Sekolah Tinggi Manajemen Informatika dan Komputer Muhammadiyah Jakarta (STMIK-MJ) yang dipercaya untuk mengadakan Lomba Merakit Robot atau dikenal Lomba Robotik yang diselenggarakan oleh Direktorat Pembinaan Sekolah Luar Biasa (PSLB), Direktorat Jenderal Manajemen Dasar dan Menengah (Ditjen MPDM), Depdiknas di Universitas Muhammadiyah Malang (UMM).
Sabtu, 30 Oktober 2010
Minggu, 17 Oktober 2010
Daftar Blog Mahasiswa Matraman
Daftar Mahasiswa Kelas Matraman
Mata Kuliah IMK
Daftar Blogger Mahasiswa Ciracas
Daftar Mahasiswa Kelas Pagi Ciracas
Mata Kuliah IMK
| NO | NIM | Nama | Alamat Blogger |
| 1 | 16.3.0051 | Achmad Safariansyah | ahsafreeansyah.blogspot.com |
| 2 | 16.3.0041 | Abdul Basith | |
| 3 | 16.3.0043 | Aditya Bayu Irawan | https://malware77.wordpress.com/ |
| 4 | 16.3.0044 | Adli Muzaky | http://adlimuzacky94.blogspot.co.id/ |
| 5 | 16.3.0061 | Anton | https://saputra1dot.wordpress.com/ |
| 6 | 16.3.0068 | Eka Sapta Nugraha | |
| 7 | 16.3.0071 | Fadhel Alfi Ramadhan | |
| 8 | 16.3.0078 | Gilang Nibras Nawari | http://banggil15.blogspot.co.id/ |
| 9 | 16.3.0094 | Mayong Eyato | mykompi22.blogspot.co.id |
| 10 | 16.3.0102 | Muhammad Farhan Fauzan | |
| 11 | 16.3.0117 | M. syaid Rasyid | |
| 12 | 16.3.0126 | Sutrisno | http://trisnofhourong.blogspot.com/ |
| 13 | 16.3.0130 | Tsabit | https://tsabit1995.blogspot.co.id/ |
| 14 | 16.3.0138 | Abdurrahman Gymnastiar | http://agymnastiar99.blogspot.co.id/ |
| 15 | 16.1.0023 | Luri Aghresa | http://luriaghersa.blogspot.co.id/ |
| 16 | 16.1.0033 | Ryan Nursukmawan | https://trojan161.wordpress.com/ |
| 17 | 16.1.0042 | Wanda dian Chola | https://khaulaolshop.blogspot.co.id/ |
| 18 | 16.1.0045 | Riyan Handito | |
Kamis, 14 Oktober 2010
Pengenalan Data Mining
Data Mining adalah Serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basisdata dengan melakukan penggalian pola-pola dari data dengan tujuan untuk memanipulasi data menjadi informasi yang lebih berharga yang diperoleh dengan cara mengekstraksi dan mengenali pola yang penting atau menarik dari data yang terdapat dalam basis data.
Data mining biasa juga dikenal nama lain seperti : Knowledge discovery (mining) in databases (KDD), ekstraksi pengetahuan (knowledge extraction) Analisa data/pola dan kecerdasan bisnis (business intelligence) dan merupakan alat yang penting untuk memanipulasi data untuk penyajian informasi sesuai kebutuhan user dengan tujuan untuk membantu dalam analisis koleksi pengamatan perilaku, secara umum definisi data mining dapat diartikan sebagai berikut:
• Proses penemuan pola yang menarik dari data yang tersimpan dalam jumlah besar.
• Ekstraksi dari suatu informasi yang berguna atau menarik (non-trivial, implisit, sebelumnya belum diketahui potensial kegunaannya) pola atau pengetahuan dari data yang disimpan dalam jumlah besar.
• Ekplorasi dari analisa secara otomatis atau semiotomatis terhadap data-data dalam jumlah besar untuk mencari pola dan aturan yang berarti.
Tahap-Tahap Data Mining Karena data mining adalah suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap yaitu:
1. Data cleaning (untuk menghilangkan noise data yang tidak konsisten) Data integration (di mana sumber data yang terpecah dapat disatukan)
2. Data selection (di mana data yang relevan dengan tugas analisis dikembalikan ke dalam database)
3. Data transformation (di mana data berubah atau bersatu menjadi bentuk yang tepat untuk menambang dengan ringkasan performa atau operasi agresi)
4. Knowledge Discovery (proses esensial di mana metode yang intelejen digunakan untuk mengekstrak pola data)
5. Pattern evolution (untuk mengidentifikasi pola yang benar-benar menarik yang mewakili pengetahuan berdasarkan atas beberapa tindakan yang menarik)
6. Knowledge presentation (di mana gambaran teknik visualisasi dan pengetahuan digunakan untuk memberikan pengetahuan yang telah ditambang kepada user).
Model Data Mining Dalam perkembangan teknologi data mining, terdapat model atau mode yang digunakan untuk melakukan proses penggalian informasi terhadap data-data yang ada. Model data mining dapat dibagi menjadi 2 bagian yaitu:
1. Verification Model
Model ini menggunakan perkiraan (hypothesis) dari pengguna, dan melakukan test terhadap perkiraan yang diambil sebelumnya dengan menggunakan data-data yang ada. Penekanan terhadap model ini adalah terletak pada user yang bertanggung jawab terhadap penyusunan perkiraan (hypothesis) dan permasalahan pada data untuk meniadakan atau menegaskan hasil perkiraan (hypothesis) yang diambil.
2. Discovery Model.
Pada model ini sistem secara langsung menemukan informasi-informasi penting yang tersembunyi dalam suatu data yang besar. Data-data yang ada kemudian dipilah-pilah untuk menemukan suatu pola, trend yang ada, dan keadaaan umum pada saat itu tanpa adanya campur tangan dan tuntunan dari pengguna. Hasil temuan ini menyatakan fakta-fakta yang ada dalam data-data yang ditemukan dalam waktu yang sesingkat mungkin.
Teknik-Teknik Data Mining
a. Association Rule Mining
Association rule mining adalah teknik mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif dari analisa pembelian di suatu pasar swalayan adalah bisa diketahui berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support yaitu persentase kombinasi item tersebut dalam database dan confidence yaitu kuatnya hubungan antar item dalam aturan assosiatif.
b. Classification
Classification adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Teknik ini dapat memberikan klasifikasi pada data baru dengan memanipulasi data yang ada yang telah diklasifikasi dan dengan menggunakan hasilnya untuk memberikan sejumlah aturan. Aturan-aturan tersebut digunakan pada data-data baru untuk diklasifikasi.
Teknik ini menggunakan supervised induction, yang memanfaatkan kumpulan pengujian dari record yang terklasifikasi untuk menentukan kelas-kelas tambahan. Sebagai contoh, data transaksi sebuah rumah makan selama periode tertentu dapat digunakan untuk melakukan mining sehingga didapatkan informasi kapan waktu rumah makan tersebut menerima pengunjung paling banyak atau sedikit. Dengan informasi yang telah didapatkan, pemilik rumah makan dapat melakukan promosi-promosi ketika waktu pengunjung sepi, sehingga dapat menarik banyak pengunjung.
c. Clustering
Berbeda dengan association rule mining dan classification dimana kelas data telah ditentukan sebelumnya, clustering melakukan pengelompokan data tanpa berdasarkan kelas data tertentu. Bahkan clustering dapat dipakai untuk memberikan label pada kelas data yang belum diketahui itu. Tujuan dari clustering adalah untuk mengelompokkan sejumlah data atau objek kedalam klaster sehingga setiap klaster akan terisi data yang semirip mungkin. Data item dapat dikelompokkan menjadi beberapa grup berdasarkan syarat yang telah ditentukan. Karena itu clustering sering digolongkan sebagai metode unsupervised learning. Prinsip dari clustering adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster.
Clustering dapat dilakukan pada data yang memiliki beberapa atribut yang dipetakan sebagai ruang multidimensi. Sebagai contoh, pengelompokan konsumen di daerah mana yang mempunyai daya beli tinggi dan daerah manayang memiliki daya beli rendah.
Langganan:
Postingan (Atom)