Rangkuman DSS, Data mining dan Data Warehouse...
DECISION SUPPOR SYSTEM ROFIUDDIN
UNIVERSITAS AMIKOM YOGYAKARTA
DECISION SUPPORT SYSTEM
ROFIUDDIN | - |
[email protected]
Page 1
DAFTAR ISI
DAFTAR ISI ........................... ......................................................... .............................................................. ............................................................... ............................................................. ............................................................. ........................................ ......... 2 .............................................................. ........................................ ......... 4 BAB I ARSITEKTUR DSS DAN MANAJEMENT DATA............................. DATA ............................................................ .............................................................. .............................................................. ............................................................. .............................................................. ............................................. ..............4 1.1. PENDAHULUAN .............................. 1.2. ARSITEKTUR DSS .......................... .......................................................... .............................................................. ............................................................. .............................................................. ............................................. ..............4 1.2.1.
Sistem Informasi ............................. ............................................................. ............................................................... ............................................................. ............................................................. ................................... .... 4
1.2.2.
............................................................ ............................................................. ............................................................. ....................................................... .........................4 Jenis Sistem Informasi ..............................
1.2.3.
............................................................ ............................................................. ............................................................. .................................................. ....................5 Decision Support System ..............................
1.2.4.
Penerapan Dss ............................. ............................................................. ............................................................... ............................................................. ............................................................. ........................................ ......... 5
1.2.5.
Perbedaan Dss ............................. ............................................................. ............................................................... ............................................................. ............................................................. ........................................ ......... 6
1.2.6.
............................................................. .............................................................. ............................................................. ............................................................ ..............................6 Pengertian Masalah ..............................
1.2.7.
.............................................................. ............................................................. .............................................................. .................................................. ...................6 Keputusan........................................................... Keputusan...........................
1.2.8.
Macam-Macam Keputusan ........................... ......................................................... ............................................................. .............................................................. .................................................. ...................6
1.3. MANAJEMEN DATA .......................... .......................................................... ............................................................... ............................................................. ............................................................. ........................................ ......... 7 1.3.1.
Database ............................. ............................................................. .............................................................. ............................................................. ............................................................. .................................................. ....................7
1.3.2.
............................................................. ............................................................. ............................................................. ........................................ ......... 7 Database Management System ..............................
1.3.3.
............................................................. ............................................................... ............................................................. ............................................................. ........................................ ......... 7 Query Facility .............................
1.3.4.
Data Directory ............................ ............................................................ ............................................................... ............................................................. ............................................................. ........................................ ......... 8
1.3.5.
Data Source ............................ ............................................................ .............................................................. ............................................................. .............................................................. ............................................. ..............8
............................................................ .............................................................. ............................................................. ............................................................. ................................... .... 8 1.4. MANAJEMEN MODEL ............................. 1.4.1.
............................................................. .............................................................. ............................................................. .............................................................. ............................................. ..............9 Model Base .............................
1.4.2.
Model Base Management System ............................. ............................................................ ............................................................. ............................................................. ................................... .... 9
1.4.3.
Model Directory .............................. .............................................................. ............................................................... ............................................................. ............................................................. ................................... .... 9
1.4.4.
Model Execution, Integration, And Command .............................. ............................................................. .............................................................. ........................................ .........9
........................................................... .............................................................. ............................................................. ............................................................. ................................... .... 9 1.5. USER INTERFACE (UI) ............................ 1.6. KNOWLEDGE BASE ........................... ........................................................... ............................................................... ............................................................. ............................................................. ..................................... ...... 10 BAB 2 DATA MINING DAN DATA WAREHOUSE ............................ ........................................................... ............................................................. ............................................... ................. 25 ........................................................... .............................................................. ............................................................. .............................................................. ............................................... ................ 25 2.1. DATA MINING ........................... 2.1.1.
.......................................................... ............................................................. ............................................................. .................................................... ...................... 25 Pengertian Data Mining ............................
2.1.2.
.......................................................... .............................................................. ............................................................. .............................................................. ............................................... ................ 25 Estimation ..........................
2.1.3.
Prediction ........................... ........................................................... .............................................................. ............................................................. .............................................................. ............................................... ................ 26
2.1.4.
Pengertian Klasifikasi ............................... ............................................................. ............................................................. ............................................................. .................................................... ...................... 26
2.1.5.
......................................................... .............................................................. ............................................................. ............................................................. ................................. 26 Metode Klasifikasi ..........................
2.1.7.
.......................................................... .............................................................. ............................................................. ............................................................. ................................. 27 Metode Klastering ...........................
2.1.8.
Asosiasi .......................... .......................................................... .............................................................. ............................................................. ............................................................. .................................................... ...................... 28
2.2. DATA WAREHOUSE.............................. .............................................................. ............................................................... ............................................................. ............................................................. ................................. 28
.............................................................. ............................................................... ............................................................. ............................................................. ..................................... ...... 29 2.3. DATA CLEANING .............................. ............................................................ .............................................................. ............................................................. .............................................................. .......................................... ........... 30 2.4. CONTOH KASUS ............................ Page 2
PUSTAKA ............................................................................................................................................................................................. 38
Page 3
BAB I ARSITEKTUR DSS DAN MANAJEMENT DATA
1.1. PENDAHULUAN
System computer terdiri atas berbagai tipe, tergantung dari bidang tertentu yang akan dibuat. Secara umum system computer dibuat berdasarkan kebutuhan dari suatu bidan atau ilmu pengetahuan, dalam banyak kasus system computer dibuat berdasarkan suatu masalah kehidupan, dengan kata lain system dibuat untuk membantu menangani kegiatan manusia agar lebih mudah. Computer mambantu manusia dalam berbagai aspek kehidupan, dari suatu masalah dalam kehidupan sehari-hari, mulai dari yang paling simple hingga yang sangat rumit. Sebagai contoh system computer pengambilan keputusan pada perusahaan, system dibuat berdasarkan masalah perusahaan yang apa bila hal tersebut di lakukan oleh manusia membutuhkan waktu yang cukup lama, sehingga berdasarkan penelitian dibuat suatu system pengambil keputusan dengan menggukan pendekatan tertentu dan data pengalaman selama beberapa waktu tertentu. System ini disebut sebagai system pendukung keputusan atau pengambil keputusan. 1.2.
ARSITEKTUR DSS
1.2.1. Sistem Informasi System informasi adalah kombinasi dari teknologi informasi dan aktivitas manusia yang
menggunakan teknologi itu untuk kepentingan kegiatan dan manajemen. Sistem informasi juga bisa di artikan sebagai alat yang menyediakan informasi untuk pengelolaan dalam pengambilan keputusan dan menjalakan kegiatan perusahaan.
Pada dasarnya system informasi tebentuk dari kegiatan
mengumpulkan data, mengelompokkan data, menghitung, menganalisa dan menyajikannya dalam bentuk laporan, sehingga system informasi dapat menghimpun dan menyajikan berbagai jenis data yang akurat untuk berbagai jenis kebutuhan. System informasi berperan penting dalam sebagian besar organisasi. Bank tidak dapat memproses aktivitas pembayaran, supermarket tidak dapat mengatur rak, pemerintah kesulitan dalam penarikan pajak, rumah sakit kesulitan mengatur system pengelolaan pasien tanpa dukungan system informasi. Hamper semua sector system informasi berperan penting. 1.2.2. Jenis Sistem Informasi Jenis system informasi di antaranya:
Page 4
1) System informasi personal 2) System informasi perusahaan 1.2.3. Decision Support System Decision support system (DSS) atau di Indonesia yang lebih dikenal sebagai system pendukung
keputusan (SPK) merupakan system yang sangat bagus untuk membantu dalam penyelesaian pengambilan keputusan yang cukup rumit atau kompleks. System pendukung keputusan adalah system berbasis computer yang ditujukan untuk membantu dalam pengambilan keputusan dengan memanfaatkan data dan model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur. Secara garis besar DSS dibangun oleh 3 bagian: 1) Database Database merupakan kumpulan data yang di miliki oleh suatu organisasi, baik yang berupa transaksi sehari-hari, atau data dasar. Sedangkan untuk keperluan DSS data harus relevan dengan permasalahan yang akan dipecahkan melalui simulasi yang di atur oleh perangkat lunak yang disebut DBMS (Database manajement system). 2) Model base Model merupakan representasi dari suatu masalah yang di tuangkan dalam format kuantitatif sebagai dasar pengambilan keputusan. Terdiri atas tujuan dari permasalahan, komponen terkait, Batasan, dan hal terkait lainnya. 3) Communication Merupakan fasilitas yang mampu menyatukan system yang terpasang dengan pengguna secara interaktif yang dikenal dengan subsitem dialog. Dapat berinteraksi dan memberikan perintah pada DSS melalui dialog dengan menyediakan antarmuka. 1.2.4. Penerapan Dss Aplikasi DSS banyak digunakan dalam berbagai bidang karena kemampuannya dalam memberikan
solusi terhadap suatu masalah atau untuk mengevaluasi suatu peluang. DSS membantu memberikan alternative dalam pengambilan keputusan, sedangkan keputusan akhir tetap di tentukan oleh pengambil keputusan. DSS merupakan pendekatan (metodologi) untuk mendukung pengambilan keputusan. Aplikasi dikembangkan secara khusus menggunakan Computer Base Information System (CBIS) yang interaktif, fleksibel, dan mudah digunakan. Menggunakan data dengan antarmuka yang mudah dan dapat menggabungkan wawasan dari pembuat aplikasi. Biasanya DSS dibangun menggunakan suatu model Page 5
yang mendukung semua tahap pengambilan keputusan dan komponen pengetahuan. Dan hasil akhirnya berupa aplikasi PC atau web yang dapat di gunakan oleh ban yak orang di berbagai tempat. 1.2.5. Perbedaan Dss DSS berbeda dengan system pengambil keputusan lainya. DSS memilki kemampuan yang sangat
berbeda, berikut merupakan perbedaan DSS dengan Sistem Informasi Manajemen dan Sistem Pakar: -
Sistem Informasi Manajemen
Sistem Informasi manajemen didekasikan untuk otomatisasi tugas-tugas operasional. Dalam h al pengambilan keputusan, SIM berfokus pada keputusan terstruktur. (Lukacs & Bhadra, 2003) -
System Pakar
1.2.6. Pengertian Masalah Masalah merupakan kondisi dimana suatu kasus harus dipecahkan. Umumnya kasus yang harus di
pecahkan berkaitan dengan data yang hilang, data yang tidak valid, dan atau p encarian data. Pada kasus tertentu harus dipecahkan dengan suatu metode, misalnya metode klasifikasi, yang menangani kasus berdasarkan catatan tertentu, namun sering terdapat pengecualian karena terkadang informasi yang di hasilkan tidak akurat. Metode klasifikasi paling sering digunakan dalam memecahkan suatu masalah dalam bidang machine learning / data mining dan jaringan saraf tiruan merupakan metode yang sesuai dalam pemecahan masalah dengan cara klasifikasi. 1.2.7. Keputusan Keputusan adalah proses pengambilan keputusan yang kompleks. Keputusan di anggap baik apa bila
memenuhi kriteria masing-masing pengambil keputusan dan tingkat aspirasi mereka untuk keputusan tertentu. Faktor-faktor pengambilan keputusan -
Cara dimana suatu masalah dapat direpresentasikan oleh ban yak hal yang terkait dengan kualitas solusi yang ditemukan
-
Memberikan banyak alternatif yang dapat dipilih oleh pembuat keputusan terkait dengan asumsi tetang kondisi suatu masalah.
-
Rumusan masalah yang buruk adalah masalah. Proses peruumusan masalah dan pencarian solusi adalah identik, oleh karena itu spesifikasi masalah adalah spesifikasi arah yang mana suatu perawatan di pertimbangkan.
1.2.8. Macam-Macam Keputusan Macam-macam keputusan Page 6
-
Terstruktur Contoh: Management Information System, Management Science Model
-
Semistruktur Contoh: SS, KMS, GSS, CRM, SCM
-
Tidak terstruktur Contoh: GSS, KMS, ES, neural network.
1.3. MANAJEMEN DATA
Menajemen data dalam DSS terdiri atas beberapa baigian, yaitu: -
DSS database
-
Database management system
-
Data directory
-
Query facility
1.3.1. Database Database adalah kumpulan data yang saling terkait yang dalam suatu organisasi dan dapat digunakan
oleh lebih dari satu orang untuk lebih dari satu aplikasi. Dalam banyak contoh DSS, data di kirim dari warehouse, atau system database utama (mainframe) melalui web server. Data terdiri atas dua bagian, yaitu internal data dan external data. Internal data (data internal) merupakan data yang datang dari pemprosesan transaksi perusahaan. Sebagai contoh, daftar gaji bulanan, anggaran perusahaan, perkiraan penjualan yang akan datang, dan rencana perekrutan dimasa depan. Data external merupakan data yang berasal dari luar organisasi seperti data pajak, p eraturan pemerintah, lapangan kerja daerah, data sensus, dan data ekonomi daerah. 1.3.2. Database Management System Database management system (DBMS) merupakan system pengelola data agar dapat di buat dan di akses.
DSS biasanya dibangun menggunakan standart DBMS rasional yang baik. Pengelolaan database yang baik dapat mendukung banyak kegiatan manajerial; mendukung pemeliharaan serangkaian data yang beragam dan pembuatan laporan. 1.3.3. Query Facility Dalam membangun dan menerapkan DSS, seringkali diperlukan untuk mengakses, memanipulasi, dan
query data. Dan ini merupakan tugas dari Query Facility. Menerima permintaan dari komponen DSS liainnya, merumuskan rincian permintaan, dan memberikan hasil dari permintaan. Query Facility Page 7
mencakup dari sebuah Bahasa khusus (contoh: SQL). Fungsi penting dari system query DSS adalah untuk operasi pemilihan dan manipulasi data, meski dapat dilihat oleh pengguna, tetapi ini sangat penting. Pengguna dapat menggunakan aplikasi dengan tampilan data yang sederhana dengan hanya sekali tekan tombol dan mendapatkan hasil yang disajikan dengan rapi dan dinamis. 1.3.4. Data Directory Data directory adalah katalog dari semua data dalam database. Berisi definisi data dan fungsinya
menjawab semua pertanyaan tentang ketersediaan data, sumber dan informasi lainnya. Direktori data sangat penting dalam proses pemindaian data identifikasi masalah. Seperti model katalog, direktori dapat di tambah, di hapus dan pengambilan informasi pada data tertentu. 1.3.5. Data Source Sumber data database DSS berasal dari data internal dan eksternal, serta data pribadi (privat) yang
dimiliki oleh sutu pengguna atau lebih. Hasil proses masuk ke database khusus atau ke database perusahaan, jika ada. Juga bisa digunakan untuk aplikasi lain. (Turban, E. Aronson, & Liang, 2007: 111) -
Sumber data internal Sumber data internal merupakan data yang berasal dari system transaksi organisasi. Sebagai contoh data gaji bulanan karyawan, data operasional, data pemasaran. Contoh lain adalah data penjadwalan perawatan mesin dan alokasi anggaran, dan lain-lain.
-
Sumber data eksternal Data ekternal merupakan data yang berasal dari luar organisasi seperti data industry, data risert pemasaran, data sensus, data lapangan kerja regional, peraturan pemerintah, jadwal tarif pajak dan data ekonomi nasional.
-
Sumber data privat Data pribadi mencakup pedoman yang digunakan oleh pembuat kebijakan khusus dan penilaian data dan atau situasi tertentu.
1.4. MANAJEMEN MODEL
Manajemen model terdiri atas beberapa bagian, yaitu: -
Model base
-
Model base management system
-
Model directory
-
Model execution, integration, and command processor Page 8
1.4.1. Model Base Model base berisi rutin dan statistic special, keuangan, peramalan, ilmu manajemen dan model
kuantitatif lainnya yang mampu menganalisa dalam DSS. Kemampuan utnuk memanggil, menjalankan, mengubah, menggabungkan, dan memeriksa model adalah kunci utama kemampuan DSS yang membedakan dari system informasi lainnya. Model dalam model base di bagi menjadi 4, yaitu strategis, taktis, operasional, dan analisis. 1.4.2. Model Base Management System Model Base Management system (MBMS) adalah pembuatan model dengan menggunakan Bahasa
pemrograman, alat DSS dan atau subrutin, dan pembuatan blok lainnya, rutinitas baru dan laporan, model pembaruan dan perubahan, dan model manipulasi data. MBMS mampu menggabungkan semua model dengan hal yang terkait secara tepat melalui database. 1.4.3. Model Directory Model Directory fungsinya mirip dengan model database. Ini merupakan katalog dari semua model dan
perangkat lunak lainnya di lingkungan model. Berisi definisi model, dan fungsi utamanya adalah menjawab pertanyaan tentang ketersediaan dan kemampuan model. 1.4.4. Model Execution, Integration, And Command Model Excecution adalah proses pengontrolan model sebenarnya. Model Integration menggabungkan
beberapa model saat dibutuhkan atau mengintegrasikan DSS dengan aplikasi lain. Model Commad digunakan untuk menerima dan menafsirkan perintah pemodelan dari komponen antarmuka pengguna dan mengarahkannya ke MBMS, Model Execution atau Model Integrasi.(Turban et al., 2007) 1.5. USER INTERFACE (UI)
System computer berisi pengolah Bahasa yang ramah dan berorientasi masalah antara pengguna dan computer. Komunikasi ini terjalin dalam Bahasa alami. Karena keterbatasan teknologi, sebagian besar system computer menggunakan pendekatan tanya jawab untuk berinteraksi. Terkadang system di lengkapi dengan menu-menu yang di sajikan dalam bentuk grafis. Dalam aplikasi berbasis web, antarmuka grafis menjadi sangat penting, dengan tampilan yang baik dan dinamis. Aplikasi berbasis web memberi peluang bersar data dapat di akses di seluruh dunia sehingga menjadi penting sajian antarmuka yang umum dan mudah digunakan. User interface dalam system pendukung keputusan menjadi sangat penting. ini tidak diragukan lagi karena aplikasi berbasis web memberikan kemudah dengan teknologi web / internet. Dan ini sangat Page 9
berpotensi pada deversifikasi DSS. Dukungan dapat diberikan dalam berbagai konfigurasi. Teknologi ini dibangun atas empat komponen dasar: data, model, atarmuka pengguna, dan pengetahuan. (Turban et al., 2007: 102) 1.6. KNOWLEDGE BASE
Knowledge base (basis pengetahuan) berisi pengetahuan yang relevan yang digunakan untuk memahami, merumuskan, dan memecahkan masalah. Mencakup dua masalah utama: fakta, seperti situasi masalah dan teori area masalah, dan heuristic khusus atau peraturan yang mengarahkan pemanfaatan pengetahu an untuk memecahkan masalah tertentu dalam area tertentu. Penelusuran pengetahuan di dalam data memberikan contoh penerapan berbagai algoritma pada kumpulan data actual yang sebenarnya. Faktanya. Proses penemuan pengetahuan akan membantu manusia menemukan pola perilaku. Sekali lagi, tergantung manusia untuk mengidentifikasi penyebabnya. (Larose & Larose, 2014) 1.7. CONTOH KASUS 1.7.1. GAP Kompetensi
Sebuah perusahaan properti ingin mencarikan lokasi rumah yang sesuai dengan keinginan Pak Ali. Dalam menentukan pilihan, perusahaan tersebut menggunakan metode Gap Kompetensi. Jika diketahui kriteria dan nilainya adalah sebagai berikut: Nilai Kode
K1
K2
Kriteria
1
2
3
4
5
Kedekatan dengan sarana
Sangat
Jauh
Cukup
Dekat
Sangat
pendidikan
jaun
Frekuensi banjir
Sangat
dekat Sering
Jarang
sering K3
Kedekatan dengan pasar
Sangat jauh
Jauh
Cukup dekat
dekat Agak
Tidak
jarang
pernah
Dekat
Sangat dekat
Page 10
K4
K5
Kedekatan dengan sarana
Sangat
hiburan
jauh
Kedekatan dengan sarana
Sangat
ibadah
jauh
Jauh
Cukup
Dekat
dekat Jauh
Cukup
Sangat dekat
Dekat
dekat
Sangat dekat
Sementara lokasi yang tersedia adalah sebagai berikut: Lokasi
K1
K2
K3
K4
K5
L1
3
2
1
2
1
L2
2
1
5
2
3
Lakukan perhitungan untuk menentukan lokasi nama yang lebih tepat untuk pak Ali jika dia mengingikan: 1. Lokasi dekat dengan sarana Pendidikan 2. Tidak pernah banjir 3. Jauh dari pasar 4. Jauh dari sarana hiburan 5. Dekat dengan sarana ibadah Pak ali menganggap frekuensi banjir dan kedekatan dengan sarana ibadah merupakan faktor penting dengan prosentase kepentingan 70:30.
Pembahasan I a. Menggunakan metode Gap Kompetensi.
Berikut penyelesaian kasus di atas. 1) Menentukan Core Factor dan Second Factor Core Factor = K2, K5 Second Factor = K1, K3, K4. 2) Matrik Gap Kompetensi Alternatif L1
K1 3
K2 2
K3 1
K4 2
K5 1 Page 11
L2 Preferensi L1 L2
2 3 0 -1
1 4 -2 -3
5 4 -3 1
2 2 -3 0
3 2 -1 1
K4 5 5
K5 4 4.5
Pembobotan nilai Gap NO 1 2 3 4 5 6 7 8 9
SELISIH 0 1 -1 2 -2 3 -3 4 -4
BOBOT 5 4.5 4 3.5 3 2.5 2 1.5 1
KETERANGAN Kompetensi sesuai yang di butuhkan Kompetensi kelebihan 1 tingkat Kompetensi kurang 1 tingkat Kompetensi kelebihan 2 tingkat Kompetensi kurang 2 tingkat Kompetensi kelebihan 3 tingkat Kompetensi kurang 3 tingkat Kompetensi kelebihan 4 tingkat Kompetensi kurang 4 tingkat
Dapat disimpulkan bobot tiap alternative lokasi adalah: Alternatif L1 L2
K1 5 4
K2 3 2
K3 2 4.5
3) Perhitungan Terhadap Lokasi 1
+ 7 3.5 4 ++ 4) Perhitungan Terhadap Lokasi 2
+. . 3.25 +.+ . 4.5 5) Pengelompokan Nilai Gap CF dan SF Terbobot Alternatif L1 L2
K1 5 4
K2 3 2
K3 2 4.5
K4 5 5
K5 4 4.5
NCI 3.5 13.5
NSI 4 4.5
6) Mencari Hasil L1 => NSK = (0.7 x 3.5) + (0.3 x 4) = 3.65 L2 => NSK = (0.7 X 3.25) + (0.3 X 4.5) = 3.625 Nilai terbesar diperoleh L1 dengan nilai sebesar 3.65
Page 12
Pembahasan II
Jika preferensi yang diberikan pak Ali terhadap kriteria adalah {3, 4, 4, 2, 2}, bagaimana penyelesaina kasus ini dengan menggunakan metode TOPSIS, SAW, dan WP. a. Metode TOPSIS
Metode TOPSIS merupakan salah satu metode yang digunakan dalam system pendukung keputusan. Berdasarkan contoh soal di atas langkahnya sebagai berikut: 1) Konvesi data keladam bentuk matrik. Matrik ini bersal dari data lokasi dan nilai masing-masing kriteria yang di i nginkan. K1
K2
K3
K4
K5
L1
3
2
1
2
1
L2
2
1
5
2
3
2) Menghitung matrik ternormalisasi Untuk menghitung matrik ternormalisasi disini kita gunakan rumus seperti berikut:
√ ∑ dimana i = 1, 2, …, m dan j = 1, 2, …, n. Hasilnya sebagai berikut: L1
0.83205
0.894427
0.196116
0.707107
0.316228
L2
0.5547
0.447214
0.980581
0.707107
0.948683
3) Menghitung matrik ternormalisasi terbobot Untuk menghitung matrik ternormalisasi terbobot, caranya bobot kriteria (W) dikalikan dengan kriteria ternormalisasi terbobot (Y), maka rumusnya
; dengan i = 1, 2, …,
m dan j = 1, 2, …, n. dan hasilnya seperti berikut: L1
2.496151
3.577709
0.784465
1.414214
0.632456
L2
1.664101
1.788854
3.922323
1.414214
1.897367
4) Menentukan solusi ideal postif dan solusi ideal negative.
Page 13
Untuk menghitung solusi ideal digunakan rumus A+ =
max,,…, hasilnya:
max,,…, dan A- =
A+
2.496151
3.577709
3.922323
1.414214
1.897367
A-
1.664101
1.788854
0.784465
1.414214
0.632456
5) Menghitung jarak solusi ideal positif dan solusi ideal negative Menghitung jarak solusi ideal digunakan rumus
+ √ ∑= + dan −
√ ∑= − dimana i=1, 2, …, m dan j=1, 2, …, n. D+
TOTAL
D1
1.664101
2.683282
3.726207
0.707107 1.581139 10.36183
D2
1.941451
3.130495
2.941742
0.707107 0.948683 9.669478
D-
TOTAL
D1
0.83205
1.788854
0
0
0
D2
0
0
3.137858
0
1.264911 4.402769
2.620905
6) Menentukan jarak pereferensi alternative. Untuk menghitung nilai pereferensi alternative digunakan rumus sebagai berikut:
− − +
V V1 11.36183 V2 10.66948
Jadi pilihan laternatif dapat di pastikan adalah V1 = L1 Page 14
b. Metode SAW
Seperti halnya metode TOPSIS, metode SAW merupakan salah satu metode system pendukung keputusan multi kriteria (MCDA) yang sangat terkenal. Sebagai contoh penerapannya pada kasus di atas, langkahnya sebagai berikut: 1) Normalisasi Data alternative pada table alternative dinormalisasi dengan rumus seba gai berikut:
/max Dan hasilnya adalah sebagai berikut: K1
K2
K3
K4
K5
L1
1
1
0.2
1
0.33
L2
1
1
1
1
1
2) Normalisasi Terbobot Untuk menghitung normalisasi terbobot digunakan rumus seperti berikut:
=
Dan hasilnya sebagai berikut: TOTAL L1 3
4
0.8
2
0.67
10.47
L2 3
4
4
2
2
15
3) Alternative akhir. Dari table di atas dapat disimpulkan pilihan alternative terbaik adalah L2
c. Metode WP Page 15
Metode WP merupakan salah satu metode yang sering digunakan dalam system pendukung keputusan. Penyelesaian kasus di atas dengan metode WP langkahnya sebagai berikut: 1) Perbaikan referensi bobot Referensi bobot yang diberikan adalah sebagai berikut: REFERENSI BOBOT
3
Dengan menggunakan rumus
4
4
2
2
0.5
1
∑ hasilnya sebagai berikut:
PERBAIKAN BOBOT
0.2
0.3
0.5
2) Menentukan nilai Vector S Rumus untuk menentukan nilai vector adalah
∏= dan hasilnya sebagai berikut: HASIL
1.245731
1.259921
1
1.414214
1
2.21964
1.148698
1
2.236068
1.414214
3
10.89751
3) Perengkingan Rumus yang digunakan untuk perengkingan adalah sebagai berikut:
∏ ∏ > + Dan hasilnya sebagai berikut: V1
0.169217
V2
0.830783
Dari hasil perengkingan di atas dapat disimpulkan hasilnya adalah V2 = L2
1.7.2. CONTOH KASUS LINEAR PROGRAMING
Page 16
Linear programming merupakan metode matematik dalam operation research untuk menentukan atau menyelesaikan masalah pengalokasian sumber daya terbaik untuk mencari ke untungan maksimum dan minimum. Linear programing dapat diseslesaikan dengan metode grafik atau simpleks. Metode simpleks merupakan metode yang digunakan untuk mengatasi kekurangan pada metode grafik dimana metode simpleks dapat menggunakan variable lebih dari 2. Berikut merupakan contoh kasus linear programming. Contoh Kasus
Jaringa toko serba ada The Biggs menyewa perusahaan periklanan untuk jenis dan jumlah iklan yang harus diperoleh untuk toko.
Tiga jenis iklan yang tersedia adalah iklan komersial radio, televisi dan iklan surat kabar.
Jaringan toko ingin mengetahui jumlah setiap jenis iklan yang harus dibeli dalam rangka memaksimumkan tujuannya.
Berikut ini perkiraan setiap iklan komersial yang akan mencapai pemirsa potensial dari biaya tertentu.
Batasan sumber daya o
Batas anggaran untuk iklan adalah 1.000.000.000
o
Stasiun televisi memiliki 4 waktu komersial
o
Stasiun radio memiliki 10 waktu komersial
o
Surat kabar mempunyai jatah yang tersedia untuk 7 iklan
o
Perusahaan iklan hanya mempunyai waktu dan karyawan untuk memproduksi tidak melebihi 15 iklan.
Pertanyaan o
Variable-variabel keputusan
o
Fungsi tujuan
o
Batasan-batasan model
o
Penyelesaian model dengan metode simplex
Penyelesaian
1) Variable-bariable keputusan Variabel-variabel keputusan untuk kasus ini terdiri dari: a) Variabel C mewakili Cost (total biaya promosi) b) Variabel X mewakili jenis iklan Televisi Page 17
c) Variabel Y mewakili jenis iklan Radio d) Variabel Z mewakili jenis iklan Surat Kabar 2) Fungsi tujuan Fungsi tujuan untuk kasus ini dapat dibentuk menjadi suatu formula berikut:
150 60 40 → . 3) Batasan-batasan model Model dari pembatas-pembatas untuk kasus ini meliputi: a) Model Linear Programming (a) Fungsi Tujuan Minimumkan: C (Cost ) = X (150) + Y (60) + Z (40) → dalam jutaan. (b) Fungsi Pembatas X (150) + Y (60) + Z (40) ≤ 1.000 → dalam jutaan. 4 X + Y + Z ≤ 80.000 X + 10Y + Z ≤ 120.000 X + Y + 7 Z ≤ 63.000 X (4) + Y (10) + Z (7) ≤ 15 X , Y , Z ≥ 0 b) Model Simplex (a) Fungsi Tujuan C – 150 X – 60Y – 40 Z – 0S 1 – 0S 2 – 0S 3 = 0 (b) Fungsi Pembatas 150 X + 60Y + 40 Z + 0S 1 + 0S 2 + 0S 3 = 1.000 (dalam jutaan) 4 X + Y + Z + S 1 = 80.000 X + 10Y + Z + S 2 = 120.000
Page 18
X + Y + 7 Z + S 3 = 63.000 4 X + 10Y + 7 Z + S 1 + S 2 + S 3 = 15 X , Y , Z , S 1, S 2, S 3 ≥ 0
4) Penyelesaian dengan metode simplex a) Membuat Tabel Simplex Variabel
X
Y
Z
S 1
S 2
S 3
Nilai Kanan (Solusi)
C
-150
-60
-40
0
0
0
0
S 1
4
1
1
1
0
0
80.000
S 2
1
10
1
0
1
0
120.000
S 3
1
1
7
0
0
1
63.000
b) Menentukan Kolom Kunci (Pivot) Dengan table pada langkah (1), kolom kunci terletak pada baris C untuk kolom dengan nilai terkecil, yaitu pada kolom X dengan nilai -150. Sehingga kolom kunci terletak pada kolom dengan warna kuning pada tabel di bawah ini. Variabel
X
Y
Z
S 1
S 2
S 3
Nilai Kanan (Solusi)
C
-150
-60
-40
0
0
0
0
S 1
4
1
1
1
0
0
80.000
S 2
1
10
1
0
1
0
120.000
S 3
1
1
7
0
0
1
63.000
c) Menentukan baris Kunci (Pivot) Dengan tabel pada langkah (2), baris kunci terletak pada kolom Nilai Kanan untuk baris S 1 sampai baris S 3 dengan nilai terkecil, yaitu pada baris S 3 dengan nilai 63.000. Sehingga baris kunci terletak pada baris dengan warna biru pada tabel di bawah ini.
Page 19
Variabel
X
Y
Z
S 1
S 2
S 3
Nilai Kanan (Solusi)
C
-150
-60
-40
0
0
0
0
S 1
4
1
1
1
0
0
80.000
S 2
1
10
1
0
1
0
120.000
S 3
1
1
7
0
0
1
63.000
d) Menentukan Angka Kunci Dengan tabel pada langkah (3), angka kunci terletak pada perpotongan antara Kolom Kunci dengan Baris Kunci, yaitu dengan nilai 1 pada baris S 3. Angka kunci ditandai dengan warna merah pada tabel di bawah ini. Variabel
X
Y
Z
S 1
S 2
S 3
Nilai Kanan (Solusi)
C
-150
-60
-40
0
0
0
0
S 1
4
1
1
1
0
0
80.000
S 2
1
10
1
0
1
0
120.000
S 3
1
1
7
0
0
1
63.000
e) Membuat Baris Baru Kunci (BBK) Karena nilai kunci terletak pada kolom X maka baris S1 diubah nama menjadi baris X , dan nilai-nilai pada baris S 3 diubah pula dengan cara membagi nilai-nilai pada baris itu dengan angka kunci, sehingga diperoleh nilai-nilai pada BBK seperti pada tabel di bawah ini: Variabel
X
Y
Z
S 1
S 2
S 3
Nilai Kanan (Solusi)
C
-150
-60
-40
0
0
0
0
S 1
4
1
1
1
0
0
80.000
S 2
1
10
1
0
1
0
120.000
X
1/1
1/1
7/1
0
0
1/1
63.000
Catatan: Pada kasus ini Angka Kunci bernilai 1, sehingga sebenarnya nilai-nilai untuk setiap cells pada tabel di langkah (4) boleh tidak diubah. Oleh karena itu pada langkah selanjutnya dapat dilakukan pemilihan solusi untuk permasalahan ini. f) Mengingat fungsi tujuan adalah untuk meminimalkan biaya periklanan, maka solusi diperoleh pada baris S 1 sampai baris X yang memiliki Nilai Kanan paling minimum, yaitu pada baris X dengan Nilai Kanan 63.000. Sehingga dengan mengacu kepada nama kolomkolom diperoleh nilai-nilai sebagai berikut: Page 20
X = 1 Y = 1 Z = 7 NK = 63.000 Artinya: Iklan melalui Televisi dan Radio masing-masing dapat dilakukan sebanyak 1 kali, dan Iklan melalui Surat Kabar dapat dilakukan sebanyak 7 kali. Total bianya periklanan dapat di hitung dengan formula pada Fungsi Tujuan adalah sebagai berikut: C (Cost )
= X (150) + Y (60) + Z (40) → dalam jutaan = 1(150) + 1(60) + 7(40) = 150 + 60 + 280 → dalam jutaan = 210 + 280 → dalam jutaan = 490 → dalam jutaan.
Jadi, dengan melakukan periklanan melalui Televisi dan Radio masing-masing dapat dilakukan sebanyak 1 kali, dan periklanan melalui Surat Kabar dapat dilakukan sebanyak 7 kali, memerlukan total biaya periklanan sebesar Rp 490.000.000, yang mana total biaya ini masih lebih kecil daripada anggaran yang disediakan yaitu sebesar Rp 1 milyar.
1.7.3. TREND MOMENT
Metode Trend Moment adalah salah satu metode yang digunakan dalam melakukan forecasting, yang nantinya akan di jadikan acuan pada masa berikutnya. Dalam trend moment dapat dilakukan dengan menggunakan beberapa rumus tertentu, adapun rumus yang digunakan dalam penyusunan dari metode ini adalah sebagai berikut: 1. 2. 3.
∑ . .∑ ∑ ∑ ∑ 2 Page 21
Rumus 1 merupakan persamaan garis trend yang akan di gambarkan (nilai trend). Rumus 2 dan 3 digunakan untuk menghitung nilai “a” dan nilai “b” yang akan digunakan sebagai dasar penerapan garis linear (garis trend). Contoh Kasus
Berikut merupakan data kasus DBD dari bulan Desember 2011 sampai Desember 2012, pertanyaanya berapa jumlah pasien DBD pada Desember 213? BULAN
JUMLAH
December-11
120
January-12
79
February-12
99
March-12
143
April-12
57
May-12
106
June-12
120
July-12
74
August-12
65
September-12
125
October-12
102
November-12
66
December-12
105
December-13
?
Penyelesaian
1) Menentukan Parameter X Parameter X selalu dimulai dari 0, dan
∑ =
2) Menentukan Parameter X2 dan XY Setelah parameter X ditentukan, selanjutnya nilai X di kuadratkan berdasarkan data historis dari masing-masing bulan, sehingga menjadi seperti pada table. JUMLAH (Y)
Xi
Xi.Yi
X2
120
0
0
0
January-12
79
1
79
1
February-12
99
2
198
4
March-12
143
3
429
9
April-12
57
4
228
16
May-12
106
5
530
25
BULAN (X) December-11
Page 22
June-12
120
6
720
36
July-12
74
7
518
49
August-12
65
8
520
64
September-12
125
9
1125
81
October-12
102
10
1020
100
November-12
66
11
726
121
December-12
105
12
1260
144
1261
78
1339
650
3) Menentukan Nilai “a” dan “b”. Diketahui:
∑ 1261 ∑ . . ∑ 1261 = 12a 78b
∑ ∑ ∑ 1339 = 78a 650b
Untuk mencari nilai b, rumus 2 dikalikan 2, dan rumus 3 dikalikan 1. 2522 = 24a 156b 1339 = 78a 650b
_ 1183 = -54a -494b b = 2.4 setelah di ketahui nilai b, maka nilai a dapat di tentukan. 1261 = 12a 78b 1261 = 12a 78 (2.4) 1261 = 12a 187.2 1073.8 = 12a a = 89.5
Page 23
4) Menentukan Fungsi Y dan Nilai Trend. Karena nilai a dan b telah di ketahui, maka fungsi Y sebagai berikut. Y = 89.5 2.4 x Sehingga nilai trend pada Desember 2013 adalah
Page 24
BAB 2 DATA MINING DAN DATA WAREHOUSE
2.1.
DATA MINING
Menurut majalah teknologi daring ZDNETNews (8 Feb 2001), Penamban gan data (Data mining) akan menjadi salah satu perkembangan yang paling revolusioner pada era yang akan datang. Faktanya, MIT Technology Review memilih data mining sebagai salah satu dari sepuluh teknologi baru yang akan mengubah dunia. Menurut Gartner Group, data mining adalah proses menemukan korelasi, pola dan tren baru yang bermakna dengan memilah-milah sejumlah besar data yang tersimpan direpositori, menggunakan teknologi pengenalan pola serta Teknik statistic dan matematika. 2.1.1. Pengertian Data Mining Defisinisi data mining berdasarkan Gartner Group: Data mining adalah analisis kumpulan data observasi untuk menemukan hubungan yang tidak terduga dan meringkas data dengan cara baru yang dapat dimengerti dan berguna bagi pemiliknya. Data mining adalah bidang interdisipliner yang menyatukan Teknik dari pembelajaran mesin, pengenalan pola, statistic, database, dan visualisasi untuk mengatasi masalah ekstraksi dari basis data yang besar. 2.1.2. Estimation Estimasi serupa dengan klasifikasi, kecuali bahwa variable target bersifat numerik, bukan kategorikal. Model dibangun menggunakan record “lengkap”, yang memberikan nilai dari variable target serta predictor. Kemudian, untuk pengamatan baru, perkiraan nilai variable target dibuat, berdasarkan nilai-nilai predictor. Misalnya, kami mungkin tertarik untuk memperkirakan pembacaan tekanan darah sistolik pasien rumah sakit, berdasarkan usia pasien, jenis kelamin, indeks massa tubuh, dan kadar natrium darah. Hubungan antara tekanan darah dan variable predictor dalam set pelatihan akan memberi model estimasi. Kemudian dapat kita terapkan model it uke kasus yang lain. Contoh kasus estimasi dalam bisnis dan penelitian diantaranya: -
Memperkirakan jumlah uang yang dipilih empat keluarga secara acak akan dibelanjakan untuk belanja kembali ke sekolah.
Page 25
-
Memperkirakan penurunan persentase cedera lutut dalam gerakan berputar yang di laksanakan liga sepakbola nasional.
-
Memperkirakan nilai rata-rata IPK dari seorang mahasiswa pascasarjana, berdasarkan IPK mahasiswa itu.
2.1.3. Prediction Prediksi serupa dengan klasifikasi dan estimasi, kecuali untuk prediksi, hasilnya ada di masa depan. Contoh kasus dalam bisnis dan penelitian di antaranya: -
Memprediksi harga saham tiga bulan ke depan
-
Memprediksi persentase peningkatan trafik kematian tahun depan jika batas kepatan dinaikkan
-
Memprediksi pemenang seri bola dunia berdasarkan perbandingan statistic tim.
2.1.4. Pengertian Klasifikasi Klsifikasi adalah variable kategori target. Pada data mining, proses memeriksa kumpulan catatan besar, masing-masing catatan yang berisi informasi tentang target serta satu set variable input atau variable predictor. Contoh tugas klasifikasi dalam bisnis dan penelitian meliputi: -
Menentukan apakah transaksi kartu kredit tertentu adalah penipuan
-
Menempatkan siswa baru ke dalam jalur tertentu berkenaan dengan kebutuhan khusus.
-
Menilai apakah aplikasi hipotek adalah risiko kredit yang baik atau buruk
-
Mendiagnosa apakah ada suatu penyakit tertentu
-
Menentukan apakan suatu wasiat ditulis oleh orang yang sebenarnya yang telah meninggal atau orang lain.
-
Mengidentifikasi apakah perilaku keuangan atau pribadi tertentu menunjukkan kemungkinan ancaman teroris.
2.1.5. Metode Klasifikasi 2.1.5.1.K-Nearest neighbor Algoritma K-Nearest Neighbor (KNN) algoritma berbasis tetangga terdekat, algoritma ini merupakan algoritma yang paling sering digunakan untuk klasifiasi, meskipun dapat juga Page 26
digunakan untuk estimasi, dan prediksi. KNN adalah contoh dari pembelajaran berbasis contoh, dimana set data pelatihan disimpan, sehingga klasifikasi untuk catatan baru yang tidak terklasifikasi dapat ditemukan hanya dengan membandingkannya dengan catatan yang paling mirip dengan data latih. 2.1.5.2.Naïve Bayes Algoritma Naïve Bayes merupakan metode klasifikasi berdasarkan teorema Bayes dengan asumsi antar variable saling besabas. Dalam hal ini, di asumsikan bahwa ada atau tidaknya dari suatu kejadian tertentu dari suantu kelas tidak berhubungan dengan ada atau tidaknya dari kejadian lainnya. Naïve Bayes dapat digunakan untuk berbagai macam keperluan seperti klasifikasi document, deteksi spam atau filtering spam, dan masalah klasifikasi lainnya. 2.1.5.3.Decision Tree Decision Tree merupakan salah satu algoritma klasifikasi yang digunakan dalam data mining. Metode ini melibatkan konstruksi pohon keputusan, kumpulan simpul keputusan, di hubungkan oleh cabang, memanjang ke bawah dari simpul akar sampai berakhir di simpul daun. Di mulai pada simpul akar yang berdasarkan konvensi ditempatkan dibagian atas diagram pohon keputusan, atribut di uji di simpul keputusan , dengan setiap hasil yang mungkin menghasilkan cabang. Setiap cabang kemudian mengarah ke simpul keputusan lain atau ke simpul daun yang terakhir. 2.1.6. Pengertian Klastering Klastering mengacu pada pengelompokan record, observasi, atau kasus kedalam kelas objek serupa. Klister adalah kumpulan record yang mirip satu sama lain, dan berbeda dengan record dalam kelompok lain. Clustering berbeda dari klasifikasi di mana tidak ada variable teraget untuk pengelompokan. Tugas pengelompokan tidak mencoba mengklasifikasikan, memperkirakan, atau memprediksi nilai variable target. Alih-alih, algoritma clustering berusaha men gelompokan seluruh kumpulan data ke dalam subkelompok atau gugus yang relative homogen, di mana kesamaan record dalam kluster dimaksimalkan dan kemiripan dengan record di luar klaster diminimallkan. 2.1.7. Metode Klastering 2.1.7.1.K-Means Clustering Page 27
Algoritma K-Means Clustering adalah algoritma yang membagi data menjadi beberapa kelompok. Algoritma ini terdiri dari beberapa proses, yaitu: -
Menanyakan kepada pengguna berapa banyak kumpulan data yang harus di partisi.
-
Menentukan k record sebagai pusat klaster secara acak.
-
Mencari pusat klaster dari sertiap record. Dengan demikian setiap pusat klaster “memiliki” subset dari record, sehingga mewakili partisi dari kumpulan data.
-
Untuk masing-masing klaster k, temukan centroid klaster, dan perbarui lokasi setiap pusat klaster ke nilai baru dari centroid.
-
Ulangi langkah 3 hingga 5 hingga konvergensi atau penghentian.
2.1.8. Asosiasi Tugas asosiasi dalam data mining adalah menemukan atribut yang berjalan Bersama. Paling umum dalam dunia bisnis, dimana ia dikenal sebagai affinity analysis atau analisis pasar, tugas asosiasi berusaha untuk mengungkap aturan yuntuk mengukur hubungan atara dua atau lebih atribut. Aturan asosiasi adalah “jika anteseden, maka konsekuen” Bersama dengan ukuran dukungan dan kepercayaan yang terkait dengan aturan. Misalnya, supermarket tertentu mungkin menemukan bahwa dari 1000 pelanggan yang berbelanja pada Kamis malam, 200 membeli popok, dan 200 dari pembeli popok, 50 membeli sayur. Jadi aturan asosiasi adalah “jika membeli popok, kemudian membeli sayur” dengan dukungan 200/1000 = 20% dan kepercayaan 20/200 = 25%. 2.2.
DATA WAREHOUSE
Data warehouse adalah sistem yang menyediakan infrastruktur data skala besar untuk dukungan keputusan. Di masa depan revolusi pemrosesan analitik oline (OLAP), yang memungkinkan analisis multi dimensi (misalnya pendapatan dilihat pada sumbu feografis, waktu, produk dank lien) yang akan dilakukan dari database atau data warehouse (yang terakhir mulcul dalamperiode yang sama). Pandangan multi dimensi dikonseptualisasikan melalui hyercube (hiper karena dapat memiliki lebih dari tiga dimensi). Data warehouse memerlukan alat khusu seperti extract-transform-load (ETL), yang memungkinkan warehouse untuk dimuat secara otomatis dari sumber basis data. Alat khusu memungkinkan kueri untuk dibuat (alat kueri) dan laporan, dasbor, analisis, dan lain-lain utnuk di produksi (alat pelaporan). Page 28
Datamart mengumpulkan satu set data yang relative lebih kecil (dibandingkan dengan data warehouse) tentang satu depertemen di perusahaan (keuangan, manajemen SDM, pemasaran, komersial, dan lainnya). Dta dapat berasal dari database dari sistem IT konvensional dan suber eksternal, tetapi datamart merupakan bagian dari data warehouse. Kapasitas data yang sangat besar di proses menggunakan data mining, text mining dan web mining. Algoritma yang memungkinkan pemrosesan berasal dari statistic dan kecerdasan buatan. Selama belasan tahun terakhir, alat BI telah di adaptasi ke web (antarmuka pengguna, sumber data dan lainnya) dan, yang lebih baru, ke aplikasi seluler. Perlu dicatata bahwa spreadsheet (misalnya Excel) sebagian besar digunakan di BI sebagai alat untuk menyajikan hasil (dasbor, kartu skor, dan lainnya). Dan mengembangkan aplikasi lengkap serta dukungan untuk pembuatan prototipe. 2.3.
DATA CLEANING
Agar berguna untuk tujuan data mining, dabase perlu menjalani preprocessing, dalam bentuk data cleaning dan data transformation. Data mining sering kali berkaitan dengan data yang belum pernah dilihat selama bertahun-tahun, sehingga banyak data yang mengandung nilai yang telah kadaluarsa, tidak lagi relevan, atau hanya hilang. Tujuan utama adalah untuk meminimalkan GIGO: untuk meminimalkan “garbage” (sampah) yang masuk ke dalam model sehingga kita dapat meminimalkan jumlah sampah yang diberikan model.
Page 29
2.4.
CONTOH KASUS
2.4.1. Algoritma C4.5 Table 1. Dataset
Diket: log2 0/1:
tak terhingga
log2 2/5:
-1.321928095
log2 0/4:
tak terhingga
log2 3/4:
-0.415037499
log2 1/1:
0
log2 3/5:
-0.736965594
log2 1/3:
-1.584962501
log2 3/8:
-1.415037499
log2 1/4:
-2
log2 4/4:
0
log2 2/3:
-0.584962501
log2 5/8:
-0.678071905
log2 2/4:
-1
log2 5/8:
-0.678071905
SOAL: Buat pohon keputusan dengan algoritma C4.5 PEMBAHASAN:
a. Mencari Entropi dengan rumus:
∑= Keterangan:
S adalah himpunan (dataset) kasus
k adalah banyaknya partisi S
pj adalah probabilitas yang di dapat dari Sum(Banyak) di bagi Sum(kasus).
Page 30
Jadi
(8 8)(8 8)=
0.954434003
Table 2. Hasil Perhitungan Entropi Dataset Total Kasus 8
SUM(Banyak) 3
SUM(Sedikit) 5
Entropi Total 0.954434003
b. analisis pada setiap atribut dan nilai-nilainya, hitung entropinya dan hitung gainnya. Rumus gain:
|||| =
Table 3. Tabel Nilai, Entropi dan Gain ATRIBUT Libur
NILAI
SUM(NILAI)
SUM(B)
SUM(S)
ENTROPI
GAIN
Ya
3
1
2
0.918295834
Tidak
5
2
3
0.970950594 0.003228944
Cuaca
Cerah
4
3
1
0.811278124
Hujan
4
0
4
0 0.548794941
Weeks
1
4
2
2
1
2
3
1
2
0.918295834
3
1
0
1
0 0.481668725
Entropi (s)
0.954434003
c. karena nilai gain terbesar adalah gain Cuaca. Maka Cuaca menjadi node akar (root node). d. Pada Cuaca, memiliki 4 kasus dan jawabannya ad alah sedikit (sum(total) / sum(s) = 4/4 = 1). Dengan demikian cuaca = hujan menjadi daun atau leaf. cuaca Cerah 1.1
huja Y
Page 31
e. Berdasarkan pembentukan pohon keputusan node 1, node 1.1 akan di analisis lebih lanjut. Untuk mempermudah, table 1 di filter, dengan mengambil data cuaca = cerah. Table 4. Dataset Cuaca = Cerah No 1 2 3 4
Libur Ya Tidak Tidak Tidak
Cuaca Cerah Cerah Cerah Cerah
Minggu 1 1 2 2
Jumlah Banyak Banyak Banyak Sedikit
Kemudia data di atas di analisis dan di hitung lagi. Setelah itu tentukan atribut dengan gain tertinggi untuk di buatkan node berikutnya. Table 5. Hasil analisis node 1.1 Total Kasus 4
ATRIBUT Libur
SUM(Banyak) 3
NILAI
SUM(Sedikit) 1
Entropi Total 0.811278124
SUM(NILAI)
SUM(B)
SUM(S)
ENTROPI
GAIN
Ya
1
1
0
0
Tidak
3
2
1
0.918295834 0.122556249
Weeks
1
2
2
0
0
2
2
1
1
1 0.144611458
Entropi (s)
0.811278124
Dari table 5, gain tertinggi ada pada atribut Weeks (Minggu-ke), dan nilai yang di jadikan leaf adalah weeks-ke 1. Dan hasil analisis pohon keputusan tampak seperti gamber berikut: cuaca hu a
Cerah
Y
1.1 Week 2
1 1.1.1 ?
f.
Y
Analisis node 1.1.1 sama seperti analisis sebelumnya. Table 6. hasil analisis 1.1.1. No 1 2
Libur Ya Tidak
Cuaca Cerah Cerah
Minggu 1 1
Jumlah Banyak Banyak Page 32
Total Kasus 2
SUM(Banyak) 2
SUM(Sedikit) 0
Entropi Total 0
cuaca hu a
Cerah
Y
1.1 Week 2
1 1.1.1 Libur
Y
Y
T
2.4.2. KNN
Bobot antar variable
Kedekatan jenis kelamin
Page 33
Kedekatan Pendidikan
Kedekatan Agama
Pembahasan
2.4.3. Metode naïve bayes
Page 34
Jika di ketahui: Department
= marketing
Age
= 26 – 30
Salary
= 46 – 50K
Tentukan kemungkinan status dari orang tersebut? PEMBAHASAN
ID 1 2 3 4 5 6 7 8 9 10 11
X1 Sales Sales Sales Systems Systems Systems Systems Marketing Marketing Secretary Secretary
Class Senior Junior Junior Junior Senior Junior Senior Senior Junior Senior Junior
X2 31-35 26-30 31-35 21-25 31-35 26-30 41-45 36-40 31-35 46-50 26-30
X3 46-50K 26-30K 31-35K 46-50K 66-70K 46-50K 66-70K 46-50K 41-45K 36-40K 26-30K
P(Y=Senior) = 5/11 P(Y=Junior) = 6/11 P(X1=Marketing|Y=Senior) = 1/5 Page 35
P(X1=Marketing|Y=Junior) = 1/6 P(X2=26-30|Y=Senior) = 0/5 P(X2=26-30|Y=Junior) = 3/6 P(X3=46-50K|Y=Senior) = 2/5 P(X3=46-50K|Y=Junior) = 2/6 Sehingga: P (X1=Marketing, X2=26-30, X3=46-50K | Y=Senior) => ={P(X1=Mar|Y=Senior).P(X2=26-30|Y=Senior).P(X3=46-50K|Y=Senior).P(Y=Senior)} = {(1/5) (0/5) (2/5) (5/11)} =0 P (X1=Marketing, X2=26-30, X3=46-50K | Y=Junior) => ={P(X1=Mar|Y=Senior).P(X2=26-30|Y=Senior).P(X3=46-50K|Y=Senior).P(Y=Junior)} = {(1/6) (3/6) (2/6) (6/11)} = 0.015152 Sehingga keputusannya adalah Junior 2.4.4. Metode K-Mean Clustering
NIM
Mid (40%)
UA (60%)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
56 49 98 42 48 85 87 80 69 45 24 97 84 52 70 63 25 69
71 81 78 32 29 71 97 90 47 31 25 63 75 87 43 53 46 80 Page 36
19 20
56 78
26 46
Ditentukan delta =0,1
Diinginkan untuk membagi menjadi 3 kelas nilai (C,B dan A)
Tentukan centroid masing-masing kelas
Tentukan nilai masing-masing mahasiswa
PEMBAHASAN
2.4.5.
Page 37
