Nama :Satria Al-Afif

Npm :20311097
Kelas :SI 20 C

SOAL :
1. Tuliskan apa perbedaan CSF dan KPI
2. Jelaskan Bagaimana sebuah dashboard dapat dibuat dengan acuan dari BPM
3. Carilah 2 jurnal tentang penerapan data mining dan CRISP-DM. buatlah resume dari jurnal tersebut.
4. Jelaskan masing- masing 3 contoh algoritma yang bisa di terapkan pada metode klasifikasi, prediksi, klastering
dan asosiasi.
5. Sebutkan kelebihan dan kekurangan dari masing-masing algoritma yang telah di kerjakan di nomer 4.

JAWABAN :

1. Perbedaan utama antara CSF dan KPI adalah CSF adalah penyebab kesuksesan sedangkan KPI adalah efek
kesuksesan. Secara umum, KPI lebih deskriptif dan kuantitatif daripada CSF. Misalnya, perusahaan dapat
mengidentifikasi CSF sebagai "peningkatan volume penjualan yang signifikan di pasar Eropa" dan untuk
mendorong CSF yang diidentifikasi, KPI dapat ditetapkan sebagai "Meningkatkan pendapatan penjualan di
pasar Eropa sebesar 10% dibandingkan tahun lalu, pada akhir tahun. ” KPI harus SMART, tetapi tidak ada
persyaratan khusus agar CSF menjadi pintar. KPI dinilai atau dievaluasi secara tepat waktu oleh manajemen
puncak sementara CSF tidak perlu dievaluasi. Secara umum, CSF diidentifikasi oleh manajemen puncak
sedangkan KPI ditetapkan oleh kepala departemen untuk mendorong CSF atau tujuan perusahaan. Selain itu,
KPI digunakan untuk mengevaluasi kinerja individu sedangkan CSF tidak digunakan untuk mengevaluasi
kinerja individu. Perbedaan lain antara CSF dan KPI adalah kebanyakan CSF cukup universal di seluruh
dunia bisnis sedangkan KPI berbeda dari satu perusahaan ke perusahaan lain dan bergantung pada situasi
bisnis.

2. Jadi Business Performance Management atau (BPM), digunakan untuk monitoring dan menganalisis
performa pada bisnis . BPM juga portofolio aplikasi dan metodologi dalam framework BI yang menyediakan
tools bagi enterprise untuk mengelola operasinya dengan lebih baik.
3. JURNAL 1

IMPLEMENTASI DATA MINING MENGGUNAKAN CRISP-DM PADA SISTEM INFORMASI

EKSEKUTIF DINAS KELAUTAN DAN PERIKANAN PROVINSI JAWA TENGAH

Data Mining

Data Mining merupakan suatu proses menemukan hubungan yang berarti kecenderungan dengan memeriksa
sekumpulan besar data yang tersimpan dalam penyimpanan dengan teknik pengenalan pola seperti teknik
statistik dan matematika. Ketersediaan data yang melimpah, kebutuhan akan informasi atau pengetahuan
sebagai pendukung pengambilan keputusan untuk membuat solusi bisnis, dan dukungan infrastruktur di
bidang teknologiinformasi.

CRISP-DM

Cross-Industry Standard Process for Data Mining (CRISP-DM) merupakan suatu standar yang telah
dikembangkan pada tahun 1996 yang ditujukan untuk melakukan proses analisis dari suatu industri sebagai
strategi pemecahan masalah dari bisnis atau unit penelitian. Untuk data yang dapat diproses dengan CRISP-
DM ini, tidak ada ketentuan atau karakteristik tertentu.

Kesimpulan yang dapat diambil dalam pengerjaan

penelitian ini adalah sebagai berikut :

a. Sistem Informasi Eksekutif yang dikembangkan menyajikan report grafik hasil produksi dan nilai produksi
5 tahunan perikanan budidaya serta persentasi produksi untuk setiap jenis budidaya di wilayah Provinsi Jawa
Tengah untuk keperluan intern DKP Jateng.

b. Implementasi data mining pada Sistem ini dengan memanfaatkan data produksi perikanan budidaya yang
ada sehingga dihasilkan suatu penilaian potensi perikanan budidaya pada setiap kuartal dari tahun terkait.
Saran untuk pengembangan SIE DKP Jateng ialah penggalian pengetahuan dari hasil produksi perikanan
budidaya di Provinsi Jawa Tengah yakni dengan melihat pola produksi setiap jenis budidaya perikanan pada
tiap kota/kabupaten di Provinsi Jawa Tengah.

JURNAL 2.

ANALISIS DAN IMPLEMENTASI FRAMEWORK CRISP-DM UNTUK MENGETAHUI

PERILAKU DATA TRANSAKSI PELANGGAN

Data Mining

Data Mining merupakan suatu proses menemukan hubungan yang berarti kecenderungan dengan memeriksa
sekumpulan besar data yang tersimpan dalam penyimpanan dengan teknik pengenalan pola seperti teknik
statistik dan matematika .Data mining dalam konteks implementasi bertujuan untuk meningkatkan bagian
pemasaran, penjualan, juga pemahaman yang bisa lebih mendalam mengenai pelanggan yang menjadi fokus
pasar .
 CRISP-DM

CRISP-DM atau Cross-Industry Standard Process for Data Mining merupakan standar yang dikembangkan
pada tahun 1996 yang ditujukan untuk proses analisis suatu industry sebagai strategi pemecahan masalah dari
bisnis. CRISP-DM tidak menentukan standar atau karakteristik tertentu karena setiap data yang akan
dianalisis akan diproses kembali pada fase-fase di dalamnya .

Fase Evaluasi (Modelling Phase)

Dari pemodelan yang telah dilakukan pada fase sebelumnya, dilakukan implementasi sistem pada Bahasa
Pemrograman Java. Hasil berdasarkan rules yang terbentuk pada tiap bulan relative berbeda. Berikut hasil
yang rulesyang ada pada Bulan Januari dan Bulan Februari.

Kesimpulan

Berdasarkan hasil pengujian dan pembahasan dalam Tugas Akhir dapat disimpulkan bahwa :

1) perancangan dengan menggunakan framework CRISP-DM dan algoritma Apriori berhasil

diimplementasikan,

2) implementasi algoritma Apriori telah tervalidasi,

3) hasil rules yang dihasilkan menunjukkan kombinasi item yang berbeda setiap bulannya walaupun
menggunakan nilai parameter yang sama,

Pengaruh jumlah database transaksi dengan waktu komputasi menunjukkan bahwa semakin banyak data yang
dianalisis, semakin lama waktu yang dibutuhkan.

4. Metode Klasifikasi
1) Algoritma C4.5
metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Metode pohon keputusanmengubah fakta
yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan. Berguna untuk
mengeksplorasi data, menemukan hubungan tersembunyi antaracalon variabel input dengan variabel
target.
2) Algoritma Classification and Regression Trees
CART yaitu metode pohon regresi dan pohon klasifikasi. Jika variabel dependen yang dimiliki bertipe
kategorik maka CART menghasilkan pohon klasifikasi.
3) Algoritma AdaBoost
AdaBoost juga merupakan algoritma penambangan data yang populer untuk mengelola pengklasifikasi.
Pengklasifikasi bertujuan untuk mendapatkan beberapa data danmencoba memprediksi kumpulan elemen
data baru yang mana algoritma penambangandata .
Metode Prediksi

1) Algoritma C4.5
metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Metode pohon keputusanmengubah fakta
yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan. Berguna untuk
mengeksplorasi data, menemukan hubungan tersembunyi antaracalon variabel input dengan variabel
target.
2) Algoritma Naive Bayes
Algoritma ini didasarkan pada teorema Bayes. Algoritma ini terutama digunakan ketika dimensi input
tinggi. Pengklasifikasi dapat dengan mudah menghitung kemungkinankeluaran berikutnya.
3) Algoritma k-Nearest Neighbors
K-Nearest Neighbor (KNN) adalah suatu metode yang menggunakan algoritmasupervised dimana hasil
dari query instance yang baru diklasifikan berdasarkanmayoritas dari kategori pada KNN.

Metode Klastering
1) Algoritma K-Means
K-means merupakan salah satu metode clustering non hirarki yang berusaha mempartisidata yang ada
ke dalam bentuk satu atau lebih cluster. Metode ini mempartisi data ke dalam cluster sehingga data yang
memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama .
2) Algoritma Expectation Maximisation Algorithm
Expectation Maximisation Algorithm adalah algoritma yang sering digunakan untuk menemukan nilai
estimasi Maximum Likelihood dari parameter dalam sebuah model probabilistic, dimana model juga
tergantung pada latent variable.
3) Algoritma Support Vector Machines
SVM adalah metode machine learning yang bekerja atas prinsip Structural Risk Minimization (SRM)
dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah class pada input space.

Metode Asosiasi

1) Algoritma Priori
Algoritma apriori adalah sebuah algoritma pencarian pola yang sangat populer dalam teknik
penambangan data (datamining). Algoritma ini ditujukan untuk mencari kombinasi item-set yang
mempunyai suatu nilai keseringan tertentu sesuai kriteria atau filter yang diinginkan.
2) Algoritma Support Vector Machines
Support vector engine atau algoritma data mining SVM menggunakan hyperplane untuk membagi data
menjadi 2 kategori. Ini sangat mirip dengan algoritma C 4.5, satu-satunya perbedaan adalah bahwa SVM
tidak menggunakan pohon keputusan.
3) PageRank
PageRank adalah sebuah algoritma yang telah dipatenkan yang berfungsi menentukan situs web mana
yang lebih penting/populer. PageRank merupakan salah satu fitur utama mesin pencari Google.
5.  Kelebihan Algoritma C4.5 :
1. C4.5 mampu menangani atribut yang kosong (Missing Value).
2. C4.5 mampu menangani atribut dengan kontinu.

 Kekurangan Algoritma C4.5 :

1. Algoritma C4.5 hanya dapat digunakan untuk menangani sampel-sampel yang dapat disimpan secara
keseluruhan dan pada waktu yang bersamaan di memori.

 Kelebihan Algoritma Naive Bayes :

1. Hanya memerlukan jumlah data sedikit yang dibutuhkan untuk klasifikasi.
2. Cepat, efisien, dan mudah untuk dibuat.

 Kekurangan Algoritma Naive Bayes :

1. Independence antar atribut membuat akurasi menjadi berkurang.
2. Tidak berlaku jika nilai probabilitasnya adalah nol (0).

 Kelebihan k-means:
1. Mudah dilakukan saat pengimpelementasian dan di jalankan.
2. Waktu yang di butuhkan untuk melakukan pembelajaran relatif lebih cepat.

 Kekurangan dari k-means:

1. Sebelum algoritma di jalankan, titik K diinisialisasikan secara random sehingga pengelompokan data
yang di dapatkan bisa berbeda-beda. Namun apabila nilai yang diperoleh acak untuk penginisialisasi
kurang baik maka pengelompokan yang didapatkn menjadi tidak optimal.

 Kelebihan k-d Tree Nearest Neighbor :

1. Klasisfikasi yang akurat
2. Algoritma yang efektif untuk dataset skala kecil 3. Informasi yang diabaikan di nearest Neighbor tetap
digunakan

 Kekurangan k-d Tree Nearest Neighbor :

1. Kemungkinan kesalahan jika model NFL sangat jauh dari query point.
2. Kompleksitas komputasi
3. Sulit dalam menggambarkan feature point / titik fitur pada satu garis lurus.
 Kelebihan SVM:
1. Generalisasi Generalisasi didefinisikan sebagai kemampuan suatu metode untuk mengklasifikasikan
suatu pattern, yang tidak termasuk data yang dipakai dalam fase pembelajaran metode tersebut.
2. Curse of Dimensionality Curse of Dimensionality didefinisikan sebagai masalah yang dihadapi suatu
metode pattern recognition dalam mengestimasikan parameter

 Kekurangan SVM:
1. Sulit dipakai dalam problem berskala besar. Skala besar dalam hal ini dimaksudkan dengan jumlah
sample yang diolah
2. SVM secara teorik dikembangkan untuk problem klasifikasi dengan dua class atau lebih

 Kelebihan Algoritma Apriori :

1. Dibandingkan dengan algoritma lainnya, algoritma apriori dapat menangani data dalam jumlah besar.
2. Dapat menyederhanakan data.

 Kekurangan Algoritma Apriori :

1. Memerlukan banyak waktu apabila memiliki banyak iterasi.
2. Dalam setiap iterasi memerlukan scan database