Nama kelompok : Erinna Tamara

Ilham Khoirun Nizar

Tasya Rahma Dwi Cahya

Robby Hendriansyah Posan

Kelas : 7 MIO

MK : Sistem Pengambilan Keputusan

Link video animasi: https://youtu.be/gysEpRW3snM

https://drive.google.com/file/d/1L1YaHjBUwvDJ0bvpKIqtWotZBk9kUG2L/view?usp=drivesdk

Silahkan dibagi kelompok sampai materi ke 17. Kemudian dari materi yang ada silahkan dibuat
rangkuman untuk setiap bab per kelompok dan dibuat animasinya. Gunakan aplikasi animasi
sehingga lebih menarik untuk dipelajari kembali.

• Rangkuman Bab 1
-Pengertian Data
Data merupakan fakta-fakta yang belum diolah atau deskripsi dasar dari aktivitas ataupun
transaksi yang direkam, diklasifikasikan, disimpan, namun tidak diorganisasikan untuk
suatu tujuan yang spesifik. Contoh data salah satu diantaranya adalah nilai mahasiswa.
Nilai tersebut berupa data berbentuk angka, dimana belum memiliki makna bagi si
penerima.
-Pengertian Informasi
Informasi adalah hasil (output) dari pengolahan data baik secara linguistik maupun
matematis.
Contoh Informasi:
1. 65% dari penduduk Jawa Barat cenderung memilih calon Presiden nomor urut 2.
2. Telah terjadi defisit keuangan pada sebuah Perusahaan A akibat terlalu banyak
pengeluaran untuk pasang iklan.
3. Seorang pasien mengidap penyakit mematikan yaitu Sakit Hati akibat terlalu sering
disakiti oleh pasangannya.
-Jenis-jenis Informasi
Informasi terdiri dari 5 jenis yaitu Informasi berdasarkan fungsi, informasi berdasarkan
format penyajian, informasi berdasarkan lokasi peristiwa, informasi berdasarkan bidang
kehidupan dan berdasarkan penyampaiannya. Nilai Informasi Nilai dari informasi (value
of information) ditentukan oleh dua hal, yaitu manfaat dan biaya untuk mendapatkan
informasi tersebut.
 -Pengertian Pengetahuan
Pengetahuan merupakan hal yang dipakai oleh manusia untuk memahami dunia yang
sifatnya dapat berubah berdasarkan informasi yang diterima. Pengetahuan si Amin dan si
Bayu akan memiliki kemungkinan tidak sama meskipun dari data dan informasi yang
didapatkan keduanya adalah sama.
-Keterkaitan Data, Informasi dan Pengetahuan Seperti yang diuraikan pada bahasan
sebelumnya bahwa pengetahuan merupakan data dan informasi yang diolah sedemikian
rupa dengan pemodelan tertentu sehingg menghasilkan rekomendasi dalam pengambilan
suatu keputusan atau kebijakan. Dari pernyataan tersebut sangat erat kaitannya antara data,
informasi dan pengetahuan. Bila disimpulkan data-data yang diproses akan menghasilkan
informasi, lalu sekumpulan informasi yang diolah dengan pemodelan tertentu akan
menghasilkan pengetahuan baru yang berguna bagi pihak yang terkait.

• Rangkuman Bab 2 MANAGEMENT SUPPORT SYSTEM

-Definisi Management Support System
Manajemen adalah proses dalam mengatur pemakaian sumber daya yang ada (man, money,
material, time, space, dsb) untuk mendapatkan keluaran yang sesuai dengan tujuan
organisasi. MSS atau Sistem Pendukung Manajemen merupakan sekumpulan teknologi
sistem informasi yang saling terintegrasi dimana membantu manajemen dalam
pengambilan keputusan.
-Komponen Management Support System
MSS mendukung dalam jalannya proses bisnis suatu institusi dan perlu didukung oleh
teknologi. Di dalam MSS terdapat beberapa komponen yang terkait didalamnya, yakni:
1. Decision Support System (DSS) DSS atau Sistem Pendukung Keputusan merupakan
bagian dari sistem informasi yang diperuntukan sebagai pendukung dalam
pengambilan keputusan.
2. Group Support System (GSS)
GSS adalah satu lingkungan berbasis teknologi informasi yang mendukung pertemuan
grup, yang didistribusikan secara geografis dan tak permanen.
3. Executive Information System (EIS)
EIS bertujuan untuk memudahkan dan mendukung pimpinan dalam melihat kondisi
dari suatu sistem.
4. Expert System (ES)
ES atau sistem pakar merupakan sistem yang mengimplementasikan kemampuan
seorang pakar ke dalam sistem yang terkomputerisasi.
5. Artificial Neural Network (ANN)
ANN merupakan salah satu contoh model non linear yang mempunyai bentuk
fungsional fleksibel dan mengandung beberapa parameter yang tidak dapat
diinterpretasikan seperti pada model parametrik.
6. Hybrid Support System
 HSC adalah kombinasi dua atau lebih teknik / metode yang bertujuan menggabungkan
kekuatan masing-masing teknik tersebut dan meminimalkan kekurangannya.

• Rangkuman Pertemuan 7 Model Dan Analisis Dalam Spk

-Pemodelan
Pemodelan merupakan suatu upaya untuk melakukan analisis sistem pendukung keputusan
(SPK) dengan cara meniru bentuk nyata-nya dari pada melakukannya pada sistem nyata.
-Pemodelan pada SPK mencakup tujuh permasalahan:
• Identifikasi masalah dan analisis lingkungan.
• Identifikasi variabel
• Peramalan (forecasting).
• Penggunaan beberapa model keputusan.
• Seleksi kategori model yang sesuai.
• Manajemen model.
• Pemodelan berbasis pengetahuan
Penggunaan Beberapa Model
Suatu sistem pendukung keputusan dapat terdiri-atas beberapa model. Masing-masing
model merepresentasikan bagian yang berbeda dari masalah pengambilan keputusan.
-Influence Diagram
Influence diagram adalah representasi grafis dari suatu model keputusan yang digunakan
untuk membantu perancangan model, pengembangan dan pemahaman.
Ada 3 simbol utama yang digunakan untuk
membuat influence diagram, yaitu:
◼ Kotak, menunjukkan variabel keputusan
◼ Lingkaran, menunjukkan variabel intermediate (tak terkontrol)
◼ Oval, menunjukkan variabel hasil (outcome) baik bersifat intermediate maupun final
Hubungan antar variable
◼ Hubungan dengan kepastian
◼ Hubungan dengan ketidakpastian
◼ Pada variabel random (resiko) diberi tanda ( ) di atas nama variable
-Business Intelligence (BI)
Business Intelligence (BI) merupakan suatu proses untuk melakukan ekstraksi data-data
operasional [perusahaan] dan mengumpulkannya dalam sebuah data warehouse.
BI akan berfungsi sebagai analis dan sekaligus memberikan rekomendasi pada pengguna
terhadap tindakan yang sebaiknya diambil.
◼ Keungulan-keunggulan BI:
Membutuhkan biaya yang relatif murah dalam pengadaannya.
Proses pembuatan laporan dapat dilakukan dengan cepat
Adanya Graphic User Interface (GUI) yang dapat dibentuk sesuai selera.
 Mampu meminimalisasi masalah-masalah teknis, terutama terkait dengan human error.
Mudah dalam integrasi data
Adanya konsolidasi informasi, karena data diolah dalam satu platform.
Adanya respon yang cepat, sehingga dapat digunakan untuk mengantisipasi suatu
kejadian.
◼ Ada 3 pendekatan yang dapat digunakan dalam membangun BI di suatu organisasi,
yaitu:
Top-down Approach
Bottom-up Approach
Practical Approach
-Data Warehouse
Data Warehouse dapat diartikan sebagai gudang data. Tujuan utama pembuatan data
warehouse adalah untuk menyatukan data yang beragam ke dalam sebuah tempat
penyimpanan dimana pengguna dapat dengan mudah. Salah satu keuntungan yang
diperoleh dari keberadaan data warehouse adalah dapat meningkatkan efektifitas
pembuatan keputusan.
◼ Bill Inmon mendefinisikan data warehouse sebagai basisdata yang memiliki karakter:
Subject Oriented,
Integrated,
Non-volatile,
Time Variant.
◼ Bagian-bagian data warehouse:
Data mart, merupakan bagian dari data warehouse yang berguna dalam mendukung
kebutuhan dari suatu fungsi bisnis atau unit tertentu.
◼ Kubus data (cube), adalah unit pemrosesan data yang terdiri dari tabel fakta dan dimensi
dalam suatu data warehouse.
◼ Aggregation, adalah hitungan awal dari data numerik.
-OnLine Analytical Processing (OLAP)
OLAP digunakan untuk menganalisisis data dan informasi yang nantinya akan digunakan
sebagai Decision Support System (DSS)
Berdasarkan struktur basisdatanya, OLAP dapat dibagi menjadi 3 bagian:
Multidimensional Online Analytical Processing (MOLAP).
Relational Online Analytical Processing (ROLAP).
Hybrid Online Analytical Processing (HOLAP).

• Rangkuman Pertemuan 8 Manajemen Pengetahuan

Manajemen Pegetahuan
-Komunitas yang diminati
1. Repositori
2. Komunitas praktik
3. Teknik berbagai pengetahuan informasi
-Karyawan diinisasi
Proses Manajemen Pengetahuan untuk membantu organisasi mengidentifikasi, memilih,
mengatur, menyebarluaskan, mentransfer informasi.
Data = pengumpulan fakta, pengukuran, statistik Informasi = data terorganisir Pengetahuan
= informasi kontekstual, relevan, dapat ditindaklanjuti.
Pengetahuan eksplisit
-objektif, rasional, teknis
-Kebijakan, tujuan, strategi, makalah, laporan
-terkodifikasi
-pengetahuan Bocor pengetahuan
Pengetahuan tacit
-Pembelajaran subjektif, kognitif, pengalaman
-Sangat personal
-Sulit untuk memformalkan
- pengetahuan Lengket

➢ Pembelajaran Organisasi
-organisasi pembelajaran
1. kemampuan untuk belajar dari masa lalu
2. untuk meningkatkan, organisasi harus belajar
3. masalah
4. kegiatan
5. harus memiliki organisasi, cara menyimpan dan membagikannya
-pembelajaran organisasi
1. mengembangkan pengetahuan baru
2. memori perusahaan kritis
-budaya organisasi
1. pola asumsi dasar bersama
➢ Inisiatif manajemen pengetahuan
-tujuan
1. membuat pengetahuan terlihat
2. mengembangkan budaya intensif pengetahuan
3. membangun infrastruktur pengetahuan
-proses disekitarnya
1. penciptaan pengetahuan
2. berbagai pengetahuan
3. mencari ilmu
4. menggunakan pengetahuan
➢ Pendekatan untuk manajemen pengetahuan
 -pendekatan proses
Mengkodifikasi pengetahuan
-pendekatan praktik
Mengasumsikan bahwa sebagian besar pengetahuan diam-diam.
➢ Komponen Sistem Manajemen Pegetahuan
Teknologi
-Komunikasi
-Kolaborasi
-penyimpanan dan pengambilan
Teknologi Pedukung
-kecerdasan buatan
-agen cerdas
-Penemuan pengetahuan dalam database
-xml
➢ Implementasi Sistem Manajemen Pegetahuan
-Tantangan untuk mengidentifikasi dan mengintegrasikan komponen
Sistem awal yang dikembangkan dengan jaringan, groupware, database
-peralatan pengetahuan
Alat dan teknologi yang mendukung manajemen pengetahuan
-Implementasi
Tersedia paket perangkat lunak , perusahaan konsultan, dan pengalihdayaan.
➢ Integrasi Sistem Manajemen Pengetahuan
-Basis data
-CRM
-Sistem manajemen rantai pasokan
-Intranet dan Ekstranet perusahaan
➢ Sumber Daya Manusia
-Kepala petugas pegetahuan
-Direktur Utama
-Manajemen atas
-Komunitas praktik
-Pengembang sistem manajemen pengetahuan
-Staff sistem manajemen pegetahuan
➢ Penilaian Manajemen Pengetahuan
-Pendekatan berbasis asset
-Pengetahuan yang terkait dengan aplikasi dan pendekatan manfaat bisnis
-Estimasi pendekatan harga jual
➢ Metrik
-Keuangan
1. ROI
 2. Perseptual, bukan absolut
3. Modal intelektual tidak dianggap sebagai asset
-Non-keuangan
1. Nilai tidak terwujud

• Rangkuman Pertemuan 9
Intelligence?
Intelligence adalah kemampuan belajar, memahami, atau menyesuaikan situasi baru;
kemampuan berargumentasi, mengaplikasikan pengetahuan untuk memanipulasi
lingkungannya atau berpikir abstrak.
Business intelligence?
❖Business intelligence adalah seperangkat konsep, metode dan proses untuk
meningkatkan keputusan bisnis dengan menggunakan berbagai sumber informasi dan
mengaplikasikan pengalaman, asumsi untuk mengembangkan akurasi pemahaman bisnis
secara dinamik.
Tujuan utama BI adalah untuk memungkinkan akses data (dan model) yang mudah agar
manajer bisnis mampu melakukan analisis. Istilah BI diciptakan oleh Gartner Group pada
pertengahan 1990-an.
Arsitektur BI
• sistem BI memiliki empat komponen utama
– data warehouse, dengan sumber datanya
– analisis bisnis, kumpulan alat untuk memanipulasi, menggali, dan menganalisis data
dalam data warehouse;
– manajemen kinerja bisnis (BPM) untuk memantau dan menganalisis kinerja
– user interface (misalnya, dashboard)
Keuntungan BI
• Kemampuan memberikan informasi yang akurat bila diperlukan, termasuk pandangan
real-time dari kinerja perusahaan dan bagianbagiannya
• Sebuah survei yang dilakukan oleh Thompson (2004)
– Pelaporan lebih cepat, lebih akurat (81%)
– Peningkatan pembuatan keputusan (78%)
– Meningkat layanan pelanggan (56%)
– Meningkatkan pendapatan (49%)
Kebutuhan Sistem Baru
Membutuhkan tools, database, proses, dan fungsi yang mampu mentransformasi data
dari satu bentuk ke bentuk lain yang sesuai dengan kebutuhan analisis bisnis.
Business Intelligence Tools
• Operational Data Source
• ETL tools (Extract, Transform, Load)
• Data Warehouse
 • Data mart
• Datamining
• OLAP
What is Data Mining?
• Serangkaian aktivitas yang digunakan untuk menemukan sesuatu yang baru atau
tersembunyi, atau sesuatu yang tidak terduga dari suatu data.
• Knowlegde Discovery : Menggali data untuk mendapatkan temuan-temuan baru.
Classification: Definition
• Diberikan koleksi records (training set ) atribut sebagai class (dependen).
• Temukan model untuk class attribute sebagai fungsi dari nilai-nilai atribut lain.
• Tujuan: record yang sebelumnya tidak Nampak dapat dimunculkan seakurat mungkin.

Direct Marketing
– Tujuan: Mengurangi biaya pengenalan produk dengan menetapkan target konsumen yang
memiliki kemungkinan besar membeli produk
Fraud Detection
– Tujuan : Memprediksi pemalsuan transaksi kartu kredit.
Market Segmentation:
– Tujuan : memisah-misah sebuah pasar menjadi kelompokkelompok konsumen, dimana
beberapa kelompok terpilih
sebagai target pemasaran.

Association Rule Discovery: Application

• Manajemen Rak Supermarket
– Tujuan: Mengidentifikasi item yang yang dibeli secara bersama-sama oleh konsumen.
– Pendekatan: Memproses koleksi data penjualan untuk menemukan antar item yang
saling ketergantungan.
Regression
• Memprediksi suatu nilai dari variabel bernilai kontinu berdasarkan nilai variabel-
variabel lainnya.
Deviation/Anomaly Detection
• Mendeteksi penyimpangan yang siginifikan dari perilaku normal
• Aplikasi :
– Deteksi penipuan (Fraud) Credit Card
– Deteksi penyusup jaringan

• Rangkuman pertemuan 11
KDD (Knowlegde Discovery in Databases) adalah sekumpulan proses untuk menggali dan
menganalisis sejumlah besar himpunan data dan mengekstrak informasi dan pengetahuan yang
berguna. KDD meliputi keseluruhan proses non-trivial untuk mencari dan mengidentifikasi pola
(pattern) dalam data, dimana pola yang ditemukan bersifat sah, baru, dapat bermanfaat, dan dapat
dimengerti. KDD berhubungan dengan teknik integrasi dan penemuan ilmiah, interpretasi dan
visualisasi dari pola-pola sejumlah kumpulan data.
Kumpulan proses dalam KDD meliputi:
1. Pembersihan Data (Data Cleaning)
2. Integrasi Data (Data Integration)
3. Pemilihan Data (Data Selection)
4. Transformasi Data (Data Transformation)
5. Penambangan Data (Data Mining)
6. Evaluasi Pola (Pattern Evaluation)
7. Presentasi Pengetahuan (Knowledge Presentation)

Pengertian Data

Kita sering melihat data sebagai rangkaian bit, atau angka dan simbol, atau “objek” yang
di kumpulkan. Data adalah suatu kumpulan keterangan atau deskripsi dasar yang berasal dari
obyek ataupun kejadian. Data mentah jarang memberikan manfaat langsung. Nilai sebenarnya
tergantung pada kemampuannya untuk mengekstrak informasi yang berguna untuk pendukung
keputusan.
Pengertian Pengetahuan

Pengetahuan adalah informasi yang telah dikombinasikan dengan pemahaman dan potensi
untuk menindaki yang lantas melekat di benak seseorang.

Proses penemuan pengetahuan

1. Menempatkan hasil dalam praktek kita

2. Menafsirkan dan mengevaluasi pengetahuan yang ditemukan
3. Penambangan data ekstrak pola/model
4. Kumpulkan dan Data praproses
5. Memahami domain dan definisikan masalah

Pengertian Informasi

Informasi adalah keterangan, pernyataan, gagasan, dan tanda-tanda yang mengandung

nilai, makna, dan pesan, baik data, fakta maupun penjelasannya yang dapat dilihat, didengar, dan
dibaca yang disajikan dalam berbagai kemasan dan format sesuai dengan perkembangan
teknologi informasi dan komunikasi secara elektronik.

• Rangkuman pertemuan 12

Penambangan Data dan Penemuan Pengetahuan di Database

Apa itu Data Mining dan KDD?

“Proses mengidentifikasi pola tersembunyi dan hubungan dalam data”

Atau

“Penambangan data membantu pengguna akhir mengekstrak yang bermanfaat informasi bisnis
dari database besar”

Penambang Data Berarti :

• Statistik

• Visualisasi

• Kecerdasan buatan

• Pembelajaran mesin

• Teknologi basis data

• Jaringan saraf

• Pengenalan pola

• Sistem berbasis pengetahuan

• Akuisisi pengetahuan

• Pencarian informasi

• Komputasi kinerja tinggi

Apa saja Yang Dibutuhkan

• Data yang cocok

• Daya komputasi

• Perangkat lunak penambangan data

• Operator terampil yang mengetahui kedua sifat tersebut

data dan perangkat lunak

• Alasan, teori, atau firasat

Aplikasi Khas Penambangan Data & KD

 • Pemasaran

• Analisis Keranjang Pasar

• Pengelolaan hubungan pelanggan

• Pengembangan produk baru

• Layanan Keuangan

• Persetujuan Kredit

• Deteksi Penipuan

• Pemasaran

• Kesehatan

Dua Pendekatan Dasar

Diawasi

• Variabel dependen atau target

Tidak diawasi

• "Penambangan Data Murni"

• Lebih sedikit asumsi

• Biasanya digunakan untuk teknik clustering

Data Mining adalah kegiatan inti atau metode dalam proses Penemuan Pengetahuan di Database
Dilakukan untuk menemukan informasi yang berguna di sejumlah besar data tidak mungkin
digunakan pendekatan “konvensional” Berbagai metode Pengetahuan tentang domain data,
metode, juga sebagai kreativitas

• Rangkuman pertemuan 13

Klasifikasi

Merupakan proses pembelajaran suatu fungsi tujuan yang memetakan tiap himpunan atribut x ke
satu dari label kelas y yang didefinisikan sebelumnya. Klasifikasi adalah proses pembelajaran
secara terbimbing (supervised learning) Untuk melakukan klasifikasi, dibutuhkan training set
sebagai data pembelajaran Setiap sampel dari training set memiliki atribut dan class label.
Naïve Bayesian Classifier adalah metode classifier yang berdasarkan probabilitas dan Teorema
Bayesian dengan asumsi bahwa setiap variabel X bersifat bebas(independence) Dengan kata lain,
Naïve Bayesian Classifier mengasumsikan bahwa keberadaan sebuah atribut (variabel) tidak ada
kaitannya dengan beradaan atribut (variabel) yang lain

• Rangkuman Pertemuan 14

Association Rules adalah proses mendeteksi kumpulan atribut-atribut yang muncul bersamaan
(co-occur) dalam frekuensi yang sering, dan membentuk sejumlah kaidah dari kumpulan-
kumpulan tersebut.

Contoh dalam suatu supermarket kita ingin mengetahui seberapa jauh orang yang membeli celana
juga membeli sabuk?
• Input

– Adanya sejumlah transaksi

– Setiap transaksi memuat kumpulan item

• Problema

– Bagaimana caranya menemukan association rule yang memenuhi minimum support dan
minimum confidence yang kita berikan

Manfaat

Dapat digunakan untuk Market Basket Analysis (menganalisa kebiasaan customer dengan mencari
asosiasi dan korelasi dari data transaksi)

– Sebagai saran penempatan barang dalam supermarket

– Sebagai saran produk apa yang dipakai dalam promos

Definisi Umum

• Itemset: himpunan dari item-item yang muncul bersama-sama

• Kaidah asosiasi: peluang bahwa item-item tertentu hadir bersama-sama.

• Support dari suatu itemset X (supp(X) ) adalah rasio dari jumlah transaksi dimana itemset muncul
dengan total jumlah transaksi

• Konfidence (keyakinan) dari kaidah X→Y, ditulis conf(X → Y) adalah

– conf(X→Y) = supp(X∪Y) / supp(X)

– Konfindence bisa juga didefinisikan dalam terminologi peluang bersyarat conf(X→Y) = P(Y|X)
= P(X∩Y) / P(X)

• Database transaksi menyimpan data transaksi. Data transaksi bisa juga disimpan dalam suatu
bentuk lain dari suatu database m x n.

• Rangkuman Pertemuan 15

Analytic Hierarchy Process (AHP) adalah hierarki fungsional dengan input utamanya dari persepsi
manusia. Analytic Hierarchy Process (AHP) memiliki banyak keunggulan dalam menjelaskan
proses pengambilan keputusan.
AHP membantu memecahkan persoalan yang kompleks dengan menyusun suatu hirarki kriteria,
dinilai secara subjektif oleh pihak yang berkepentingan lalu menarik berbagai pertimbangan guna
mengembangkan bobot atau prioritas (kesimpulan).

Metode kuantitatif untuk meranking berbagai alternatif dan memilih satu terbaik berdasarkan
kriteria yang ditentukan.

Cara Menilai Kriteria

Misalkan ada 2 kriteria Cost dan quality untuk product A & B. Cost untuk A= $60 dan quality di
atas rata-rata. Cost untuk B=$15 dan quality adalah ratarata.

Contoh Pemilihan Suppiler

Sebuah kontraktor sedang mempertimbangkan pemilihan supplier. Terdapat 3 supplier yang akan
dipilih satu terbaik. Kontraktor memiliki 4 kriteria yang akan dipakai sebagai dasar dalam
pemilihan supplier, yaitu : harga penawaran (price),jarak (distance),kualitas sdm (labor) dan
upah/biaya tenaga kerja (wage).

Contoh matriks

Matriks adalah suatu susunan bilangan real atau bilangan kompleks

(atau elemen-elemen) yang disusun dalam baris dan kolom
sehingga membentuk jajaran persegi panjang. Suatu matriks diberi
nama dengan menggunakan huruf kapital seperti A, B, C, dan
seterusnya, sedangkan anggotanya dinyatakan dengan huruf kecil

• Rangkuman Pertemuan 17

Clustering adalah sebuah proses untuk mengelompokan data ke dalam beberapa cluster atau
kelompok sehingga data dalam satu cluster memiliki tingkat kemiripan yang maksimum dan data
antar cluster memiliki kemiripan yang minimum.

Cluster: kumpulan objek data

– Anggota cluster yang sama memiliki kemiripan satu sama lain, tetapi berbeda dengan anggota
cluster lain.

Cluster analysis
– Menemukan kemiripan data berdasarkan karakteristik dan mengelompokan data yang mirip ke
dalam cluster.

Unsupervised learning: class tidak ditentukan sebelumnya

Penggunaan

– Tool untuk melihat distribusi data

– Preprocessing untuk langkah berikutnya

Aplikasi Cluster Analysis

• Pengenalan Pola

• Spatial Data Analysis

– Cluster spatial

• Pemrosesan gambar

• Economic Science (terutama market research)

• WWW

– Berita, hasil pencarian

– Cluster Weblog data to discover groups of similar access patterns

Tipe data dalam clustering

• Interval-scaled variables

• Binary variables → ada atau tidak

• Nominal, ordinal, and ratio variables

• Campuran

Ukuran Kesamaan

• Kesamaan/kemiripan diukur berdasarkan fungsi jarak, d(i, j)

• Definisi distance functions bisanya sangat berbeda untuk interval-scaled, boolean, categorical,
ordinal ratio, and vector variables.

• Bobot diasosiasikan dengan aplikasi dan arti data.

• Sulit untuk mendefinsikan “cukup sama ” or “cukup bagus” karena subyektif.

Requirement Clustering

• Scalability → untuk data dalam jumlah besar

• Menangani berbagai macam tipe atribut.

• clusters dengan berbagai bentuk.

• Sesedikit mungkin parameter

• Meanangani noise dan outliers

• Tidak peduli urutan input record

• High dimensionality → banyak atribut

• Incorporation of user-specified constraints

• Interpretability and usability

Pendekatan Clustering

• Partisi :

– Buat partisi dan evaluasi berdasarkan kriteria tertentu, misalnya meminimalkan sum of square
errors

– Metode: k-means, k-medoids, CLARANS

• Hirarkis: – Buat struktur hierarchical menggunakan kriteria tertentu

– Metode: Diana, Agnes, BIRCH, ROCK, CAMELEON

• Density-based :

– Berdasarkan connectivity dan density functions

– Metode: DBSACN, OPTICS, DenClue

• Yang lain: Grid-based approach, model-based, frequent pattern-based, user-guided or constraint-

based:

• Rangkuman Pertemuan 18

Sistem Pakar ( Expert System ) adalah sistem yang menngunakan pengetahuan manusia, dimana
pengetahuan tersebut dimasukkan ke dalam sebuah komputer, dan kemudian digunakan untuk
menyelesaikan masalah- masalah yang biasanya membutuhkan kepakaran atau keahlian manusia.
sistem informasi adalahseperangkat komponen yang saling berhubungan yang berfungsi untuk
mengumpulkan, memproses, menyimpan, dan mendistribusikan informasi untuk mendukung
pembuatan keputusan dan pengawasan dalam organisasi.

Lingkungan pengembangan

sistem pakar digunakan untuk memasukkan pengetahuan pakar ke dalam lingkungan sistem pakar

▪ Akuisisi Pengetahuan: Pakar → Knowledge Engineer

▪ Basis Pengetahuan ▪ Perbaikan Pengetahuan

▪ Mesin Inferens

Lingkungan konsultasi

lingkungan konsultasi digunakan oleh pengguna yang bukan pakar guna memperoleh pengetahuan
pakar

Akuisi Pengetahuan

Proses penerjemahan pengetahuan dari seorang pakar yang dilakukan oleh Knowledge Engineer.

Dalam penerjemahan pengetahuan, pengetahuan dibuat kedalam variabel2 yang mudah

disimbolkan untuk tahapan berikutnya (representasi pengetahuan)