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
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
Mata_kuliah
Mata_kuliah Algoritma &
Basis Data Pemrograman
Kelebihan Kekurangan
Menghilangkan redudansi/duplikasi Tidak cocok diterapkan pada data
data yang tidak perlu yang besar, karena memerlukan
proses waktu yang lama dalam
menemukan simpul tertentu.
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
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: