DSS & EIS

DSS & EIS

Lab work
‐Matlab,
Matlab, Weka, SPSS
Weka, SPSS‐
 Computerised Tools for Decision 
Support (Turban, 2007)
( b )
Tools Category Their acronyms
Data Management DBMS, ETL, DM, DW
Reporting Status Tracking OLAP, EIS
Visualisation GIS, Dashboards, Information Portals,
GIS Dashboards Information Portals
Multidimensional presentations
Business Analytics Optimization, Data Mining, Web Mining, 
Text Miningg
Strategy and Performance Management BPM, CPM
Communication and Collaboration GDSS, DSS, Collaborative Information 
Portals
Knowledge Management KMS, Expert Locating System
Intelligence System ES, ANN, Fuzzy Logic, GA, Intelligent 
Agents ADS
Agents, ADS
Enterprise System ERP, CRM, SCM
 Optimization
• A
A family of Mathematical Programming is 
family of Mathematical Programming is
consist of
– Linear Programming
Linear Programming
– Non‐linear Programming
– Integer Programming
Integer Programming
– Mix Integer Linear Programming
– Goal Programming
G lP i
– dll.
Linear & Nonlinear Programming
Linear & Nonlinear Programming
Linear & Nonlinear Programming
Linear & Nonlinear Programming
Mix Integer Linear Programming
Mix Integer Linear Programming
Mix Integer Linear Programming
Mix Integer Linear Programming
 Intelligence System
Intelligence System
• Self Learning
Self Learning
ANN • Parallel Process

• Inference
Fuzzy k
• Making Decision

• Optimizes
GA • Robust
•Diintisarikan dari paper : A new method of Soft Computing to estimate the economic 
•contribution rate of education in China
NEURAL NETWORK
NEURAL NETWORK
 NEURAL NETWORK
NEURAL NETWORK
• The cell itself includes a nucleus (at the center). 
( )
• To the right of cell 2, the dendrites provide input 
signals to the cell.
• To the right of cell 1, the axon sends output signals to 
cell 2 via the axon terminals. These axon terminals 
merge with the dendrites of cell 2
merge with the dendrites of cell 2. 
 ARTIFICIAL NEURAL NETWORK
ARTIFICIAL NEURAL NETWORK
• Signals can be transmitted unchanged or they can be altered 
g g y
by synapses. 
– A synapse is able to increase or decrease the strength of the 
connection from the neuron to neuron and cause excitation or 
connection from the neuron to neuron and cause excitation or
inhibition of a subsequence neuron. 
– This is where information is stored.
• Th
The information processing abilities of biological neural 
i f ti i biliti f bi l i l l
systems must follow from highly parallel processes operating 
on representations that are distributed over many neurons. 
One motivation for ANN is to capture this kind of highly 
parallel computation based on distributed representations.
 ARTIFICIAL NEURAL NETWORK
ARTIFICIAL NEURAL NETWORK
• Biological vs
Biological vs Artificial NN
Artificial NN

Biological Artificial
Soma: Nucleus Node
Dendrites Input
Axon Output
Synapse Weight
Slow Speed Fast Speed
Many neurons (109) Few neurons (a dozen to hundreds of 
thousands)
 ARTIFICIAL NEURAL NETWORK
ARTIFICIAL NEURAL NETWORK
• Note the three layers:
y
1.input
2.intermediate (called the hidden layer)
3.output.
• S
Severall hidd
hidden llayers can b
be placed
l dbbetween
t th
the iinputt
and output layers.
 ARTIFICIAL NEURAL NETWORK
ARTIFICIAL NEURAL NETWORK
…Input
†One input node corresponds to a single attribute
†Some available data need to be preprocessed into 
meaningful inputted data with symbolic representation or 
f l dd h b l
scaling e.g. transform non numerical attributes into 
numerical attributes
…Output
†Solution to the problem
†E i l d
†E.g. in load application, the output can be yes or no with 
li ti th t t b ith
numeric values
†Need to be post‐processed. For instance, rounding output 
values into 0 or 1
 ARTIFICIAL NEURAL NETWORK
ARTIFICIAL NEURAL NETWORK
…Connection Weights
g
†Key elements of ANN
†Express relative strength (importance) of input data or 
many connections that transfer data from layer to layer
ti th t t f d t f l t l
†Weights store learned patterns of information through 
repeated adjustments of weights
 ARTIFICIAL NEURAL NETWORK
ARTIFICIAL NEURAL NETWORK
• Merepresentasikan
p struktur multilayer feedfoward
y f f network. 
• Neuron‐neuron dalam model ini dikelompokkan dalam layer‐
layer yang terhubung ke arah jalan sinyal (pada gambar dari
ki i ke
kiri k kanan). 
k )
• Tidak ada hubungan lateral dalam masing‐masing layer dan
jjuga
g tidak ada hubungan
g ffeedbackward dalam network. 
Neural network terbaik untuk model ini adalah perceptron
network.
 ARTIFICIAL NEURAL NETWORK
ARTIFICIAL NEURAL NETWORK
• Melukiskan sebuah single layer yang terhubung
g y y g gp
penuh ke
model network, dimana masing‐masing neuron secara lateral 
terhubung ke semua neuron tetangga dalam layer. 
• Pada
P d model ini
d l i i semua neuron berfungsi
b f i sekaligus
k li sebagai
b i
input dan output. 
• Neural network terbaik untuk model ini adalah Hopfield 
p
network
 ARTIFICIAL NEURAL NETWORK
ARTIFICIAL NEURAL NETWORK
• Menunjukkan
j hubungan
g dalam two‐layer 
y
feedfoward/backfoward network. 
• Layer‐layer pada neural network model ini terhubung ke dua
arah. Seperti
h S ti yang terlihat
t lih t di network, model ini
t k d l i i akan
k
beresonansi beberapa kali sebelum respon diterima oleh
output layer.
• Model terbaik dari neural network ini adalah Adaptive 
Resonance Theory (ART) network.
 ARTIFICIAL NEURAL NETWORK
ARTIFICIAL NEURAL NETWORK
• Mengilustrasikan
g ide dari sebuah topologi
p g organized 
g
feature map. Pada model ini masing‐masing neuron 
dalam network berisi sebuah feature vector. 
• Ketika
K tik sebuah
b h polal dari
d i data training diberikan
d t t i i dib ik ke k
network, neuron yang corak vektornya terdekat dengan
input vektor akan diaktifkan (activated).
• Model terbaik dari neural network ini diantaranya adalah
Self‐Organizing Map dari Kohonen
 ARTIFICIAL NEURAL NETWORK
ARTIFICIAL NEURAL NETWORK

• Taken from lecturer

lecturer’ss note : Intelligence System by Rully Soelaiman
ANN action in Matlab
ANN action in Matlab
 ANN action in Matlab
ANN action in Matlab
• P = [0 1 2 3 4 5 6 7 8 9 10]
P = [0 1 2 3 4 5 6 7 8 9 10]
 ANN action in Matlab
ANN action in Matlab
• T = [0 1 2 3 4 3 2 1 2 3 4]
T = [0 1 2 3 4 3 2 1 2 3 4]

Versi GUI : nntool
 GENETIC ALGORITHM
GENETIC ALGORITHM
“Computational procedures patterned after biological 
evolution”
“Search procedure that probabilistically applies search 
operators to set of points in the search space
operators to set of points in the search space”
Selection
Mutation

n‐th Generation Crossover (n+1)‐th Generation

 Tahap Selecting

Tahap pemilihan kromosom induk manakah

yang akan dikenakan crossover dan mutasi.

Fitness Function …
 Tahap Selecting

Fitness Kromosom Kromosom

6 1

Peluang= Kromosom Kromosom

5 2
1/Fit
1/Fitness

Kromosom Kromosom
Peluang 4 3
Kumulatif

Random Number
 GENETIC ALGORITHM
GENETIC ALGORITHM
• Proses Mutasi

• Proses Crossover
 Fuzzy logic
Fuzzy logic
CONTROL STRUCTURE
CONTROL STRUCTURE
• Fuzzification
– Scales and maps input variables to fuzzy sets
S l d i t i bl t f t
• Inference Mechanism
– Approximate reasoning
– Deduces the control action
• Defuzzification
– Convert fuzzy output values to control signals
y p g
 Himpunan klasik
• Misalkan
sa a variabel
a abe U
Umuru d
dibagi
bag menjadi
e jad ttiga
ga
kategori yaitu
MUDA umur < 35 tahun
PAROBAYA 35 <= umur <= 55 tahun
TUA umur > 55 tahun
• Apabila ada seseorang berumur 34 tahun, maka ia dikatakan Muda, 
µMuda(34)=1
• Apabila ada seseorang berumur 35 tahun, maka
35 tahun maka ia dikatakan Tidak
Muda, µMuda(35)=0
• Apabila ada seseorang berumur 35 tahun kurang 1 hari, maka ia
dikatakan Tidak Muda, µ
Muda µMuda(35thn 
(35thn – 1hari)
1hari)=0
0
 Fungsi keanggotaan
• LINEAR NAIK
LINEAR NAIK
 Fungsi keanggotaan
• LINEAR TURUN
LINEAR TURUN
 Fungsi keanggotaan
• SEGITIGA
 Fungsi keanggotaan
• TRAPESIUM
 Fungsi keanggotaan
• Bahu

0
0 28 40
 Fungsi keanggotaan
• Kurva S 
S – Pertumbuhan
 Fungsi keanggotaan
• Kurva S 
S – Pertumbuhan
 Fungsi keanggotaan
• Kurva S 
S ‐ Penyusutan
 Fungsi keanggotaan
• Kurva S 
S ‐ Penyusutan
 Fungsi keanggotaan
• Kurva π 
π
 Fungsi keanggotaan
• Kurva π 
π
 Fungsi keanggotaan
• Beta
 Fungsi keanggotaan
• Gauss
 Operasi fuzzy 
fuzzy ‐ AND
• Operator
Operator ini
ini berhubungan dengan operasi
interseksi pada himpunan
• Maka α‐predikat
α predikat dengan operator AND 
operator AND
diperoleh dengan mengambil nilai
keanggotaan terkecil antar elemen pada
himpunan‐himpunan yang bersangkutan
 Operasi fuzzy 
fuzzy ‐ AND
• Contoh : Misalkan
: Misalkan nilai keanggotaan 27 27
tahun pada himpunan MUDA adalah 0.6 
(µMUDA(27)=0.6) dan nilai keanggotaan Rp. 
2.000.000 pada himpunan penghasilan
TINGGI adalah 0.8 (µGAJITINGGI(2000000)=0.8)  
maka
k nilai l α‐predikat
d k untukk usia MUDA dan d
berpenghasilan TINGGI adalah
∩
• µMUDA       TINGGI =min(µ
i ( MUDA(27), µ
( ) GAJITINGGI(2000000))
( ))
=min(0.6, 0.8)
=0.6
 Operasi fuzzy 
fuzzy ‐ or
• Operator
Operator ini
ini berhubungan dengan operasi
union pada himpunan
• Maka α‐predikat
α predikat dengan operator OR 
operator OR
diperoleh dengan mengambil nilai
keanggotaan terbesar antar elemen pada
himpunan‐himpunan yang bersangkutan
 Operasi fuzzy 
fuzzy ‐ or
• Contoh
Co to :: Misalkan sa a nilaia keanggotaan
ea ggotaa 27 tahun ta u
pada himpunan MUDA adalah 0.6 (µMUDA(27)=0.6) 
dan nilai keanggotaan Rp. 2.000.000 pada
h
himpunan penghasilan
h l TINGGI adalah d l h 0.8 
(µGAJITINGGI(2000000)=0.8)  maka nilai α‐predikat
untuk usia MUDA atauMUDA atau berpenghasilan TINGGI  TINGGI
adalah
MUDA
∪ TINGGI=max(µ
• µMUDA       TINGGI max(µMUDA(27), µ
(27), µGAJITINGGI2000000))
=max(0.6, 0.8)
=0 8
=0.8
 Operasi fuzzy 
fuzzy ‐ not
• Operator
Operator ini
ini berhubungan dengan operasi
komplemen pada himpunan
• Maka α‐predikat
α predikat dengan operator NOT 
operator NOT
diperoleh dengan mengurangkan nilai 
keanggotaan elemen pada himpunan yang
keanggotaan elemen pada himpunan yang 
bersangkutan dari 1 
 Operasi fuzzy 
fuzzy ‐ not
• Contoh : Misalkan
: Misalkan nilai keanggotaan 27 tahun
27 tahun
pada himpunan MUDA adalah 0.6 
(µMUDA(27)=0.6) berapa
(27)=0 6) berapa nilai α
α‐predikat
predikat untuk
usia TIDAK MUDA
• µMUDA’ = 1 ‐
1 µMUDA(27) 
(27)
= 1 – 0.6 = 0.4
 Operator FUZZy

A                                                     B

A ∧ B                                   A ∨
A ∧ B A ∨ B                           ¬A
B A
 Inference fuzzy
Inference fuzzy
• Sistem Inferensi Fuzzy merupakan
Fuzzy merupakan suatu
kerangka komputasi yang didasarkan pada
teori himpunan fuzzy yang berbentuk
fuzzy yang berbentuk IF
IF‐THEN
THEN
 Inference ‐ tsukamoto
Inference 
• Untuk menentukan kinerja seorang karyawan
dipengaruhi oleh 3 variable, yaitu loyalitas, 
kedisiplinan dan prestasi. Setiap
prestasi Setiap variabel
terdiri dari 5 himpunan, yaitu sangat rendah
(SR) rendah (R), Cukup
(SR), rendah (R) Cukup (C), Tinggi
(C) Tinggi (T) dan
(T) dan
Sangat Tinggi (ST).
• Sedangkan kinerja karyawan terbagi atas 2  2
kategori, yaitu Baik dan Buruk.
 Inference ‐ tsukamoto
Inference 
• Himpunan SR (Sangat Rendah)
SR (Sangat

⎧ 2525− x ; 0 ≤ x ≤ 25
μ SR ( x) = ⎨
⎩0; x ≥ 25
 Inference ‐ tsukamoto
Inference 
• Himpunan R (Rendah)
R (Rendah)

⎧ 25x ; 0 ≤ x ≤ 25
⎪ 50− x
μ R ( x) = ⎨ 25 ; 25 ≤ x ≤ 50
⎪0; x ≥ 50
⎩
 Inference ‐ tsukamoto
Inference 
• Himpunan C (Cukup)
C (Cukup)

⎧0; x ≤ 25 atau x ≥ 75
⎪ x − 25
μC ( x) = ⎨ 25 ; 25 ≤ x ≤ 50
⎪ 75− x ; 50 ≤ x ≤ 75
⎩ 25
 Inference ‐ tsukamoto
Inference 
• Himpunan TT (Tinggi)
(Tinggi)

⎧0; x ≤ 50
⎪ x −50
μT ( x) = ⎨ 25 ; 50 ≤ x ≤ 75
⎪ 100− x ; 75 ≤ x ≤ 100
⎩ 25
 Inference ‐ tsukamoto
Inference 
• Himpunan ST (Sangat Tinggi)
ST (Sangat

⎧0; x ≤ 75
μ ST ( x) = ⎨ x −75
⎩ 25 ; 75 ≤ x ≤ 100
 Inference ‐ tsukamoto
Inference 
• Himpunan fuzzy untuk
fuzzy untuk kinerja

⎧
75 − y
; 0 ≤ y ≤ 75
μ BURUK ( y ) = ⎨
75

⎩0; y ≥ 75
 Inference ‐ tsukamoto
Inference 
• Himpunan fuzzy untuk
fuzzy untuk kinerja

⎧0; y ≤ 25
μ BAIK ( y ) = ⎨ y −50
⎩ 50 ; 50 ≤ y ≤ 100
 Inference ‐ tsukamoto
Inference 
• RULE
RULE BASE untuk
BASE untuk suatu Kinerja dikatakan Baik
jika

IF Loyalitas TINGGI and Kedisiplinan TINGGI and

Prestasi SANGAT TINGGI then Kinerja j BAIK

• Misalkan ada seorangg karyawan

y yyang memiliki
g
nilai Loyalitas 60, kedisiplinan 80, dan prestasi 90, 
maka bagaimana kinerja karyawan tersebut?
 Inference
Inference ‐ tsukamoto

⎧0; x ≤ 50
⎪ 60−50
μ LoyalitasTINGGI (60) = ⎨ 25 = 0.4; 50 ≤ x ≤ 75
⎪ 100− x ; 75 ≤ x ≤ 100
⎩ 25
 Inference
Inference ‐ tsukamoto

⎧0; x ≤ 50
⎪ 80−50
μ KedisiplinanTINGGI (80) = ⎨ 25 = 0.8; 50 ≤ x ≤ 75
⎪ 100− x ; 75 ≤ x ≤ 100
⎩ 25
 Inference ‐ tsukamoto
Inference 

⎧0; x ≤ 75
μ Pr estasiSangatTinggi (90) = ⎨ 90−75
⎩ 25 = 0.6; 75 ≤ x ≤ 100
 Inference ‐ tsukamoto
Inference 
• Karena digunakan operator AND untuk
operator AND untuk
merelasikan antar variabel, maka nilai α‐
predikat aturan tersebut adalah
α‐predikat = min(0.4; 0.8; 0.6)
= 0.4
04
• Lalu dilakukan defuzzyfikasi
 Inference ‐ tsukamoto
Inference 
• Defuzzyfikasi

0.4

y − 50
= 0.4 y=70
50
 Rule Base
Air Temperature
• Set cold {50, 0, 0}
S ld { 0 0 0}
• Set cool {65, 55, 45}
• Set just right {70, 65, 60}
• Set warm {85, 75, 65}
• Set hot {∞, 90, 80}
 Rule Base
Rule Base
Fan Speed
p
• Set stop {0, 0, 0}
{ , , }
• Set slow {50, 30, 10}
• Set medium {60, 50, 40}
• Set fast {90, 70, 50}
Set fast {90, 70, 50}
• Set blast {∞, 100, 80}
 Rules

Air Conditioning Controller Example:
g p

• IF Cold then Stop
IF Cold then Stop
• If Cool then Slow
• If OK then Medium
• If Warm then Fast
• IF Hot then Blast
Taken from book of Sri Kusumadewi, 
“Analisis & Desain Sistem Fuzzy menggunakan Toolbox Matlab”, Graha Ilmu, 200
 0
Fuzzy Air Conditioner
100
00
st If Hot
H t
90 Bla then
Blast

80 Fa
st If Warm
then
70 Fast

60
Med If Just Right
iu m then
50 Medium

40 IF Cool
Sl
ow then
30 Slow

if Cold
20
then Stop

10
St
o p

1
m

t
ol

Ho
ar
Co

W
Co

Rig t
ht
Jus
ld

45 50 55 60 65 70 75 80 85 90
 1
Mapping Inputs to Outputs
0

100
s t
90 Bla t

80 Fa
st

70

60
Med
iu m
50

40
Sl
ow
30

20

10
St
op

1
m

t
ol

Ho
ar
Co

W
Co

t
ht
J us
ld

Rig

45 50 55 60 65 70 75 80 85 90
Fuzzy Editor
Fuzzy Editor
 Data Mining with WEKA
Data Mining with WEKA
• Data Preprocess
Data Preprocess
• Classify
• Cl
Cluster
• Associate
 Data Preprocess
Data Preprocess
• Pemrosesan awal data, dapat
data dapat berupa
converting string to nominal, pemilihan
attribut yang paling berpengaruh
yang paling berpengaruh (search 
(search
algorithm), dll.
 Classify
• Use training set
Use training set
• Supplied test set
• Cross‐validation
C lid i

• Percentage split 
 How to read the output
How to read the output

• This is the confusion matrix for the 10‐fold cross‐validation, 
showing what classification the instances from each class 
received when it was used as testing data. E.g. for class “c“ 15 
instances were correctly classified but 2 instance was assigned
instances were correctly classified but 2 instance was assigned 
to class "b"
How to read the output
How to read the output
 Cluster
• Cluster > Unsupervised
Cluster > Unsupervised
– Hanya bisa membagi data menjadi n cluster
– Tidak dapat diketahui kelasnya
– Clustering berdasarkan central tendency dan jarak
antar central
• Classify > Supervised
– Dapat
D t mendefinisikan
d fi i ik kelas
k l dari
d i data
d t
– Dapat mengklasifikasikan data
 Associate
• Mencari asosiasi dari dua data
– contoh pelanggan supermarket yang membeli roti
biasanya membeli apa?
• Contoh data contact lenses.arff
 SPSS
• Reliability Test
Reliability Test
• Validity Test
• Correlation & Regression Test
C l i & i