MANAJEMEN PENGETAHUAN

PEMBELAJARAN DARI DATA

Dosen Pengampu : Ninik Probosari, SE, M.Si

Disusun Oleh :

Ananda Hesty Pratiwi 141160374

Arfan Imam Adamsyah 141160393
Elissyah Agustina 141170011
Chairunnisa Nasution. 141170082

PROGRAM STUDI MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
YOGYAKARTA
2018
BAB I
PENDAHULUAN
A. Latar Belakang
Belajar adalah proses berulang, di mana hasil model akhir dari kombinasi
pengetahuan sebelumnya dan informasi yang baru ditemukan. Model yang
ditingkatkan memberi bisnis keunggulan kompetitif yang penting. Alat
pembelajaran sangat penting untuk mengembangkan lingkungan manajemen
pengetahuan. Pendekatannya adalah untuk mengidentifikasi apakah alat-alat
tersebut dikendalikan oleh teori atau berdasarkan data. Alat belajar yang
digerakkan oleh teori mengharuskan pengguna untuk menetapkan suatu model
berdasarkan pengetahuan sebelumnya dan untuk menguji model tersebut untuk
validitas. Alat belajar berbasis data secara otomatis membuat model berdasarkan
pola yang ditemukan dalam data. Namun, model yang baru ditemukan harus
diuji sebelum dapat dianggap valid. Pengetahuan yang tidak memadai atau tidak
lengkap untuk pengambilan keputusan sering mengganggu para manajer di
semua tingkatan. Dalam bab ini, kami menunjukkan bagaimana proses tertentu
mengoordinasikan fragmen pengetahuan untuk memungkinkan organisasi
belajar berfungsi secara efektif. Penting untuk memahami bagaimana
mekanisme tertentu, prosedur, dan proses memobilisasi pengetahuan yang
dibutuhkan untuk menghasilkan pengambilan keputusan yang berkualitas. Kami
mulai dengan konsep pembelajaran dan belajar dari data. sebagai salah satu
aspek dari proses pembelajaran dalam suatu organisasi. Dalam bab ini, kita
membahas tiga. teknik utama yang digunakan dalam penggalian data: jaringan
syaraf tiruan, aturan asosiasi, dan pohon sertifikasi.
B. Rumusan Masalah
1. Apa itu Konteks Pembelajaran?
2. Bagaimana Proses Pembelajaran terjadi?
3. Apa Tujuan dari Pembelajaran?
4. Apa saja pendekatan pada pembelajaran?
5. Apa yang dimaksud dengan Visualisasi Data?
6. Bagaimana Artificial Neural Network sebagai Model Pembelajaran?
7. Apa saja pengawasan dalam pembelajaran?
 BAB II
PEMBAHASAN

A. Konsep Pembelajaran.
Konsep "Pembelajaran" Lapisan intelijen kolaboratif dari infrastruktur
KM bergantung pada beberapa teknologi termasuk kecerdasan buatan, sistem pakar
data pergudangan, case-based reasonin (CBR), agen cerdas, dan jaringan syaraf.
alasan berbasis kasus telah dibahas sebelumnya. Data pergudangan adalah
pemersatu basis data dan akan dibahas dalam Bab Selanjutnya. Dalam bab ini, kita
fokus pada jaringan saraf dan peran mereka dalam sistem manajemen pengetahuan
Menggunakan alat teknologi "belajar" memberikan lingkungan kolaboratif bagi
manusia untuk meningkatkan proses yang penting bagi mereka, seperti
pengembangan produk baru atau tugas lain yang dilakukan secara rutin di seluruh
industri.

B. Tujuan Pembelajaran.
Tujuannya adalah meningkatkan kualitas komunikasi dan pengambilan
keputusan di dalam perusahaan. Alat dan prosedur pembelajaran memberikan
pengetahuan baru tentang produk atau layanan, atau menghasilkan pengetahuan
khusus di jalan solusi, obat, atau hasil. Ketika menguji alat belajar, pasar kompetitif
adalah lahan subur untuk validasi pengetahuan, yang merupakan prasyarat untuk
penggunaan pengetahuan. Konsep pemersatu pembelajaran adalah mekanisme
khusus yang membantu perusahaan menentukan jenis pengetahuan yang
dibutuhkan untuk pengambilan keputusan. Dalam lingkungan otomatisasi
pengetahuan, pembelajaran adalah proses penyaringan ide dan mengubahnya
menjadi pengetahuan yang valid, memiliki kekuatan untuk memandu keputusan.
validasi adalah proses dua langkah: validasi model dan persetujuan konsensus.
Validasi model melibatkan pengujian struktur logis dari model konseptual atau
operasional untuk konsistensi internal dan menguji hasil untuk konsistensi eksternal
dengan fakta-fakta dunia nyata yang dapat dikenali. Persetujuan konsensual berarti
persetujuan dari kelompok referensi khusus atau pengguna hasil Belajar dari data
dan pola data menghasilkan pengetahuan yang dapat digunakan dalam pengambilan
 keputusan bisnis Secara umum, tujuan dari proses pembelajaran adalah sebagai
berikut :
1. Menemukan pola baru dalam data ini
2. Memverifikasi hipotesis yang terbentuk dari akumulasi pengetahuan dunia nyata
sebelumnya
3. Memprediksi tren nilai masa depan

C. Pendekatan Pembelajaran
Perilaku Belajar dari data membutuhkan model yang secara otomatis
meningkat seiring dengan pengalaman. Ada dua pendekatan untuk membangun
model pembelajaran: top-down dan bottom-up. Dalam model top-down, satu
dimulai dengan hipotesis yang berasal dari observasi, intuisi, atau pengetahuan
sebelumnya. Misalnya, hipotesis bisa. "Turis yang berkunjung ke Mesir
mendapatkan pendapatan tahunan paling sedikit $ 50.000" Hipotesis ini kemudian
diuji dengan mempertanyakan basis data dan melakukan beberapa statistik. Jika tes
tidak mendukung hipotesis, maka hipotesis harus direvisi dan diuji lagi.
Strateginya sangat mudah: menghasilkan ide, mengembangkan model, dan
mengevaluasi mereka untuk validasi. Dalam pendekatan bottom-up, tidak ada
hipotesis untuk diuji. Teknik pembelajaran digunakan untuk menemukan pola baru
dengan menemukan hubungan dalam data. Contoh penemuan pola adalah analisis
keranjang belanja, di mana transaksi pembelian dikumpulkan dan disimpan dalam
basis data. Tujuannya adalah untuk mengidentifikasi produk yang dibeli bersama-
sama Ekstraksi pola pembelian yang tidak diketahui dapat digunakan untuk
memahami kebiasaan membeli pelanggan dan melakukan tindakan yang dapat
meningkatkan penjualan, seperti menyesuaikan penemuan atau memodifikasi tata
letak lantai Misalnya, dalam satu studi Pola data penjualan dalam jaringan
supermarket menunjukkan bahwa pria yang sudah menikah antara usia 21 dan 27
yang pergi berbelanja untuk popok juga membeli bir. Akibatnya, toko mulai
menancapkan kotak bir di samping rak popok.

D. Visualisasi Data
 Visualisasi data dilihat oleh banyak bidang ilmu sebagai komunikasi visual
modern. Visualisasi data mengikutkan pembuatan dan kajian dari representasi
visual dari data, artinya "informasi yang telah diabstraksikan dalam bentuk
skematis, termasuk atribut atau variabel dari unit informasi". Tujuan utama dari
visualisasi data adalah untuk mengkomunikasikan informasi secara jelas dan
efisien kepada pengguna lewat grafik informasi yang dipilih, seperti tabel dan
grafik. Visualisasi yang efektif membantu pengguna dalam menganalisa dan
penalaran tentang data dan bukti. Ia membuat data yang kompleks bisa diakses,
dipahami dan berguna. Sebelum membuat model dari data visualisasi yang efektif,
kita harus terbiasa dengan struktur data yang tersimpan, hubungan. dan artinya.
Langkah pertama adalah mengumpulkan berbagai angka numerik dan melakukan
beberapa statistik deskriptif untuk mendapatkan rata-rata, standar deviasi, dan
sebagainya. Misalnya, kita mungkin menemukan makna dalam belajar tentang
penjualan rata-rata produk pemimpin atau tingkat penjualan satu produk, seperti
pakaian untuk penjualan produk lain, seperti dasi. Menjelajahi data berarti
mencari secara visual atau numerik untuk kelompok atau tren. Ini termasuk yang
berikut:
1. Distribusi atribut kunci misalnya, atribut target dari tugas prediksi
2. Identifikasi poin outlier yang secara signifikan di luar rentang hasil yang
diharapkan
3. dentifikasi hipotesis awal dan langkah-langkah prediktif
4. Ekstraksi dari kumpulan data yang menarik untuk penyelidikan lebih lanjut.
Masalah dalam menggunakan visualisasi berasal dari fakta bahwa model memiliki
banyak dimensi atau variabel, tetapi kami dibatasi untuk menampilkan variabel-
variabel ini pada layar komputer atau kertas 2-dimensi.Ini berarti alat visualisasi
harus menggunakan representasi cerdas untuk menciutkan sejumlah dimensi
menjadi hanya dua. Peran visualisasi data dalam memahami fenomena dan
memecahkan masalah nyata diilustrasikan dalam pengalaman historis Florence
Nightingale dan John Snow.
E. Jaringan Saraf Tiruan
Jaringan saraf tiruan (JST) atau dalam Bahasa Inggris disebut artificial neural
network (ANN) adalah jaringan dari sekelompok unit pemroses kecil yang
dimodelkan berdasarkan sistem saraf manusia. JST merupakan sistem adaptif yang
dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi
eksternal maupun internal yang mengalir melalui jaringan tersebut. Oleh karena
sifatnya yang adaptif, JST juga sering disebut dengan jaringan adaptif. Secara
sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat
digunakan untuk memodelkan hubungan yang kompleks antara input dan output
untuk menemukan pola-pola pada data. Menurut suatu teorema yang disebut
"teorema penaksiran universal", JST dengan minimal sebuah lapis tersembunyi
dengan fungsi aktivasi non-linear dapat memodelkan seluruh fungsi terukur Boreal
apapun dari suatu dimensi ke dimensi lainnya.
Seiring berkembangnya teknologi, jaringan saraf telah dimodelkan seperti
jaringan otak manusia. Teknologi ini mencoba untuk mensimulasikan proses
informasi biologis melalui jaringan besar elemen pemrosesan yang disebut neuron.
Jaring syaraf dan komputer digital tidak sama. Jaring syaraf berbentuk analog dan
paralel. Mereka belajar melalui contoh, bukan dengan aturan atau instruksi yang
diprogram. Komputer digital tidak berevolusi seperti itu. Salah satu bidang di mana
jaring saraf membuat kontribusi pasti untuk pengambilan keputusan adalah dalam
sistem otomasi pengetahuan. Jaring saraf menunjukkan kinerja yang unggul
dibandingkan dengan ahli manusia untuk memunculkan hubungan fungsional
antara nilai input dan output. Dalam perbandingan kedua teknologi tersebut, jaring
saraf terbukti lebih baik dalam pembelajaran dengan contoh daripada oleh rudal,
dan mereka terus belajar ketika perubahan lingkungan yang bermasalah.
Kemampuan ini membuat mereka cocok untuk menangani masalah tidak terstruktur
dan informasi yang tidak konsisten. Jaring saraf juga dapat menangani data fuzzy
tanpa kehilangan akurasi.
Sistem otomatisasi pengetahuan sangat bergantung pada kelengkapan data
sebelum mereka menawarkan solusi akhir. Singkatnya, sistem otomatisasi
pengetahuan menawarkan struktur, kemampuan menjelaskan, dan validitas,
sedangkan jaring saraf menawarkan bagian kreatif dari pemecahan masalah.
 Mereka belajar dari pengalaman dengan cara yang sama seperti seorang ahli
manusia mengembangkan keterampilan membuat keputusan.

F. Elemen dasar dari Neurons(syaraf)

Otak manusia terdiri dari 10 miliar atau lebih neuron; setiap neuron berinteraksi
langsung dengan 1.000 hingga 10.000 neuron lain. Sebuah neuron berfungsi atau
tidak menyala. Tingkat pengaktifan menentukan besarnya informasi. Ketika otak
menerima input, umumnya meresponsnya. Tanggapan adalah kombinasi dari
pembelajaran dan apa yang telah diprogram secara genetik dari waktu ke waktu.
Jaringan saraf adalah suatu sistem informasi yang dimodelkan seperti jaringan otak
manusia dari unsur-unsur pemrosesan dasar yang saling berhubungan secara
elektronik yang disebut neuron. Hal ini dipandang sebagai sistem pemrograman
mandiri berdasarkan masukan dan keluarannya. Setiap neuron memiliki fungsi
transfer yang menghitung sinyal output dari sinyal input. Sebuah blok bangunan
neuron khas, atau node, ditunjukkan pada Gambar 11. 1. Neuron mengevaluasi
input, menentukan kekuatan atau bobotnya, "jumlah," input gabungan, dan
membandingkan totalnya dengan ambang (fungsi transfer) tingkat. Ambang batas
bisa menjadi sesuatu yang sederhana seperti nol atau dapat mencerminkan input
dalam rentang yang diberikan (0-1). Jika jumlahnya lebih besar dari ambang batas,
neuron akan menyala. Yaitu, ia mengirimkan output dari neuron tertentu. Jika tidak,
itu tidak menghasilkan sinyal. Interkoneksi, atau menggabungkan neuron dengan
neuron lain, membentuk lapisan node atau jaringan saraf. Interkoneksi analog
dengan sambungan sinaps-neuron dalam jaringan biologis.
G. Supervised Learning

Metode pembelajaran terawasi pada Jaringan Syaraf Tiruan (Neural network),

metode ini digunakan jika output yang diharapkan telah diketahui sebelumnya.
Biasanya pembelajaran dilakukan dengan menggunakan data yang telah ada. Pada
metode ini, setiap pola yang diberikan kedalam jaringan saraf tiruan telah diketahui
outputnya. Satu pola input akan diberikan ke satu neuron pada lapisan input. Pola
ini akan dirambatkan di sepanjang jaringan syaraf hingga sampai ke neuron pada
lapisan output. Lapisan output ini akan membangkitkan pola output yang nantinya
akan dicocokkan dengan pola output targetnya. Apabila terjadi perbedaan antara
pola output hasil pembelajaran dengan pola output target, maka akan muncul error.
Dan apabila nilai error ini masih cukup besar, itu berarti masih perlu dilakukan
pembelajaran yang lebih lanjut.
H. Unsupervised Learning

Metode pembelajaran tidak terawasi pada Jaringan Syaraf Tiruan (Neural

network), tidak memerlukan target output. Pada metode ini tidak dapat ditentukan
hasil seperti apa yang diharapkan selama proses pembelajaran. Selama proses
pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai
input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit-unit
yang hampir sama dalam suatu area tertentu. Pembelajaran seperti ini biasanya
sangat cocok untuk pengelompokkan (klasifikasi) pola.
I. Aplikasi Bisnis

a. Manajemen Resiko

Jaringan syarat tiruan sering digunakan untuk memprediksi volume

penjualan suatu produk, mengatur proses industri dan berbagai keperluan
riset tentang konsumen. Berbagai aplikasi lain dapat kita temui di Industri
dalam hal manajemen resiko, pengelolaan aset dan keperluan lainnya.
b. Memprediksi Fluktuasi Nilai Mata Uang Asing
 Prediksi kurs mata uang adalah salah satu tahap awal yang sangat
penting sebelum dilakukan proses jual beli nilai tukar mata uang yang
nantinya menjadi acuan perekonomian dunia. Pada penggunaannya juga
dapat sebagai pertimbangan untuk para pialang saham dan bursa efek untuk
mengambil langkah bisnis selanjutnya. Data dari kurs mata uang dapat
diperlakukan secara ‘time series’ . Jika kita mempunyai data harian selama
periode tertentu, misal : Xt (t=1,2,……), maka kurs mata uang pada perioda
berikutnya (t+h) dapat diprediksi (waktu yang digunakan bisa jam, harian,
mingguan , bulanan ataupun tahunan) . Demikian seterusnya dilakukan
suatu iterasi berulang hingan N hari kerja. Untuk mendapatkan hasil
prediksi yang baik maka pada jaringan syaraf buatan hasus di-umpankan
suatu masukan yang mewakili dari beberapa aspek atau segi penunjang
harga suatu kurs mata uang. Kemudian dilakukan prinsip pembobotan yang
diadaptasikan untuk meminimumkan kesalahan prediksi pada satu langkah
kedepan. Dengan menggunakan bobot akhir dilakukan suatu tindakan untuk
meminimumkan kesalahan total untuk iterasi berikutnya.
J. Penilaian Hipotesis

Hipotesis Dalam penelitian ini terdapat dua hipotesis yang akan dibuktikan, yaitu :
1. Semakin banyak jumlah data yang dilatihkan, maka keluaran data yang
dihasilkan juga akan semakin akurat.

2. Semakin kecil nilai learning rate, maka keluaran yang dihasilkan semakin
mendekati valid.
BAB III

PENUTUP

Kesimpulan