Model dan Prediksi Data

Kelas XI Semester 1 Tahun 2021-2022

Beni Aminullah, S.T., M.T.

Kompetensi Dasar
3.3. Memahami bahwa data dapat bersifat kompleks dan dapat
didekomposisi menjadi elemen-elemen data.
3.4. Memahami bahwa organisasi dan penyimpanannya akan
mempengaruhi cost, speed, reliability, accessibility, privacy, dan
integrity.
3.5. Memahami bahwa penalaran dan prediksi terhadap suatu data
tergantung pada model.
4.3. Mengumpulkan data besar dari berbagai sumber.
4.4. Mengorganisasikan, menyimpan, dan mengolah data yang
kompleks berdasarkan suatu model yang sudah ada.
Materi:
1. Review tentang data.
2. Model data
3. Prediksi data
4. Mengolah data dengan Weka → optional
1. Review Tentang Data

Jenis Data
1. Numerik 2. Kategorik 3. Ordinal
a. Diskrit
b. Kontinu
2. Model Data
• Model data adalah suatu cara untuk merepresentasikan data,
batasannya, serta hubungannya berdasarkan fakta di dunia nyata.
• Dengan membuat model data kita dapat membuat perantara untuk
mentransformasi data tersebut agar dapat diproses oleh
sistem/komputer.
• Ada 2 jenis model dalam merepresentasikan model data, yaitu:
1. Model data berdasarkan objek
2. Model data berdasarkan record
2.1. Model data berdasarkan objek

• Model data ini menggunakan pendekatan objek untuk

merepresentasikan sesuatu.
• Kita menganggap suatu objek dalam dunia nyata sebagai objek yang
direpresentasikan dalam bentuk entitas, atribut, serta relasi yang
berkaitan diantara entitas-entitas tersebut.
• Jenis-jenis model data berbasis objek diantaranya sebagai berikut:
a. Model Entity-Relationship (ER)
b. Model Semantik
c. Model Data Berorientasi Objek
a. Model ER (Entity Relationship)
• Model data yang paling populer dan paling banyak digunakan saat ini.
• Model ER memetakan objek dunia nyata sebagai suatu entitas.
• Sekumpulan entitas yang sama disebut sebagai set entitas.

Contoh: 1. Seorang siswa dapat dianggap sebagai satu entitas.

2. Kalo banyak siswa kita dapat menyatakan siswa-siswa
tersebut sebagai set entitas.
• Jadi, set entitas dapat dikatakan sebagai himpunan entitas yang
merepresentasikan objek/entitas yang sama secara umum pada dunia
nyata.
• Istilah yang digunakan dalam pembuatan model ER :
1. Atribut merupakan kumpulan dari entitas-entitas yang sama.
2. Relasi merupakan hubungan antara satu entitas dengan entitas lainnya.
3. Memetakan entitas, atribut, dan relasinya dengan menggunakan
simbol.

• Simbol dasar yang biasa digunakan pada ER adalah sebagai berikut:

Notasi Keterangan Notasi Keterangan

Set entitas digunakan untuk Atribut digunakan untuk

menggambarkan objek-objek di dunia mendeskripsikan karakteristik setiap
nyata. entitas.

Set relasi digunakan untuk Garis digunakan sebagai penghubung

menghubungkan set entitas dengan antara set relasi dengan set entitas,
set entitas lainnya. ataupun menghubungkan set entitas
dengan atribut.
• Model ER juga memiliki kardinalitas yang dapat digunakan untuk
menunjukkan jumlah maksimal suatu entitas yang dapat berelasi dengan
entitas lainnya.

1. Relasi one to one 3. Many to one

1 n 1
1
Penduduk Memiliki KTP Siswa terdaftar SMA

2. One to many 4. Many to many

1 n n n
Penduduk Memiliki BPKB mendaft
Siswa Ekskul
ar

Contoh ER dapat dilihat di hal 76 Buku Informatika Kelas XI SMA

b. Model Semantik
• Model semantik mirip dengan model ER tetapi relasi antar objeknya
tidak digambarkan dengan simbol, tetapi dengan kata-kata.
• Model data ini biasanya digunakan sebagai dokumentasi suatu sistem,
program, ataupun objek lain yang sudah umum di dunia nyata.

Contoh: Lihat di hal. 77 Buku Informatika Kelas XI SMA.

c. Model data berorientasi objek
• Merupakan model data yang menganggap objek dunia nyata sebagai
objek.
• Jika pada model ER dan semantik kita dapat memetakan relasi antar
entitas /objeknya secara langsung, tetapi pada model berorientasi
objek tidak dapat memiliki relasi langsung dengan objek lainnya.
• Jika pada model ER kita menyebut himpunan entitas sebagai set
entitas, maka pada model ini himpunan entitas disebut sebagai class.
• Biasanya model data ini digunakan untuk menggambarkan data yang
dibuat oleh bahasa pemrograman berorientasi objek seperti Java.
Karakteristik dan istilah yang digunakan dalam pembuatan model
data berorientasi objek:
1. Memetakan objek sebagai class.
2. Atribut merupakan karakteristik dari class.
3. Fungsi/prosedur merupakan sifat atau fungsi yang dapat dilakukan oleh
suatu class.

Contoh: Dalam dunia nyata, kendaraan banyak jenisnya. Ada mobil, motor,
pesawat terbang, dll.
Class: mobil
Atribut/karakteristik: jumlah kursi, jumlah pintu, jenis transmisi, mesin.
Fungsi/prosedur: maju, mundur, pengereman.
2.2. Model Data Berdasarkan Record
• Jika pada model berdasarkan objek kita membuat representasi data
sebagai entitas, pada model data berdasarkan record setiap data
dinyatakan sebagai record.
• Model data berdasarkan record diantaranya adalah sbb:
a. Model Hirarki
b. Model Jaringan
c. Model Relasional
a. Model Hirarki
• Model yang menggambarkan data dalam bentuk pohon (tree).
• Setiap record digambarkan sebagai simpul/node dengan hubungan
parent-child.
• Simpul yang lebih atas disebut parent, sedangkan simpul yang lebih
bawah disebut child.
Kelebihan Kekurangan
Mudah dipahami karena dalam Kemungkinan terjadi redudansi
bentuk hirarki/struktur data, karena tidak bisa
membentuk hubungan many to
many antara parent-child

• Contoh: Hal 79 Buku Informatika Kelas XI SMA.

 Dosen
Amir

Mata_kuliah
Mata_kuliah Algoritma &
Basis Data Pemrograman

Mahasiswa Mahasiswa Mahasiswa Mahasiswa Mahasiswa

Rizki Angga Reza Rizki Andi
b. Model Jaringan
• Model jaringan merupakan perbaikan dari model hirarki.
• Pada model jaringan kita dapat memetakan hubungan many to many
antara parent-child.

Kelebihan
Menghilangkan redudansi/duplikasi
data yang tidak perlu
Kekurangan
Tidak cocok diterapkan pada data
yang besar, karena memerlukan
proses waktu yang lama dalam
menemukan simpul tertentu.

• Contoh: Hal 80 Buku Informatika Kelas XI SMA.

c. Model Relasional
• Model relasional adalah yang paling banyak digunakan saat ini.
• Model ini akan membentuk tabel yang terdiri atas column dan record.
• Satu tabel dalam model relasional mirip seperti set entitas pada
model ER.
• Pada model ER record adalah satu entitas dan column adalah atribut.

Kelebihan
Mudah dipahami
Mudah jika ingin melakukan perubahan pada data
Mudah melakukan pencarian (query)
Mudah ditransformasi dari model ER
 NIK nama jabatan no_telp
• Contoh: 123 Amir Guru Madya 0871
124 Agung Guru Muda 0881

Ekstrakurikuler
id_ekskul nama_ekskul jenis NIK_pembimbing
1 Basket Olahraga 123
2 Karate Beladiri 124

Siswa
id_ekskul
id_ekskul NIS
NIS NIS
NIS nama
nama jenis_kelamin
jenis_kelamin no_telp
no_telp
11 Basket
Basket 1111
1111 Rizki
Rizki Laki-laki
Laki-laki 0874
0874
22 Karate
Karate 1112
1112 Reza
Reza Laki-laki
Laki-laki 0875
0875

Kesimpulan:
• Pemilihan model data yang tepat dapat mempengaruhi banyak aspek seperti
kecepatan, kemudahan dalam akses, dan aspek2 lainnya.
• Cara yang paling popular adalah dengan membuat dulu model ER lalu dilakukan
transformasi ke model relasional.
3. Prediksi Data
• Prediksi data adalah kegiatan yang dilakukan untuk meramalkan atau
memprediksi segala hal yang terkait dengan data-data besar, seperti:
produksi, penawaran, permintaan, dan penggunaan teknologi dalam
sebuah industri atau usaha.
• Machine learning dapat menjalankan algoritma dan menghasilkan
prediksi dan kesimpulan yang lebih akurat berdasarkan input data
yang telah diberikan sebelumnya.
• Machine learning merupakan pengembangan mesin cerdas yang
dapat belajar sendiri.
• Dalam membuat machine learning untuk memprediksi suatu data
perlu dibuat design algoritma yang baik dan metode pembelajaran
yang tepat untuk machine learning tersebut.
Prinsip kerja machine learning
 Metode
Pembelajaran

Metode pembelajaran dengan Metode pembelajaran yang

Supervised menggunakan label dalam mempelajari
Unsupervised
tidak menggunakan label
learning dan menghasilkan pengetahuan dalam mempelajari dan
learning
menghasilkan pengetahuan
Metode untuk memperkirakan 1. LR
Estimasi sesuatu agar bisa mendapat 2. PR
gambaran umum. 3. ANN

1. ARIMA Clustering
Ramalan atau pernyataan tentang
Prediksi Peristiwa atau data di masa depan. 2. ANN
3. MA Clustering: metode pengelompokkan data.

1. LR
Metode membuat kategorikal dan = Algoritma
2. ANN
Klasifikasi ordinal.
3. SVM
= LR: Linier Regression
= PR: Polynomial Regression
4. DT = ANN: Artificial Neural Network
5. NB = ARIMA:
= MA: Moving Average
Mengumpulkan informasi yang sudah 1. FP Growth = SVM: Support Vector Machine
Asosiasi dikumpulkan. = DT: Decision Tree
2. Apriori = NB: Naïve Bayes
Tugas
1. Pelajari lebih seksama materi yang sudah disampaikan dengan cara
membaca ulang materi yang ada di buku dari halaman 71 – 88.
2. Buat artikel/tulisan tentang suatu kasus dalam menerapkan algoritma:
1. LR: Linier Regression
2. PR: Polynomial Regression
3. ANN: Artificial Neural Network
4. ARIMA: Autoregressive Integrated Moving Average
5. MA: Moving Average
6. SVM: Support Vector Machine
7. DT: Decision Tree
8. NB: Naïve Bayes
9. FP Growth
10. Apriori
11. Clustering
• Deskripsi Tugas No.2:

1. Setiap siswa mendapatkan no tugas sesuai dengan no absen.

Misal no absen 1 mendapat tugas no 1, yaitu Linier Regression, dst.
2. Tugas harus mendeskripsikan masalah, menjelaskan langkah-langkah
(algoritma) dan hasil.
3. Tuliskan nama lengkap sesuai absen, bukan panggilan, sumber & buku
referensi, dan tanggal penulisan.
4. Tugas ini bersifat individu.
5. Dikumpulkan paling telat : 30 Nopember 2021 pukul 23:59 WIB.
6. Pengumpulan tugas ke elearning, tidak ke WA atau media lain.
TERIMA KASIH