TUJUAN DARI AUDIT SI YANG BERFOKUS PADA TATA KELOLANYA

Pengertian Audit Sistem Informasi

     “Audit sistem informasi adalah proses pengumpulan dan penilaian bukti – bukti untuk menentukan apakah sistem komputer dapat mengamankan aset, memelihara integritas data, dapat mendorong pencapaian tujuan organisasi secara efektif dan menggunakan sumberdaya secara efisien”. Ron Weber (1999,10) mengemukakan bahwa audit sistem informasi adalah :” Information systems auditing is the process of collecting and evaluating evidence to determine whether a computer system safeguards assets, maintains data integrity, allows organizational goals to be achieved effectively, and uses resources efficiently”.

Tujuan Audit Sistem Informasi

Tujuan Audit Sistem Informasi dapat dikelompokkan ke dalam dua aspek utama dari ketatakelolaan IT, yaitu :

a. Conformance (Kesesuaian) – Pada kelompok tujuan ini audit sistem informasi difokuskan untuk memperoleh kesimpulan atas aspek kesesuaian, yaitu :Confidentiality (Kerahasiaan), Integrity (Integritas), Availability (Ketersediaan) danCompliance (Kepatuhan).

b. Performance (Kinerja) – Pada kelompok tujuan ini audit sistem informasi difokuskan untuk memperoleh kesimpulan atas aspek kinerja, yaitu :Effectiveness(Efektifitas), Efficiency (Efisiensi), Reliability (Kehandalan).

Tujuan audit sistem informasi menurut Ron Weber tujuan audit yaitu :

1. Mengamankan asset

2. Menjaga integritas data

3. Menjaga efektivitas sistem

4. Mencapai efisiensi sumberdaya.

Keempat tujuan tersebut dapat dijelaskan sebagai berikut :

1.Mengamankan aset, aset (activa) yang berhubungan dengan instalasi sistem informasi mencakup: perangkat keras (hardware), perangkat lunak (software), manusia (people), file data, dokumentasi sistem, dan peralatan pendukung lainnya.

Sama halnya dengan aktiva – aktiva yang lain, maka aktiva ini juga perlu dilindungi dengan memasang pengendalian internal. Perangkat keras dapat rusak karena unsur kejahatan atau sebab-sebab lain. Perangkat lunak dan isi file data dapat dicuri. Peralatan pendukung dapat digunakan untuk tujuan yang tidak diotorisasi.

2.Menjaga integritas data, integritas data merupakan konsep dasar audit sistem informasi. Integritas data berarti data memiliki atribut: kelengkapan, baik dan dipercaya, kemurnian, dan ketelitian. Tanpa menjaga integritas data, organisasi tidak dapat memperlihatkan potret dirinya dengan benar atau kejadian yang ada tidak terungkap seperti apa adanya. Akibatnya, keputusan maupun langkah-langkah penting di organisasi salah sasaran karena tidak didukung dengan data yang benar. Meskipun demikian, perlu juga disadari bahwa menjaga integritas data tidak terlepas dari pengorbanan biaya. Oleh karena itu, upaya untuk menjaga integritas data, dengan konsekuensi akan ada biaya prosedur pengendalian yang dikeluarkan harus sepadan dengan manfaat yang diharapkan.

3.Menjaga efektivitas sistem, sistem informasi dikatakan efektif hanya jika sistem tersebut dapat mencapai tujuannya. Untuk menilai efektivitas sistem, perlu upaya untuk mengetahui kebutuhan pengguna sistem tersebut (user). Selanjutnya, untuk menilai apakah sistem menghasilkan laporan atau informasi yang bermanfaat bagi user (misalnya pengambil keputusan), auditor perlu mengetahui karakteristik user berikut proses pengambilan keputusannya. Biasanya audit efektivitas sistem dilakukan setelah suatu sistem berjalan beberapa waktu. Manajemen dapat meminta auditor untuk melakukan post audit guna menentukan sejauh mana sistem telah mencapai tujuan yang telah ditetapkan. Evaluasi ini akan memberikan masukan bagi pengambil keputusan apakah kinerja sistem layak dipertahankan; harus ditingkatkan atau perlu dimodifikasi; atau sistem sudah usang, sehingga harus ditinggalkan dan dicari penggantinya Audit efektivitas sistem dapat juga dilaksanakan pada tahap perencanaan sistem (system design). Hal ini dapat terjadi jika desainer sistem mengalami kesulitan untuk mengetahui kebutuhan user, karena user sulit mengungkapkan atau mendeskripsikan kebutuhannya. Jika sistem bersifat komplek dan besar biaya penerapannya, manajemen dapat mengambil sikap agar sistem dievaluasi terlebih dahulu oleh pihak yang independen untuk mengetahui apakah rancangan sistem sudah sesuai dengan kebutuhan user. Melihat kondisi seperti ini, auditor perlu mempertimbangkan untuk melakukan evaluasi sistem dengan berfokus pada kebutuhan dan kepentingan manajemen.

4. Mencapai efisiensi sumberdaya, suatu sistem sebagai fasilitas pemrosesan informasi dikatakan efisien jika ia menggunakan sumberdaya seminimal mungkin untuk menghasilkan output yang dibutuhkan. Pada kenyataannya, sistem informasi menggunakan berbagai sumberdaya, seperti mesin, dan segala perlengkapannya, perangkat lunak, sarana komunikasi dan tenaga kerja yang mengoperasikan sistem tersebut. Sumberdaya seperti ini biasanya sangat terbatas adanya. Oleh karena itu, beberapa kandidat sistem (system alternatif) harus berkompetisi untuk memberdayakan sumberdaya yang ada tersebut.

Adapun tujuan yang lain adalah :

1.Untuk memeriksa kecukupan dari pengendalian lingkungan, keamanan fisik, keamanan logikal serta keamanan operasi sistem informasi yang dirancang untuk melindungi piranti keras, piranti lunak dan data terhadap akses yang tidak sah, kecelakaan, perubahan yang tidak dikehendaki.

2.Untuk memastikan bahwa sistem informasi yang dihasilkan benar-benar sesuai dengan kebutuhan sehingga bisa membantu organisasi untuk mencapai tujuan strategis.

TUGAS SOFTSKILL REVIEW JURNAL

CASE-BASED REASONING UNTUK DIAGNOSA PENYAKIT THT (TELINGA HIDUNG DAN TENGGOROKAN)
A.	Sumber
	Judul : CASE-BASED REASONING UNTUK DIAGNOSA PENYAKIT THT (TELINGA HIDUNG DAN TENGGOROKAN) Penyusun : Tedy Rismawan dan Sri Hartati Lembaga : Ilmu Komputer dan Elektronika, FMIPA UGM, Yogyakarta Link : Link : https://jurnal.ugm.ac.id/ijccs/article/view/2154/1934
B.	Pendahuluan
	Case-Based Reasoning (CBR) merupakan sistem penalaran komputer yang menggunakan pengetahuan lama untuk mengatasi masalah baru.CBR memberikan solusi terhadap kasus baru dengan melihat kasus lama yang paling mendekati kasus baru. Hal ini akan sangat bermanfaat karena dapat menghilangkan kebutuhan untuk mengekstrak model seperti yang dibutuhkan oleh sistem berbasis aturan. Penelitian ini mencoba untuk membangun suatu sistem Penalaran Berbasis Kasus untuk melakukan diagnosa penyakit THT (Telinga, Hidung dan Tenggorokan). Proses diagnose dilakukan dengan cara memasukkan kasus baru (target case) yang berisi gejala-gejala ang akan didiagnosa ke dalam sistem, kemudian sistem akan melakukan proses indexing dengan metode backpropagation untuk memperoleh indeks dari kasus baru tersebut. Setelah memperoleh indeks, sistem selanjutnya melakukan proses perhitungan nilai similarity antara kasus baru dengan basis kasus yang memiliki indeks yang sama menggunakan metode cosine coefficient. Kasus yang diambil adalah kasus dengan nilai similarity paling tinggi. Jika suatu kasus tidak berhasil didiagnosa, maka akan dilakukan revisi kasus oleh pakar. Kasus yang berhasil direvisi akan disimpan ke dalam sistem untuk dijadikan pengetahuan baru bagi sistem. Hasil penelitian menunjukkan sistem penalaran berbasis kasus untuk mendiagnosa penyakit THT ini membantu paramedis dalam melakukan diagnosa. Hasil uji coba sistem terhadap 111 data kasus uji, terdapat 9 kasus yang memiliki nilai similarity di bawah 0.8.
C.	Metode Penelitian
	Proses pada sistem dimulai dengan melakukan pembentukan indeks untuk kasus-kasus yang ada, indeks pada kasus yang ada diperoleh dari pakar. Setelah diperoleh indeks dari setiap kasus yang ada, maka proses selanjutnya adalah melatih kasus-kasus yang ada dengan backpropagation, dimana gejala dari kasus menjadi data input dan indeks pada kasus menjadi target. Hasil dari pelatihan backpropagation berupa nilai bobot akhir yang nantinya akan digunakan untuk proses indexing pada kasus baru. Proses selanjutnya yang terjadi pada sistem adalah menginisialisasi gejala yang dialami oleh pasien yang dianggap sebagai kasus baru, setelah itu sistem akan melakukan proses indexing terhadap kasus baru tersebut berdasarkan nilai bobot akhir backpropagation yang telah dilatih sebelumnya berdasarkan kasus-kasus lama. Setelah memperoleh indeks dari kasus baru, maka selanjutnya sistem melakukan perhitungan nilai similarity kasus baru terhadap kasus yang lama yang memiliki indeks sama. Proses perhitungan similarity mengunakan Cosine Coefficient. Nilai similarity berkisar antara 0 sampai dengan 1. Apabila similarity kasus baru dengan salah satu kasus yang ada pada basis kasus bernilai 1, berarti kasus baru tersebut sama dengan kasus lamayang ada dalam basis kasus. Apabila similarity kasus baru memiliki nilai 0.8, maka kasus baru akan menggunakan solusi yang sama dengan kasus lama yang ada pada basis kasus. Namun, apabila nilai similarity tidak mencapai nilai 0.8, maka dianggap kasus baru tersebut tidak memiliki solusi dan kasus tersebut selanjutnya akan disimpan sebagai kasus baru yang nantinya akan dievaluasi oleh pakar (revise) dan disimpan kembali ke dalam sistem sebagai kasus baru dengan solusi yang telah diberikan (retain).
D.	Hasil dan Pembahasan
	1.	Proses pengisian case base
		Tahap awal dari penggunaan sistem proses adalah pengisian case base. Data-data kasus yang akan dimasukkan ke dalam case base diperoleh dari data rekam medis Poliklinik Telinga Hidung Tenggorok (THT) RSUD dr. Soedarso, Pontianak. Terdapat 106 gejala THT dan 38 nama penyakit yang dibagi menjadi 3 kelas dan 9 subkelas. Kasus yang dimasukkan ke dalam case base sebanyak 208 kasus. Setiap gejala penyakit dibagi menjadi 4 kategori yaitu Tidak, Sedikit, Cukup dan Ya. Nilai untuk masing-masing kategori adalah 0 untuk Tidak, 0.33 untuk Sedikit, 0.67 untuk Cukup dan 1 untuk Ya. Pemberian nilai dari masing-masing gejala untuk setiap kasus dilakukan oleh Pakar.
	2.	Proses pelatihan basis kasus
		Proses pelatihan data kasus dengan backpropagation dilakukan untuk memperoleh bobot jaringan yang akan digunakan pada proses indexing kasus baru. Pada proses ini jaringan backpropagation digunakan untuk melatih semua data yang ada pada basis kasus dengan data gejala sebagai input pelatihan dan data subkelas sebagai target pelatihan. Sebelum melakukan pelatihan, admin sebagai user yang memiliki hak akses proses pelatihan harus mengisi parameter pelatihan terlebih dahulu. Pemilihan parameter jaringan akan mempengaruhi pembelajaran yang dilakukan oleh jaringan, sehingga harus digunakan parameter yang baik dalam melakukan pelatihan. Namun, untuk memperoleh parameter pelatihan yang baik maka harus dilakukan percobaan satu per satu terhadap parameter jaringan. Pada penelitian ini parameter pelatihan yang digunakan adalah : §  Laju pembelajaran : 0.3 §  Target error : 0.00001 §  Maksimum epoh : 15000
	3.	Hasil Pengujian
		Pada bagian ini akan dilakukan pengujian kasus riil terhadap sistem. Kasus yang akan diuji memiliki gejala sebagai berikut : §  Demam : Ya §  Nyeri telinga : Ya §  Rasa penuh di telinga : Ya §  Pendengaran berkurang : Cukup §  Telinga berdengung : Sedikit §  Cairan telinga bening : Ya §  ISSN: 1978-1520 §  Laju pembelajaran : 0.3 Terdapat 106 gejala yang ada di dalam penelitian yang dapat dipilih. Berdasarkan tabel gejala, dapat diketahui bahwa gejala yang dipilih pada pengujian ini adalah gejala dengan indeks 1, 2, 5, 7, 8 dan 10. Selanjutnya nilai dari gejala ini dimasukkan ke dalam sebuah array yang memuat semua gejala. Array penyimpanan memiliki 106 nilai dimana semua nilai untuk gejala yang tidak dialami akan diberi nilai 0, dan gejala yang dialami akan diberi nilai sesuai dengan tingkatan gejala dimana “Sedikit” bernilai 0.33, “Cukup bernilai 0.67 dan “Ya” bernilai 1. Setelah diperoleh nilai similarity kasus uji dengan semua kasus yang memiliki indeks yang sama, maka langkah selanjutnya adalah mencari nilai similarity terbesar. Berdasarkan nilai similarity yang diperoleh pada tabel 3, dapat diketahui bahwa nilai similarity terbesar adalah 1 dan terdapat pada kasus ke-3 dimana pada tabel kasus dapat diketahui bahwa kasus 3 merupakan kasus yang memiliki id_penyakit 1. Kemudian id_penyakit yang diperoleh digunakan untuk mengambil nama penyakit pada tabel penyakit sehingga dapat diambil keputusan bahwa kasus uji tersebut memiliki kemiripan yang paling tinggi tehadap kasus 1 yang memiliki id_penyakit 1 yang merupakan penyakit Otitis Media Akut. Proses pengujian tersebut dilakukan terhadap 111 kasus baru. Kasus baru yang digunakan pada pengujian merupakan kasus yang pernah terjadi sebelumnya, namun tidak digunakan pada basis kasus.Tabel 6.3 menunjukkan nilai similarity kasus-kasus yang diuji terhadap sistem. Hasil uji coba menunjukkan, dari 111 kasus uji, terdapat 9 kasus yang memiliki nilai similarity di bawah 0.8 dan 102 kasus yang memiliki nilai similarity di atas 0.8. Gambar 11 merupakan grafik hasil pengujian terhadap 111 data kasus uji.
E.	Kesimpulan
	1.     Penggunaan metode backpropagation pada proses indexing dapat membantu sistem dalam melakukan retrieval karena dengan menggunakan backpropagation, pencarian nilai similarity cukup dilakukan terhadap kasus yang memiliki indeks yang sama dengan kasus baru. Namun dalam proses pelatihan, backpropagation memerlukan waktu yang cukup lama karena harus mencoba parameter pelatihan satu per satu untuk memperoleh jaringan yang terbaik. 2.     Sistem akan memberikan solusi apabila kasus baru memiliki nilai similarity lebih besar dari 0.8 terhadap kasus lama. 3.     Hasil uji coba dari 111 kasus uji, terdapat 9 kasus yang memiliki nilai similarity di bawah 0.8. 4.     Ada 2 kondisi revisi kasus: pertama, kasus yang didiagnosa tidak mempunyai kemiripan sama sekali dengan kasus-kasus yang ada dalam case-base. Kedua, kasus memiliki kemiripan dengan kasus yang ada dalam case-base tetapi memiliki nilai similarity dibawah 0.8.
F.	Saran
	1.     Penggunaan metode backpropagation pada proses indexing dapat membantu sistem dalam melakukan retrieval karena dengan menggunakan backpropagation, pencarian nilai similarity cukup dilakukan terhadap kasus yang memiliki indeks yang sama dengan kasus baru. Namun dalam proses pelatihan, backpropagation memerlukan waktu yang cukup lama karena harus mencoba parameter pelatihan satu per satu untuk memperoleh jaringan yang terbaik. 2.     Sistem akan memberikan solusi apabila kasus baru memiliki nilai similarity lebih besar dari 0.8 terhadap kasus lama. 3.     Hasil uji coba dari 111 kasus uji, terdapat 9 kasus yang memiliki nilai similarity di bawah 0.8. 4.     Ada 2 kondisi revisi kasus: pertama, kasus yang didiagnosa tidak mempunyai kemiripan sama sekali dengan kasus-kasus yang ada dalam case-base. Kedua, kasus memiliki kemiripan dengan kasus yang ada dalam case-base tetapi memiliki nilai similarity dibawah 0.8.

Heading Image source : http://www.onlinehealthissues.com/wp-content/uploads/2016/05/flu.jpg