuah pasar.
• Deviasi: Pembagian kategori dibandingkan dengan sebuah referensi, seperti perbandingan pengeluaran aktual terhadap anggaran untuk beberapa departemen dari sebuah bisnis pada periode waktu tertentu. Grafik batang dapat memperlihatkan perbandingan nilai aktual terhadap jumlah yang diacu.
• Distribusi frekuensi: Memperlihatkan jumlah observasi dari variabel tertentu terhadap rentang waktu tertentu, seperti jumlah tahun di mana pasar saham menguntungkan adalah antara interval seperti 0-10%, 11-20%, dll. Sebuah histogram, tipe dari grafik batang, bisa digunakan untuk analisis ini.
• Korelasi: Perbandingan antara observasi direpresentasikan oleh dua variabel (X, Y) untuk menentukan apakah mereka condong bergerak ke arah yang sama atau berlawanan. Sebagai contohnya, memplotkan pengangguran (X) dan inflasi (Y) untuk sampel beberapa bulan. Sebuah scatter plot biasanya digunakan untuk menyampaikan pesan tersebut.
• Perbandingan nominal: Membandingkan pembagian kategori tanpa urutan tertentu, seperti jumlah penjualan berdasarkan kode produk. Grafik batang bisa digunakan untuk pembandingan ini.
• Geografis atau geospasial: Perbandingan dari sebuah variabel di peta atau letak, seperti laju pengangguran berdasarkan negara bagian atau jumlah orang pada lantai di sebuah bangunan. Bagan yang digunakan biasanya adalah sebuah cartogram.

Analis yang meninjau sekumpulan data bisa mempertimbangkan apakah beberapa atau semua pesan dan tipe grafik di atas bisa diterapkan pada pekerjaan atau penonton mereka. Proses uji coba untuk mengidentifikasi keterkaitan dan makna pesan pada data adalah bagian dari eksplorasi analisis data.

Persepsi visual dan visualisasi data

Seseorang bisa membedakan perbedaan antara panjang dua garis, orientasi bentuk, dan warna (corak) tanpa usaha pemrosesan yang signifikan; hal ini disebut sebagai "atribut pra-atensi." Sebagai contohnya, mungkin membutuhkan waktu dan usaha ("pemrosesan atensi") untuk mengidentifikasi berapa kali angka "5" muncul dalam sekumpulan angka; tetapi jika angka tersebut berbeda dalam ukuran, orientasi, atau warna, instan dari angka tersebut dapat dilihat lebih cepat lewat pemrosesan pra-atensi. 

Grafik yang efektif menggunakan kelebihan pemrosesan pra-atensi dan atribut dan kekuatan relatif dan atribut tersebut. Sebagai contohnya, secara manusia dapat dengan mudah memroses perbedaan panjang garis daripada wilayah permukaan, akan lebih efektif menggunakan grafik batang (yang mengambil keuntungan panjang garis untuk memperlihatkan perbandingan) daripada grafik lingkaran (yang menggunakan wilayah permukaan). 

Terminologi

Visualisasi data mengikutkan terminologi khusus, beberapa diturunkan dari statistik. Sebagai contohnya, penulis Stephen Few mendefinisikan dua tipe data, yang digunakan secara kombinasi untuk mendukung analisis atau visualisasi yang bermakna:

• Kategorial: label teks menjelaskan sifat dari data, seperti "Nama" atau "Umur". Istilah ini melingkupi data kualitatif (bukan angka).
• Kuantitatif: Pengukuran angka, seperti "25" untuk merepresentasikan umur dalam tahun.

Dua tipe utama dari tampilan informasi adalah tabel dan bagan.

• Sebuah tabel mengandung data kuantitatif diatur dalam baris dan kolom dengan label kategorial. Secara umum digunakan untuk melihat nilai ilmiah. Pada contoh di atas, tabel bisa memiliki label kolom kategorial merepresentasikan nama (sebuah variabel kualitatif) dan umur (variabel kuantitatif) dengan setiap baris dari data merepresentasikan satu orang (unit eksperimental atau pembagian kategori dari sampel).
• Sebuah bagan biasanya digunakan untuk memperlihatkan keterkaitan antara data dan menggambarkan nilai yang dikodekan sebagai objek visual (misalnya, garis, batang, atau titik). Nilai numerik ditampilkan dalam sebuah wilayah yang digambarkan dengan satu atau lebih sumbu. Sumbu tersebut menyediakan skala (kuantitatif dan kategorial) yang digunakan untuk label dan memberi nilai ke objek visual. Banyak grafik disebut juga sebagai bagan.

Perpustakaan KPI telah mengembangkan "Tabel Periodik dari Metode Visualisasi", sebuah bagan interaktif yang memperlihatkan berbagai metode visualisasi data. Ia mengikutkan enam tipe dari metode visualisasi data: data, informasi, konsep, strategi, metafora dan gabungan. 

Perspektif lain

Ada pendekatan berbeda dalam ruang lingkup visualisasi data. Salah satu fokus umum yaitu pada presentasi informasi, seperti yang Friedman (2008) berikan. Dalam cara ini Friendly (2008) menganggap dua bagian utama dari visualisasi data: grafik statistik, dan kartografi tematik.  Dalam artikel "Data Visualization: Modern Approaches" (2007) memberikan ikhtisar tentang tujuh subjek dari visualisasi data: 

• Artikel dan sumber daya
• Menampilkan koneksi
• Menampilkan data
• Menampilkan berita
• Menampilkan situs
• Peta pikiran
• Alat dan layanan

Semua subjek tersebut secara dekat berkaitan dengan perancangan grafik dan representasi informasi.

Di lain sisi, dari perspektif ilmu komputer, Frits H. Post (2002) mengkategorikan bidang ilmu ini menjadi sejumlah sub-bidang:

• Visualisasi informasi
• Teknik interaksi dan arsitektur
• Teknik pemodelan
• Metode Multiresolusi
• Algoritme dan teknik visualisasi
• Visualisasi volume

Arsitektur presentasi data

Arsitektur Presentasi Data (APD) adalah sekumpulan keahlian yang mencoba mengidentifikasi, menempatkan, memanipulasi, memformat dan memberikan data dengan suatu cara untuk secara optimal mengkomunikasi makna dan memberikan pengetahuan.

Menurut sejarah, istilah APD diatribusikan ke Kelly Lautt:  "Arsitektur Presentasi Data adalah penerapan keahlian yang jarang digunakan untuk kesuksesan dan nilai dari Intelijensi Bisnis. Arsitektur presentasi data mengawinkan ilmu angka, data dan statisik dalam menemukan informasi yang berharga dari data dan membuatnya berguna, berkaitan dan dapat diaksikan dengan seni dari visualisasi data, komunikasi, psikologi organisasi dan manajemen perubahan dengan tujuan untuk menyediakan solusi intelijensi bisnis dengan ruang lingkup data, pemilihan waktu penyampaian, format dan visualisasi yang secara efektif akan mendukung dan mengarahkan perilaku operasional, taktikal, dan strategik ke arah tujuan bisnis (atau organisasi) yang dapat dipahami. APD bukanlah kemampuan teknologi informasi (TI) atau bisnis tetapi berada sebagai bagian ilmu keahlian yang terpisah. Terkadang dianggap dengan visualisasi data, APD adalah keahlian yang lebih luas yang mengikutkan penentuan data apa dan pada waktu kapan dan dalam format apa akan dipresentasikan, tidak hanya cara terbaik menampilkan data yang telah dipilih sebelumnya (yaitu visualisasi data). Kemampuan visualisasi data adalah salah satu elemen dari APD.

Objektif

PAD memiliki dua objektif utama:

• Menggunakan data untuk menyediakan pengetahuan dengan cara yang seefisien mungkin (meminimalkan noise, kompleksitas, dan data yang tidak perlu terhadap kebutuhan dan peran penonton)
• Menggunakan data untuk menyediakan pengetahuan dengan cara seefektif mungkin (menyediakan data yang relevan, berdasarkan waktu dan komplet untuk setiap anggota pengguna dengan cara yang jelas dan mudah dipahami sehingga menyingkap makna yang penting, dapat diaksikan dan dapat mempengaruhi pemahaman, perilaju dan keputusan)

Ruang lingkup

Dengan objektif di atas, pekerjaan sebenarnya dari arsitektur presentasi data terdiri dari:

• Membuat mekanisme penyampaian yang efektif untuk setiap pengguna bergantung kepada peran, pekerjaan, lokasi dan akses mereka terhadap teknologi
• Menentukan makna yang penting (pengetahuan yang berkaitan) yang dibutuhkan oleh setiap anggota pengguna di setiap konteks
• Menentukan periode perbaruan dari data yang dibutuhkan (peredaran dari data)
• Menentukan waktu yang tepat untuk presentasi data (kapan dan seberapa sering pengguna membutuhkan untuk melihat data)
• Menemukan data yang tepat (wilayah subjek, pencapaian riwayat, luasnya, tingkat kerincian, dll)
• Menggunakan analisis, pengelompokan, visualisasi, dan format presentasi lainnya yang tepat

Bidang ilmu terkait

Pekerjaan APD memiliki kesamaan dengan beberapa bidang lainnya, termasuk:

• Analisis bisnis dalam menentukan tujuan bisnis, mengumpulkan kebutuhan, pemetaan pemrosesan.
• Perbaikan proses bisnis yang mana tujuannya adalah untuk meningkatkan dan mempersingkat aksi dan keputusan dalam mendorong tujuan bisnis
• Visualisasi data dengan menggunakan teori-teori visualisasi yang telah pakem untuk menambahkan atau menyoroti makna atau kepentingan dalam presentasi data.
• Perancangan grafik atau pengguna: Saat istilah APD digunakan, ia menjadi semacam rancangan yang tidak mengindahkan beberapa rincian seperti selera warna, gaya, label dan perhatian estetika lainnya, kecuali elemen-elemen rancangan yang secara spesifik dibutuhkan atau menguntungkan bagi komunikasi makna, pengaruh, kesulitan atau informasi lain dari nilai bisnis. Sebagai contohnya,

1. Memilih lokasi untuk berbagai elemen representasi data pada sebuah halaman presentasi (seperti portal perusahaan, dalam sebuah laporan atau situs web) dengan tujuan untuk memperlihatkan hierarki, prioritas, kepentingan atau sebuah progres yang rasional bagi pengguna adalah bagian dari kemampuan APD.
2. Memilih untuk memberikan warna tertentu pada elemen grafis yang merepresentasikan data terhadap makna atau perhatian tertentu adalah bagian dari kemampuan APD.

• Arsitektur informasi, arsitektur informasi fokus pada data tak-terstruktur dan transformasi langsung dari konten yang sebenarnya (data, untuk APD) menjadi entitas dan kombinasi baru.
• Arsitektur solusi dalam menentukan rincian solusi yang optimal, termasuk ruang lingkup data yang digunakan, terhadap tujuan bisnis
• Analisis statistik atau analisis data yang mana ia menciptakan informasi dan pengetahuan dari data.

Disadur dari: https://en.wikipedia.org/

Teknik Fisika dan Prospeknya. Fisika merupakan salah satu mata pelajaran yang paling rumit di sekolah selain Matematika. Namun, tidak banyak yang memilih fisika sebagai jurusan di perguruan tinggi, salah satunya Teknik Fisika. Bagi kalian yang berencana memilih Teknik Fisika, ada baiknya mengenal jurusan ini lebih dalam. Karena sering kali mahasiswa salah memilih antara Fisika Murni dan Fisika Teknik. Yuk, kenalan dengan jurusan Teknik Fisika ini lebih dalam lagi!

Apa itu jurusan Teknik Fisika?

Teknik Fisika mempelajari fisika dan teknik, mulai dari desain, perencanaan, hingga konstruksi alat berat. Dalam fisika teknik, kamu akan menguasai metode numerik, matematika teknik, fisika, kimia, kuantum, konversi energi, termodinamika, dan lain-lain. Materi teknik mencakup bidang teknik elektro, teknik material, teknik proses, dan teknik mesin.

Melalui program studi ini, mahasiswa akan belajar tentang penerapan fisika dalam menggunakan dan memanfaatkan energi dalam kehidupan sehari-hari. Misalnya, menggunakan prinsip-prinsip fisika untuk membangun gedung yang hemat energi dan ramah lingkungan dengan memasang panel surya di atap. Dalam hal ini, Teknik Fisika UMN hadir untuk menjadi wadah bagi mahasiswa untuk mengembangkan penerapan ilmu fisika dalam pemanfaatan energi untuk menghadapi industri masa depan.

Teknik Fisika merupakan salah satu jurusan yang cukup bergengsi - beberapa kampus cukup terkenal memiliki jurusan teknik fisika. Jika Anda ingin mendaftar di jurusan ini, rangkaian ujian masuknya cukup rumit, dan Anda perlu mempersiapkan diri dengan baik.

Kenapa harus masuk jurusan Teknik Fisika?

Alasan memilih jurusan teknik fisika tentu saja karena kemajuan teknologi yang terus berkembang. Oleh karena itu, beberapa orang ingin memilih jurusan ini. Jurusan ini menantang namun tetap menyenangkan. Jika Anda masih bolak-balik memilih jurusan ini penting atau tidak, alasan-alasan berikut ini mungkin dapat membantu Anda untuk menentukan pilihan.

Fisika Teknik adalah kunci utama Teknik

Fisika Teknik merupakan salah satu acuan dari semua perkembangan teknologi yang ada. Ilmuwan teknik fisika juga menghasilkan banyak penemuan yang memudahkan kehidupan saat ini. Oleh karena itu, bidang ini dapat menjadi bagian dari Master Key Of Engineering karena jurusan teknik Fisika ini merupakan 'jembatan' bagi ilmu-ilmu teknik yang ada.
Jack of All Trades

Teknik Fisika dikenal sebagai Jack of All Trades karena bidang ini tidak hanya berpandangan jauh ke depan tetapi juga sangat luas secara keilmuan. Lulusan teknik fisika sangat diminati oleh para pengusaha dan sangat dibutuhkan di industri. Selain itu, prospek karir lulusan teknik fisika sangat beragam. Kamu bisa bekerja di hampir semua industri, termasuk di pemerintahan.

Pelopor Inovasi dan Inovasi

Mahasiswa jurusan ini diajarkan dasar-dasar ilmu fisika dan aplikasinya di dunia nyata serta menjadi pelopor penciptaan teknologi dan inovasi di Indonesia. Studi ilmiah ini dianggap sebagai kebanggaan teknik.

Pilihan Alternatif Non-Kesehatan

Sebagian besar siswa jurusan IPA mempertimbangkan untuk mengambil jurusan kesehatan setelah lulus. Banyak yang beranggapan bahwa ini adalah jurusan yang paling cocok. Namun, persepsi ini tidak selalu tepat karena Anda dapat memilih jurusan teknik Fisika selain bidang ilmu kesehatan. Bidang keilmuan ini sangat dekat dengan sains.

Prospek kerja yang luas

Alasan utama yang perlu dipertimbangkan ketika memilih program gelar sarjana adalah prospek kerja. Jika Anda memutuskan untuk belajar fisika teknik, banyak karir yang terbuka untuk Anda. Mulai dari sektor real estate, pertambangan, perminyakan, hingga pegawai negeri.

Apa saja yang akan kamu pelajari di jurusan Teknik Fisika?

Kamu bisa mempelajari hampir semua bidang teknik di jurusan ini. Teknik Fisika adalah jurusan dengan topik yang kompleks.

Di jurusan ini, kamu tidak hanya mempelajari fisika teoritis tetapi juga pemrograman, teknik elektronika, teknik sipil, kimia, material, dan lain sebagainya. Selain itu, fisika teknik berhubungan dengan perencanaan, desain, konstruksi, manajemen mesin, dan banyak lagi. Oleh karena itu, mahasiswa fisika mendapatkan berbagai pengetahuan dalam ilmu teknik (teknik mesin, teknik elektro, teknik kimia, teknik material) dan ilmu dasar (kimia, fisika, matematika).

Jadi dalam mata kuliah ini, Anda akan belajar banyak tentang hal-hal berikut:

• Fisika Dasar
• Fisika Modern
• Fisika Material
• Analisis Termal
• Mekanika Fluida
• Termodinamika
• Otomasi Industri
• Elektronika Analog dan Digital
• Medan Elektromagnetik
• Konversi energi
• Teknik Akustik
• Pemodelan Probabilitas dan Statistik

Mempelajari fisika teknik dengan spesialisasi manajemen energi. Kamu nantinya akan dapat mempelajari bagaimana menggunakan prinsip-prinsip fisika untuk membangun bangunan yang hemat energi dan ramah lingkungan. Sangat menyenangkan!

Teknik Fisika sangat ideal bagi mereka yang tertarik dengan teknik dan ilmu-ilmu dasar seperti fisika, kimia dan matematika. Selain itu, dengan pesatnya perkembangan teknologi yang semakin canggih, kebutuhan akan insinyur dengan keterampilan interdisipliner semakin meningkat.

Lima prospek karir yang menjanjikan bagi lulusan teknik fisika

Lulusan Teknik Fisika dapat bekerja sebagai insinyur profesional dalam berbagai disiplin ilmu. Setelah mempelajari semua aspek penting dalam bidang teknik, kamu akan memiliki kesempatan untuk bekerja di industri apa pun yang membutuhkan teknologi. Baik itu industri manufaktur yang biasanya diisi oleh mahasiswa teknik elektro atau teknik mesin, maupun industri proses yang identik dengan mahasiswa teknik kimia.

1. Industri Rekayasa dan Konstruksi

Lulusan teknik fisika dapat bekerja di industri teknik dan konstruksi. Industri ini sangat membutuhkan kamu sebagai lulusan teknik fisika. Di bidang ini, kamu bisa mengerjakan desain bangunan pabrik dan lain sebagainya. Bekerja di industri teknik dan konstruksi dapat memberikan masa depan yang cerah. Kamu bisa mendapatkan gaji di kisaran Rp 15.000.000,00.

2. Industri Pembangkit Listrik

Lulusan teknik fisika juga dapat bekerja di industri pembangkit listrik. Layaknya lulusan teknik elektro, kamu memiliki jenjang karir yang menjanjikan. Ilmu yang didapatkan selama kuliah juga sangat erat kaitannya dengan bidang ini. Bekerja di industri pembangkit listrik menawarkan masa depan yang cerah. Soal gaji, kamu bisa mendapatkan penghasilan yang cukup besar. Gaji yang bisa kamu dapatkan di industri ini sekitar Rp. Rp. 10.000.000,00 - 15.000.000,00.

3. Bekerja di BUMN

BUMN menjadi salah satu tujuan bagi para mahasiswa yang telah lulus kuliah. Bagi Anda yang lulus dengan gelar sarjana Teknik Fisika, Anda juga memiliki kesempatan yang sangat baik untuk bekerja di BUMN. BUMN yang cocok untuk lulusan Teknik Fisika misalnya adalah PLM, TELKOM, dan lain sebagainya. Bekerja di BUMN memang dapat menjamin masa depan yang cerah untukmu. Kamu bisa mendapatkan jenjang karir yang memuaskan dan tentunya penghasilan yang cukup besar. Gaji karyawan BUMN sangat bervariasi, mulai dari Rp 4.000.000,00 hingga puluhan juta rupiah sesuai dengan level jabatan.

4. Perusahaan Pertambangan

Prospek kerja yang dimiliki oleh lulusan Teknik Fisika selanjutnya adalah bekerja di perusahaan pertambangan. Bidang pekerjaan ini banyak dijadikan tujuan oleh mahasiswa, terutama di jurusan teknik. Alasan terbesarnya adalah profesi di perusahaan pertambangan dapat memberikan gaji yang besar. Kamu bahkan bisa mendapatkan penghasilan mulai dari Rp 5.000.0000 hingga ratusan juta rupiah di bidang ini.

5. Dosen

Jika kamu memiliki passion untuk mengajar, kamu bisa menjadi dosen setelah lulus dari jurusan Teknik Fisika ini. Lulusan dari berbagai jurusan bisa menjadi dosen asalkan mau melanjutkan studi ke jenjang pascasarjana untuk memenuhi persyaratan melamar sebagai dosen di universitas. Bekerja sebagai dosen akan membuat ilmu yang kamu dapatkan semakin bermanfaat. Dari profesi ini, Anda bisa mendapatkan gaji sebesar Rp3.000.000,00 hingga Rp5.000.000,00. Kompensasi yang kamu dapatkan bisa lebih besar lagi jika ditambah dengan tunjangan.

Nah, itu dia penjelasan mengenai Jurusan Teknik Fisika dan berbagai pilihan pekerjaannya. Bagi Anda yang ingin menjadi bagian dari jurusan teknik fisika, Anda perlu meningkatkan pengetahuan dasar matematika, fisika, dan kimia.

Kamu bisa mempelajari lebih lanjut mengenai jurusan teknik fisika di Universitas Multimedia Nusantara melalui website resmi UMN. Di sana kamu bisa memilih prosedur pendaftaran online sesuai dengan kriteria yang kamu inginkan. Yuk, daftar sekarang dan mulailah karirmu bersama UMN!

Disadur dari: https://www.umn.ac.id/

Resensi Paper: Cognitive Smart City Logistics – Solusi Cerdas untuk Last-Mile yang Berkelanjutan

Pendahuluan

Dalam era digitalisasi, logistik kota (city logistics) menghadapi tantangan besar, terutama dalam pengiriman last-mile yang berkontribusi lebih dari 20% total biaya rantai pasok. Selain itu, masalah seperti kemacetan, polusi udara, dan regulasi transportasi semakin menekan efisiensi logistik perkotaan. Oleh karena itu, penelitian ini mengusulkan Cognitive Smart City Logistics (CSCL) sebagai solusi berbasis AI, Digital Twins (DT), dan Internet of Things (IoT) untuk meningkatkan efisiensi, keberlanjutan, dan ketahanan sistem logistik perkotaan.

Konsep Cognitive Smart City Logistics (CSCL)

CSCL adalah pendekatan inovatif yang menggabungkan Digital Twins (DT), kecerdasan buatan (AI), dan IoT untuk menciptakan ekosistem logistik kota yang lebih efisien. Konsep utama dalam CSCL meliputi:

1. Digital Twin (DT) dalam Logistik Kota
   • DT adalah replika digital dari aset fisik yang memungkinkan pemantauan dan pengoptimalan real-time.
   • Dalam CSCL, DT digunakan untuk memodelkan kondisi lalu lintas, lokasi kendaraan, dan ketersediaan infrastruktur logistik.
2. Kecerdasan Buatan (AI) dan Analitik Data
   • AI digunakan untuk memprediksi permintaan, mengoptimalkan rute, dan mendukung pengambilan keputusan berbasis data.
   • Teknologi machine learning memungkinkan adaptasi sistem terhadap perubahan dinamis dalam ekosistem kota.
3. Internet of Things (IoT) untuk Interkoneksi Data
   • IoT menghubungkan berbagai sensor dan perangkat dalam ekosistem logistik, memungkinkan komunikasi antar sistem secara real-time.

Metodologi Penelitian

Penelitian ini menggunakan pendekatan studi kasus berbasis Digital Twin dan simulasi berbasis AI. Data dikumpulkan dari berbagai sumber untuk menguji efektivitas model CSCL dalam pengelolaan parkir kargo dan optimasi rute distribusi.

Studi Kasus & Hasil Empiris

1. Pengelolaan Parkir Kargo di Paris

• Masalah:
  • Waktu pencarian parkir kargo di pusat kota Paris mencapai lebih dari 1 jam, menyumbang 28% dari total waktu perjalanan.
  • Ketidaktersediaan data real-time menyebabkan ketidakefisienan dan peningkatan biaya operasional.
• Solusi CSCL:
  • Menggunakan DT dan AI untuk memantau ketersediaan tempat parkir secara real-time.
  • Menerapkan algoritma optimasi rute untuk mengurangi waktu pencarian parkir.
• Hasil:
  • Waktu pencarian parkir berkurang hingga 40%, meningkatkan efisiensi operasional dan mengurangi konsumsi bahan bakar.

2. Optimasi Pengiriman Last-Mile dengan Digital Twin

• Masalah:
  • Sistem logistik tradisional bergantung pada perencanaan statis, tidak fleksibel dalam menghadapi lonjakan permintaan.
• Solusi CSCL:
  • Digital Twin memprediksi kepadatan lalu lintas dan menyesuaikan rute secara dinamis.
  • AI digunakan untuk mengoptimalkan pembagian muatan dan penggunaan kendaraan.
• Hasil:
  • Efisiensi pengiriman meningkat 15%.
  • Pengurangan emisi CO₂ hingga 20%, mendukung keberlanjutan lingkungan.

Tantangan & Solusi Implementasi CSCL

1. Integrasi Sistem Digital

• Tantangan: Banyak perusahaan masih menggunakan sistem tradisional yang sulit diintegrasikan.
• Solusi:
  ✅ Implementasi standar interoperabilitas digital berbasis Web Ontology Language (OWL) dan Knowledge Graphs.

2. Biaya Implementasi yang Tinggi

• Tantangan: Investasi awal dalam teknologi Digital Twin dan AI cukup besar.
• Solusi:
  ✅ Model berbasis Software as a Service (SaaS) untuk mengurangi biaya modal awal.

3. Regulasi dan Kebijakan Kota

• Tantangan: Kebijakan pemerintah yang berubah-ubah dapat mempengaruhi adopsi teknologi ini.
• Solusi:
  ✅ Kolaborasi antara sektor publik dan swasta untuk menciptakan kebijakan yang mendukung ekosistem logistik pintar.

Kesimpulan & Rekomendasi

Penelitian ini menunjukkan bahwa Cognitive Smart City Logistics (CSCL) dapat meningkatkan efisiensi dan keberlanjutan logistik perkotaan. Untuk adopsi yang lebih luas, perusahaan dan pemerintah perlu:
✅ Mengoptimalkan penggunaan Digital Twin dan AI dalam perencanaan logistik.
✅ Meningkatkan integrasi data real-time untuk visibilitas rantai pasok yang lebih baik.
✅ Mendukung kebijakan smart city yang inklusif dan berbasis data.

Sumber Artikel:

Liu, Yu (2022). Cognitive Smart City Logistics: a new approach for sustainable last mile in the era of digitization. Université Paris Sciences et Lettres.

 

Keselamatan kerja di ruang terbatas (confined spaces) menjadi perhatian utama dalam berbagai industri, terutama di sektor konstruksi dan minyak & gas. Ruang terbatas didefinisikan sebagai area yang cukup besar untuk dimasuki pekerja, memiliki akses masuk dan keluar yang terbatas, serta tidak dirancang untuk hunian permanen. Paper ini menyoroti bahwa tidak ada definisi universal mengenai ruang terbatas, dengan perbedaan pendekatan antara berbagai negara. Misalnya, di Inggris dan Jerman, fokusnya adalah pada kemungkinan risiko yang dapat diprediksi, sedangkan Jepang dan Korea Selatan lebih menekankan pada defisiensi oksigen di ruang tersebut. Di Amerika Serikat, Occupational Safety and Health Administration (OSHA) menambahkan kategori permit-required confined space yang mencakup ruang dengan potensi bahaya atmosfer, kemungkinan tertimbun material, atau struktur internal yang berisiko menyebabkan asfiksia.

Studi ini dilakukan melalui tinjauan literatur yang luas serta analisis tiga proyek konstruksi yang beroperasi di sektor minyak & gas. Dua proyek berasal dari Portugal, tetapi dikelola oleh perusahaan asing, sedangkan satu proyek dikelola oleh perusahaan asing dengan kontraktor asal Portugal. Penelitian ini mengevaluasi berbagai praktik dalam penerapan standar keselamatan ruang terbatas di masing-masing proyek.

Salah satu temuan utama adalah tidak adanya keseragaman dalam pengklasifikasian ruang terbatas di proyek-proyek yang dianalisis. Pada proyek pertama, ruang terbatas tidak diklasifikasikan sebagai area yang memerlukan izin (permit-required confined space), meskipun adanya potensi bahaya. Di proyek kedua, klasifikasi ini sudah diterapkan sejak awal tanpa memperhitungkan perubahan kondisi selama fase konstruksi. Sementara itu, proyek ketiga lebih fleksibel dalam mengklasifikasikan ruang terbatas, tergantung pada evaluasi risiko yang dilakukan secara berkala.

Perbedaan signifikan dalam penerapan langkah keselamatan di masing-masing proyek. Beberapa proyek tidak memiliki sistem izin masuk, sementara yang lain menerapkannya dengan ketat. Hanya sebagian proyek yang melakukan pemantauan atmosfer sebelum pekerja masuk ke ruang terbatas, sementara sebagian besar proyek lain hanya melakukan pemeriksaan dua kali sehari. Selain itu, dalam beberapa proyek, personel siaga yang bertanggung jawab atas keselamatan pekerja tidak selalu tersedia di lokasi kerja.

Tidak adanya regulasi nasional khusus mengenai ruang terbatas di Portugal menyebabkan perusahaan harus mengadopsi standar asing, seperti regulasi OSHA dari Amerika Serikat. Hal ini mengakibatkan penerapan yang tidak seragam dan kurangnya kepatuhan terhadap prosedur keselamatan yang ketat.

Portugal mengembangkan sistem klasifikasi ruang terbatas yang lebih seragam, dengan membagi ruang terbatas menjadi tiga kategori utama berdasarkan tingkat risiko. Dengan adanya standar nasional, perusahaan akan lebih mudah dalam menilai risiko dan menerapkan langkah-langkah keselamatan yang sesuai. Untuk mengurangi risiko kecelakaan, setiap ruang terbatas yang memiliki potensi bahaya harus dikategorikan sebagai permit-required confined space dan hanya dapat dimasuki setelah dilakukan evaluasi risiko menyeluruh. Sistem ini juga harus mencakup pemantauan atmosfer yang ketat serta keberadaan personel siaga yang dapat merespons keadaan darurat.

Pentingnya pelatihan bagi pekerja sebelum mereka memasuki ruang terbatas. Dengan pelatihan yang memadai, pekerja dapat memahami risiko yang ada serta mengetahui prosedur keselamatan yang harus diterapkan. Selain itu, perusahaan harus meningkatkan kesadaran pekerja terhadap bahaya ruang terbatas dan memastikan bahwa mereka mengikuti semua prosedur keselamatan yang ditetapkan. Penggunaan sensor gas otomatis serta sistem ventilasi yang lebih canggih dapat membantu dalam memastikan kondisi ruang terbatas tetap aman bagi pekerja. Pemantauan real-time juga direkomendasikan untuk mendeteksi potensi perubahan atmosfer yang dapat membahayakan pekerja di dalam ruang terbatas.

Pentingnya standarisasi dalam sistem keselamatan kerja di ruang terbatas. Perbedaan dalam pengklasifikasian dan penerapan prosedur keselamatan menunjukkan perlunya regulasi nasional yang lebih ketat di Portugal. Dengan menerapkan sistem klasifikasi yang lebih jelas, memperkuat sistem izin masuk, serta meningkatkan pelatihan pekerja, risiko kecelakaan dapat dikurangi secara signifikan. Paper ini menegaskan bahwa keselamatan kerja di ruang terbatas bukan hanya tanggung jawab perusahaan, tetapi juga harus didukung oleh regulasi nasional yang jelas dan ketat.

Sumber Asli Artikel

Ana Paula Pires, J. Santos Baptista, Confined Space Entry - Standardization, Faculty of Engineering, University of Porto (FEUP).