Penerapan Data Mining

Sebagai cabang ilmu baru di bidang komputer (lihat artikel sebelumnya berjudul ‘Data Mining’) cukup banyak penerapan yang dapat dilakukann oleh Data Mining. Apalagi ditunjang ke-kaya-an dan ke-anekaragam-an berbagai bidang ilmu (artificial intelligence, database, statistik, pemodelan matematika, pengolahan citra dsb.) membuat penerapan data mining menjadi makin luas. Di bidang apa saja penerapan data mining dapat dilakukan? Artikel singkat ini berusaha memberikan jawabannya.

Analisa Pasar dan Manajemen

Untuk analisa pasar, banyak sekali sumber data yang dapat digunakan seperti transaksi kartu kredit, kartu anggota club tertentu, kupon diskon, keluhan pembeli, ditambah dengan studi tentang gaya hidup publik.

Beberapa solusi yang bisa diselesaikan dengan data mining diantaranya:

• Menembak target pasar

Data mining dapat melakukan pengelompokan (clustering) dari model-model pembeli dan melakukan klasifikasi terhadap setiap pembeli sesuai dengan karakteristik yang diinginkan seperti kesukaan yang sama, tingkat penghasilan yang sama, kebiasaan membeli dan karakteristik lainnya.

• Melihat pola beli pemakai dari waktu ke waktu

Data mining dapat digunakan untuk melihat pola beli seseorang dari waktu ke waktu. Sebagai contoh, ketika seseorang menikah bisa saja dia kemudian memutuskan pindah dari single account ke joint account (rekening bersama) dan kemudian setelah itu pola beli-nya berbeda dengan ketika dia masih bujangan.

• Cross-Market Analysis

Kita dapat memanfaatkan data mining untuk melihat hubungan antara penjualan satu produk dengan produk lainnya. Berikut ini saya sajikan beberapa contoh:

• Cari pola penjualan Coca Cola sedemikian rupa sehingga kita dapat mengetahui barang apa sajakah yang harus kita sediakan untuk meningkatkan penjualan Coca Cola?
• Cari pola penjualan IndoMie sedemikian rupa sehingga kita dapat mengetahui barang apa saja yang juga dibeli oleh pembeli IndoMie. Dengan demikian kita bisa mengetahui dampak jika kita tidak lagi menjual IndoMie.
• Cari pola penjualan
• Profil Customer

Data mining dapat membantu Anda untuk melihat profil customer/pembeli/nasabah sehingga kita dapat mengetahui kelompok customer tertentu suka membeli produk apa saja.

• Identifikasi Kebutuhan Customer

Anda dapat mengidentifikasi produk-produk apa saja yang terbaik untuk tiap kelompok customer dan menyusun faktor-faktor apa saja yang kira-kira dapat menarik customer baru untuk bergabung/membeli.

• Menilai Loyalitas Customer

VISA International Spanyol menggunakan data mining untuk melihat kesuksesan program-program customer loyalty mereka.

• Informasi Summary

Anda juga dapat memanfaatkan data mining untuk membuat laporan summary yang bersifat multi-dimensi dan dilengkapi dengan informasi statistik lainnya.

Analisa Perusahaan dan Manajemen Resiko

• Perencanaan Keuangan dan Evaluasi Aset

Data Mining dapat membantu Anda untuk melakukan analisis dan prediksi cash flow serta melakukan contingent claim analysis untuk mengevaluasi aset. Selain itu Anda juga dapat menggunakannya untuk analisis trend.

• Perencanaan Sumber Daya (Resource Planning)

Dengan melihat informasi ringkas (summary) serta pola pembelanjaan dan pemasukan dari masing-masing resource, Anda dapat memanfaatkannya untuk melakukan resource planning.

• Persaingan (Competition)
  • Sekarang ini banyak perusahaan yang berupaya untuk dapat melakukan competitive intelligence. Data Mining dapat membantu Anda untuk memonitor pesaing-pesaing Anda dan melihat market direction mereka.
  • Anda juga dapat melakukan pengelompokan customer Anda dan memberikan variasi harga/layanan/bonus untuk masing-masing grup.
  • Menyusun strategi penetapan harga di pasar yang sangat kompetitif. Hal ini diterapkan oleh perusahaan minyak REPSOL di Spanyol dalam menetapkan harga jual gas di pasaran.

Telekomunikasi

Sebuah perusahaan telekomunikasi menerapkan data mining untuk melihat dari jutaan transaksi yang masuk, transaksi mana sajakah yang masih harus ditangani secara manual (dilayani oleh orang). Tujuannya tidak lain adalah untuk menambah layanan otomatis khusus untuk transaksi-transaksi yang masih dilayani secara manual. Dengan demikian jumlah operator penerima transaksi manual tetap bisa ditekan minimal.

Keuangan

Financial Crimes Enforcement Network di Amerika Serikat baru-baru ini menggunakan data mining untuk me-nambang trilyunan dari berbagai subyek seperti property, rekening bank dan transaksi keuangan lainnya untuk mendeteksi transaksi-transaksi keuangan yang mencurigakan (seperti money laundry). Mereka menyatakan bahwa hal tersebut akan susah dilakukan jika menggunakan analisis standar. Mungkin sudah saatnya juga Badan Pemeriksa Keuangan Republik Indonesia menggunakan teknologi ini untuk mendeteksi aliran dana BLBI.

Asuransi

Australian Health Insurance Commision menggunakan data mining untuk mengidentifikasi layanan kesehatan yang sebenarnya tidak perlu tetapi tetap dilakukan oleh peserta asuransi. Hasilnya? Mereka berhasil menghemat satu juta dollar per tahunnya. Tentu saja ini tidak hanya bisa diterapkan untuk asuransi kesehatan, tetapi juga untuk berbagai jenis asuransi lainnya.

Olah Raga

IBM Advanced Scout menggunakan data mining untuk menganalisis statistik permainan NBA (jumlah shots blocked, assists dan fouls) dalam rangka mencapai keunggulan bersaing (competitive advantage) untuk tim New York Knicks dan Miami Heat.

Astronomi

Jet Propulsion Laboratory (JPL) di Pasadena, California dan Palomar Observatory berhasil menemukan 22 quasar dengan bantuan data mining. Hal ini merupakan salah satu kesuksesan penerapan data mining di bidang astronomi dan ilmu ruang angkasa.

Internet Web Surf-Aid

IBM Surf-Aid menggunakan algoritma data mining untuk mendata akses halaman Web khususnya yang berkaitan dengan pemasaran guna melihat prilaku dan minat customer serta melihat ke-efektif-an pemasaran melalui Web.

Dengan melihat beberapa aplikasi yang telah disebutkan di atas, terlihat sekali potensi besar dari penerapan Data Mining di berbagai bidang. Bahkan beberapa pihak berani menyatakan bahwa Data Mining merupakan salah satu aktifitas di bidang perangkat lunak yang dapat memberikan ROI (return on investment) yang tinggi. Namun demikian, perlu diingat bahwa Data Mining hanya melihat keteraturan atau pola dari sejarah, tetapi tetap saja sejarah tidak sama dengan masa datang. Contoh: jika orang terlalu banyak minum Coca Cola bukan berarti dia pasti akan kegemukan, jika orang terlalu banyak merokok bukan berarti dia pasti akan kena kanker paru-paru atau mati muda. Bagaimanapun juga data mining tetaplah hanya alat bantu yang dapat membantu manusia untuk melihat pola, menganalisis trend dsb. dalam rangka mempercepat pembuatan keputusan. Kapankah data mining akan banyak digunakan di Indonesia? Kita tunggu saja.

Komputasi Grid

Komputasi Grid adalah penggunaan sumber daya yang melibatkan banyak komputer yang terdistribusi dan terpisah secara geografis untuk memecahkan persoalan komputasi dalam skala besar.

Perkembangan kecepatan prosesor berkembang sesuai dengan Hukum Moore, meskipun demikian bandwith jaringan komputer berkembang jauh lebih pesat. Semakin cepatnya jalur komunikasi ini membuka peluang untuk menggabungkan kekuatan komputasi dari sumber-sumber komputasi yang terpisah. Perkembangan ini memungkinkan skala komputasi terdistribusi ditingkatkan lebih jauh lagi secara geografis, melintasi batas-batas domain administrasi yang sudah ada.

Pesatnya perkembangan teknologi komputer di negara-negara maju, membuat para penelitinya semakin haus akan tenaga komputasi yang dapat menjawab tantangan dan permasalahan yang mereka hadapi. Walaupun sudah memiliki supercomputer dengan kapasitas yang sangat tinggi , apa yang sudah ada ini pun dirasa tetap kurang, karena mereka berusaha memecahkan permasalahan yang lebih besar lagi. Setelah semua komputer yg dimiliki seorang “peneliti haus tenaga komputasi” dipergunakan habis-habisan untuk memecahkan masalahnya, setelah berbagai cara untuk memecahkan masalah dicoba, dan dipilih yang paling efisien, tapi tetap masalahnya belum bisa dipecahkan juga, apa yang harus dia lakukan? Komputasi grid adalah salah satu jawaban dari pertanyaan ini.

check-list yang dapat digunakan untuk mengidentifikasi bahwa suatu sistem melakukan komputasi grid yaitu :

• Sistem tersebut melakukan koordinasi terhadap sumberdaya komputasi yang tidak berada dibawah suatu kendali terpusat. Seandainya sumber daya yang digunakan berada dalam satu cakupan domain administratif, maka komputasi tersebut belum dapat dikatakan komputasi grid.

• Sistem tersebut menggunakan standard dan protokol yang bersifat terbuka (tidak terpaut pada suatu implementasi atau produk tertentu). Komputasi grid disusun dari kesepakatan-kesepakatan terhadap masalah yang fundamental, dibutuhkan untuk mewujudkan komputasi bersama dalam skala besar. Kesepakatan dan standar yang dibutuhkan adalah dalam bidang autentikasi, otorisasi, pencarian sumberdaya, dan akses terhadap sumber daya.

• Sistem tersebut berusaha untuk mencapai kualitas layanan yang canggih, (nontrivial quality of service) yang jauh diatas kualitas layanan komponen individu dari komputasi grid tersebut.

Distributed Computing, Grid Computing, dan Cloud Computing

Berikut ini adalah perbedaan dari distributed, grid, dan cloud computing :

• Distributed computing merupakan sebuah proses komputasi tidak terjadi dalam satu komputer saja akan tetapi didistribusikan atau di-share ke beberapa komputer. Analogi kelompok-kelompok jaringan LAN lain semisal Kost-Kostan dan ISP . Intinya proses tersebar dalam kelompok, namun menghasilkan satu output. Ya, distributed computing adalah salah satu contoh parallel processing (pemrosesan paralel).

• Grid Compunting adalah penggunaan sumber daya yang melibatkan banyak komputer yang terdistribusi dan terpisah secara geografis untuk memecahkan persoalan komputasi dalam skala besar. latar belakang adanya grid computing adalah Perkembangan kecepatan prosesor berkembang sesuai dengan Hukum Moore, meskipun demikian bandwith jaringan komputer berkembang jauh lebih pesat. Semakin cepatnya jalur komunikasi ini membuka peluang untuk menggabungkan kekuatan komputasi dari sumber-sumber komputasi yang terpisah. Perkembangan ini memungkinkan skala komputasi terdistribusi ditingkatkan lebih jauh lagi secara geografis, melintasi batas-batas domain administrasi yang sudah ada.

• Cloud Computing berbatas tipis dengan grid computing. Cloud computing memandang penyelesaian suatu proses dari sisi pemakaiannya. Dalam cloud computing, berarti si pemakai sama sekali tidak memiliki resource yang dipakai untuk memproses permintaannya. Data yang disedikan pemakai layanan akan diproses dalam suatu jaringan besar yang self-regulating (bisa mengatur dirinya sendiri). Pemakai hanya tahu hasil akhirnya saja tanpa tahu detil siapa yang memproses permintaannya, dimana diprosesnya dan dimana datanya tersimpan. Semua detil tersebut tertutup awan. Contoh cloud computing misalnya: Amazon EC2, SalesForce.com, Google App Engine, Yahoo! BOSS dan lain-lain.

Pengantar Kecerdasan Buatan (Part 3)

Soal :

Buat naskah / script yang terdiri dari :

1. Jalur / track
2. Role (pemerannya)
3. Properti (pendukung)
4. Kondisi input
5. Adegan / scene ( min 5 adegan max 10) : masing-masing adegan diperinci
6. Hasil

Jawaban :

Script atau naskah merupakan skema representasi pengetahuan yang sama dengan frame, yaitu merepresentasikan pengetahuan berdasarkan karakteristik yang sudah dikenal sebagai pengalaman-pengalaman. Perbedaannya frame menggambarkan obyek, sedangkan script menggambarkan urutan peristiwa. Dalam menggambarkan urutan peristiwa, script menggunakan slot yang berisi informasi tentang orang, objek, dan tindakan-tindakan yang terjadi dalam suatu peristiwa.

Dalam menggambarkan urutan peristiwa, script menggunakan slot yang berisi informasi tentang orang, obyek, dan tindakan-tindakan yang terjadi dalam suatu peristiwa. Elemen-elemen script meliputi:

1. Kondisi input, yaitu kondisi yang harus dipenuhi sebelum terjadi atau berlaku suatu peristiwa dalam script.
2. Track, yaitu variasi yang mungkin terjadi dalam suatu script.
3. Prop, berisi obyek-obyek pendukung yang digunakan selama peristiwa terjadi.
4. Role, yaitu peran yang dimainkan oleh seseorang dalam peristiwa.
5. Scene, yaitu adegan yang dimainkan yang menjadi bagian dari suatu peristiwa.
6. Hasil, yaitu kondisi yang ada setelah urutan peristiwa dalam script terjadi.

Berikut elemen script :

1. jalur/track, yaitu variasi yang mungkin terjadi dalam suatu script
2. role/peran, yaitu peran yang dimainkan oleh seseorang dalam peristiwa
3. property, berisi objek-objek pendukung yang digunakan selama peristiwa terjadi
4. kondisi input, yaitu kondisi yang harus dipenuhi sebelum terjadi atau berlaku suatu peristiwa dalam script
5. scene, yaitu adegan yang dimainkan yang menjadi bagian dari suatu peristiwa
6. hasil, yaitu kondisi yang ada setelah urutan peristiwa dalam script terjadi.

Pada tugas pengantar kecerdasan buatan ke-3 ini, saya akan membuat script kejadian ketika kita mengikuti “Sidang Penulisan Ilmiah (PI)”.

Jalur (track) : sidang penulisan ilmiah
Role (peran) : mahasiswa, dosen penguji
Property (pendukung) : soft cover penulisan, transparansi, lembar absensi, lembar hasil sidang, dll
Kondisi Input : mahasiswa yang penulisannya sudah disetujui oleh dosen pembimbing dan sudah terdaftar sebagai peserta sidang.

Adegan/scene ke-1 : Persiapan sidang
- Mahasiswa mendatangi ruang sidang.
- Dosen penguji mendatangi ruang sidang.
- Dosen penguji memberikan lembar absensi kepada mahasiswa.
- Mahasiswa mengisi lembar absensi.
- Mahasiswa memberikan lembar absensi ke dosen penguji.
- Mahasiswa menunggu giliran untuk di panggil sidang.

Adegan/scene ke-2 : Mahasiswa masuk ke ruang sidang
- Dosen penguji memanggil nama mahasiswa.
- Mahasiswa memasuki ruang sidang.
- Mahasiswa mempersiapkan transparansi.
- Mahasiswa memberikan soft cover penulisan kepada dosen penguji.

Adegan/scene ke-3 : Mahasiswa melakukan presentasi
- Mahasiswa mempresentasikan tentang penulisannya.
- Dosen penguji membaca penulisan mahasiswa.
- Dosen penguji bertanya tentang penulisan mahasiswa.
- Mahasiswa menjawab pertanyaan dosen penguji.

Adegan/scene ke-4 : Mahasiswa selesai sidang
- Dosen penguji menulis ada/tidaknya revisi di lembar hasil sidang.
- Mahasiswa membereskan transparansi.
- Dosen penguji memberikan lembar hasil sidang ke mahasiswa.

Adegan/scene ke-5 : Mahasiswa keluar dari ruang sidang
- Dosen penguji mempersilahkan mahasiswa keluar ruangan.
- Mahasiswa membawa kembali transparansi, soft cover penulisan dan lembar hasil sidang.
- Mahasiswa keluar ruangan.

Hasil
- Mahasiswa merasa senang.
- Mahasiswa merasa lega.
- Mahasiswa merasa bangga.
- Mahasiswa bersyukur.
- Mahasiswa kecewa.
- Mahasiswa pusing.

USB Emas

Ini dia penemuan baru di dunia USB, jika anda bosan dengan USB yang anda miliki sekarang sebaiknya anda memikirkan untuk membeli USB ini,

Pengantar Kecerdasan Buatan (Part 2)

Komputasi Modern

Komputasi bisa diartikan sebagai cara untuk menyelesaikan sebuah masalah dari inputan data dengan menggunakan algoritma. John von Neumann adalah seorang penggagas komputasi modern. Dia yang pertama kali menggagaskan konsep sebuah sistem yang menerima intruksi-intruksi dan menyimpannya dalam sebuah memory. Konsep inilah yang menjadi dasar arsitektur komputer modern. Beliau juga merupakan salah seorang ilmuwan yang sangat berpengaruh dalam pembuatan bom atom di Los Alamos pada Perang Dunia II lalu.

Tugas PKB (Pengantar Kecerdasan Buatan) 4IA04

A. Refresentasikan Pengetahuan dari pernyataan – pernyataan berikut menggunakan logika preposisi dan Predikat.

1.Karjo adalah seorang laki-laki

2.Karjo adalah orang jawa

3.Karjo lahir tahun 1840

4.Setiap laki-laki pasti akan mati

5.Semua orang jawa mati pada saat krakatau meletus tahun 1883

6.Setiap orang pasti mati setelah hidup lebih dari 150 tahun

7.Sekarang tahun 2010

8.Mati berarti tidak hidup

9.Jika seseorang mati maka beberapa waktu kemudian dia pasti dinyatakan telah mati

B. Buktikan bahwa Karjo masih hidup atau mati saat ini !

Hello world!

Welcome to WordPress.com. This is your first post. Edit or delete it and start blogging!