Tugas Kelompok ke-(2)

Minggu 5

1. Jelaskan hubungan antara Decision Support System (DSS), Artificial Intelligence (AI) dan
Expert System (ES) serta data mining?

2. Sebutkan kemampuan yang menjadi tanda kecerdasan dari komputer?

Jawaban :
Perusahaan analitik software SAS mendefinisikan rekayasa pengetahuan (AI) sebagai mesin
yang belajar berdasarkan pengalaman dan menyesuaikan input baru sehingga dapat
melaksanakan tugas tertentu. AI melakukan pembelajaran mendalam dan memproses bahasa
alami (NL).
Al-Azmi (2013) menyebutkan rekayasa pengetahuan (AI) sebagai model prediksi yang
mempelajari sesuatu melalui pengalaman dan pelatihan untuk digunakan dalam prediksi. AI
yang dikembangkan akan mengarah kepada teknologi machine learning.
AI merupakan permodelan pembelajaran mendalam yang dikembangkan untuk kebutuhan
prediksi dan analisis. AI mengolah set data yang besar secara cepat, memproses bahasa alami,
dan mempelajari input dan pattern dari sebuah data.
Menurut Todd (1992) expert system (ES) adalah sebuah program untuk membuat penilaian dan
memberikan bantuan di bidang tertentu untuk menjaga pengetahuan manusia agar tidak langka.
Lucas dan Gaag (1991) mendefinisikan expert system (ES) sebagai sistem yang menawarkan
solusi untuk suatu masalah dan memberikan layanan.
ES berhubungan dengan AI dimana sistem ES merupakan pengaplikasian lanjutan dari
kecerdasan buatan. AI melakukan pembelajaran secara mendalam untuk dapat meniru perilaku
manusia dengan kemiripan yang hampir sempurna, sedangkan ES melakukan pembelajaran
untuk mengambil pengetahuan dari seseorang yang ahli. Contoh pengaplikasian AI yaitu fitur
autopilot yang ada pada mobil dengan mempelajari karakter medan jalan dan driver.

ISYS6323 – Management Support System

 Pengaplikasian ES yaitu pada bidang medis dan keuangan dimana sistem ES dapat
mendiagnosis penyakit layaknya dokter maupun menjadi financial advisor.

3. Sebutkan kegiatan rekayasa pengetahuan dan langkah pengembangan ES?

Jawaban :
Berdasarkan dari materi yang kami peroleh pada Lecture Notes Week 4, langkah-langkah
untuk membangun sebuah Expert System (ES), yaitu:
1. Mendefinisikan sifat dan ruang lingkup masalah
2. Mengidentifikasi ahli/pakar yang tepat
3. Mengumpulkan pengetahuan
4. Memilih alat untuk implementasi
5. Lingkungan pembangunan tujuan umum
6. Expert System Shells
7. Solusi kunci yang dapat disesuaikan
8. Memilih alat pengembangan ES
9. Coding
10. Mengevaluasi sistem

4. Sebutkan dan jelaskan tipe data dan pembagian data dalam data mining?
Jawaban :
Tipe Data di dalam Data Mining
1. Data Kategori : Mewakili label dari beberapa kelas yang digunakan untuk membagi
variabel menjadi kelompok tertentu. Contoh: data jenis kelamin.
2. Nominal Data : Berisi pengukuran kode sederhana yang ditetapkan ke objek sebagai label,
yang bukan pengukuran. Contoh: belum menikah, menikah, cerai.
3. Ordinal Data : Berisi kode yang ditugaskan ke objek atau bahkan sebagai label yang juga
mewakili urutan peringkat di antara mereka. Contoh variabel skor kredit dapat
dikategorikan secara umum (1) rendah, (2) sedang, (3) tinggi.
4. Numerik Data : Mewakili nilai numerik dari variabel tertentu. Contoh umur.

ISYS6323 – Management Support System

 5. Data Interval : Variabel yang dapat diukur pada skala interval contoh suhu.
6. Data Rasio : Data rasio meliputi variabel pengukuran yang umum ditemukan pada ilmu
fisika dan teknik. Contoh: massa, panjang
7. Jenis data lainnya meliputi tanggal / waktu, teks tidak terstruktur, gambar dan audio
Dan berikut adalah pembagian dalam Data Mining :

5. Sebutkan aplikasi yang menggunakan data mining dan tools yang digunakan di dalam data
mining?
Jawaban :
Berdasarkan Turban (2014), beberapa aplikasi yang menggunakan data mining antara lain
adalah:

ISYS6323 – Management Support System

- Customer Relationship Management
Pada CRM, data mining digunakan untuk memaksimalkan hubungan dengan customer
melalui customer profiling yaitu mengidentifikasi kemungkinan pembeli produk/layanan
baru. Selain itu, data mining juga membantu mengidentifikasi customer yang paling
menguntungkan serta kebutuhan preferensial mereka untuk memperkuat hubungan dan
memaksimalkan penjualan.
- Banking
Data mining membantu mendeteksi transaksi penipuan, mengidentifikasi cara untuk
memaksimalkan nilai pelanggan melalui penjualan produk dan layanan yang sesuai dengan
preferensi atau kebutuhan sehingga kemungkinan besar akan mereka beli, serta
mengoptimalkan cadangan kas dengan peramalan.
- Retailing & Logistics
Dengan menggunakan data mining, perusahaan dapat mengidentifikasi hubungan
penjualan antara produk yang berbeda dan kemudian memperbaiki tata letak produk serta
promosi. Pada musim atau peristiwa tertentu, data mining dimanfaatkan untuk
memprediksi tingkat konsumsi berbagai jenis produk agar dapat mengoptimalkan logistic
dan memaksimalkan penjualan.
- Entertainment industry
Data mining juga berhasil diterapkan dalam industri hiburan, diantaranya untuk
menganalisis data pemirsa untuk menentukan program apa yang akan ditampilkan selama
prime time (jam tayang utama) dan cara memaksimalkan pengembalian dengan
mengetahui kapan dan dimana harus memasukkan iklan.
- Medicine
Analisis data mining mampu memprediksi tingkat keberhasilan dari pasien transplantasi
organ untuk mengembangkan kebijakan pencocokan donor organ yang lebih baik. Selain
itu juga membantu menemukan hubungan antara gejala dan penyakit untuk membantu para
dokter membuat keputusan yang benar dan tepat waktu.

ISYS6323 – Management Support System

 Selain diatas, data mining juga digunakan pada pemerintah dan pertahanan, industri travel,
asuransi, olahraga, keamanan dalam negri dan penegakan hukum, hardware dan software
komputer, dan masih banyak lainnya.
Sedangkan tools yang digunakan dalam data mining adalah:
- Rapid Miner
- Weka
- Orange
- IBM Cognos
- Enterprise Miner
- SAP Business Objects
- PolyAnalyst
- Clementine, dan sebagainya.

6. Daftar tabel pasien hipertensi pada sebuah klinik

No Nama Usia Berat Kelamin Hipertensi
1 Alie Muda Overweight Pria Ya
2 Edi Muda Underweight Pria Tidak
3 Annie Muda Average Wanita Tidak
4 Budiman Tua Overweight Pria Tidak
5 Herman Tua Overweight Pria Ya
6 Didi Muda Underweight Pria Tidak
7 Rina Tua Overweight Wanita Ya
8 Gatot Tua Average Pria Tidak

Buatlah aturan analisis pasien yang memiliki riwayat hipertensi, jika akan ada pasien dengan
jenis kelamin pria, usia tua, berat overwiegt!
Jawaban :
Untuk analisis menggunakan metode bayes, pasien dengan jenis kelamin laki-laki, golongan
usia tua, dan berat overweight termasuk ke dalam kelompok hipertensi = “YA”.

ISYS6323 – Management Support System

NO NAMA USIA BERAT BADAN KELAMIN HIPERTENSI
1 ALIE MUDA OVERWEIGHT PRIA YA
2 EDI MUDA UNDERWEIGHT PRIA TIDAK
3 ANNIE MUDA AVERAGE WANITA TIDAK
4 BUDIMAN TUA OVERWEIGHT PRIA TIDAK
5 HERMAN TUA OVERWEIGHT PRIA YA
6 DIDI MUDA UNDERWEIGHT PRIA TIDAK
7 RINA TUA OVERWEIGHT WANITA YA
8 GATOT TUA AVERAGE PRIA TIDAK
9 X TUA OVERWEIGHT PRIA ???

P(Ci)
P{Hipertensi = YA} 3/8
P{Hipertensi = TIDAK} 5/8

P(X|Ci)
P{JK = PRIA|Hipertensi = YA} 2/3
P{JK = PRIA|Hipertensi = TIDAK} 4/5
P{Usia = TUA|Hipertensi = YA} 2/3
P{Usia = TUA|Hipertensi = TIDAK} 2/5
P{Berat = OVERWEIGHT|Hipertensi =
YA} 1
P{Berat = OVERWEIGHT|Hipertensi =
TIDAK} 1/5

P(X|Ci) * P(Ci)
Hipertensi = YA 0,444
Hipertensi = TIDAK 0,064

ISYS6323 – Management Support System

 REFERENSI

Turban, Efraim, Sharda, Ramesh, & Delen, Dursun. (2014). Decision Support and Business
Intelligence Systems. 9th Edition. Pearson. United States of America. ISBN: 1-29202426-7 or 978-
1-292-02426-4
https://www.sas.com/en_us/insights/analytics/what-is-artificial-intelligence.html#used
http://aircconline.com/ijdkp/V3N2/3213ijdkp01.pdf
https://www.cs.ru.nl/~peterl/proe.pdf
https://www.cs.ox.ac.uk/files/3425/PRG95.pdf

ISYS6323 – Management Support System