DATA MINING

DATA MINING

Definisi Data Mining
Data Mining adalah Serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basisdata dengan melakukan penggalian pola-pola dari data dengan tujuan untuk memanipulasi data menjadi informasi yang lebih berharga yang diperoleh dengan cara mengekstraksi dan mengenali pola yang penting atau menarik dari data yang terdapat dalam basisdata.

Data mining biasa juga dikenal nama lain seperti : Knowledge discovery (mining) in databases (KDD), ekstraksi pengetahuan (knowledge extraction) Analisa data/pola dan kecerdasan bisnis (business intelligence) dan merupakan alat yang penting untuk memanipulasi data untuk penyajian informasi sesuai kebutuhan user dengan tujuan untuk membantu dalam analisis koleksi pengamatan perilaku, secara umum definisi data-mining dapat diartikan sebagai berikut

• Proses penemuan pola yang menarik dari data yang tersimpan dalam jumlah besar.
• Ekstraksi dari suatu informasi yang berguna atau menarik (non-trivial, implisit, sebefumnya belum diketahui potensial kegunaannya) pola atau pengetahuan dari data yang disimpan dalam jumfah besar.
• Ekplorasi dari analisa secara otomatis atau semiotomatis terhadap data-data dalam jumlah besar untuk mencari pola dan aturan yang berarti.

Contoh data mining

yang diterapkan dalam kehidupan sehari-hari

1. Analisa pasar dan manajemen.

Solusi yang dapat diselesaikan dengan data mining, diantaranya: Menembak target pasar, Melihat pola beli pemakai dari waktu ke waktu, Cross-Market analysis, Profil Customer, Identifikasi kebutuhan Customer, Menilai loyalitas Customer, Informasi Summary.

2. Analisa Perusahaan dan Manajemen resiko.

Solusi yang dapat diselesaikan dengan data mining, diantaranya: Perencanaan keuangan dan Evaluasi

aset, Perencanaan sumber daya (Resource Planning), Persaingan (Competition).

3. Telekomunikasi.

Sebuah perusahaan telekomunikasi menerapkan data mining untuk melihat dari jutaan transaksi yang

masuk, transaksi mana sajakah yang masih harus ditangani secara manual.

4. 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) .

5. Asuransi.

Australian Health Insurance Commision menggunakan data mining untuk mengidentifikasi layanan

kesehatan yang sebenarnya tidak perlu tetapi tetap dilakukan oleh peserta asuransi .

Kelebihan dan Kekurangan Data Mining

Kelebihan Data Mining :

1. Kemampuan dalam mengolah data dalam jumlah yang besar.

2. Pencarian Data secara otomatis.

Kekurangan Data Mining :

1. Kendala Database ( Garbage in garbage out ).

2. Tidak bisa melakukan analisa sendiri.

kesimpulan : 

Data Mining adalah Disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan atau menemukan pola dari suatu data sehingga sering disebut Knowledge Discovery in Database.

Natural Language Interface to Database

Natural Language Interface to Database

1. INTRODUCTION

Database yang mendapatkan terpenting dalam berbagai macam bidang aplikasi menggunakan sistem informasi swasta dan publik. Database dibangun dengan tujuan untuk memfasilitasi kegiatan penyimpanan data, pengolahan, dan pengambilan terkait dengan pengelolaan data dalam sistem informasi. Karena kemajuan dan di-mendalam aplikasi teknologi komputer, aplikasi luas teknologi web

 di beberapa daerah menjadi akurat, database telah menjadi repositori dari volume besar data dalam database relasional, untuk mengambil informasi dari database, salah satu kebutuhan untuk merumuskan query sedemikian rupa bahwa komputer akan memahami dan menghasilkan output yang diinginkan. Query Language (SQL) norma terstruktur yang dikejar di hampir semua bahasa untuk sistem database relasional. Norma-norma SQL didasarkan pada interpretasi Boolean query. Tetapi beberapa persyaratan pengguna mungkin tidak dijawab secara eksplisit oleh sistem query klasik. Hal ini karena fakta bahwa karakteristik persyaratan 'tidak bisa diungkapkan dengan bahasa query biasa. Banyak aplikasi database baru generasi menetapkan manajemen informasi cerdas memerlukan interaksi efisien antara pengguna dan basis data. Dalam beberapa kali, ada meningkatnya permintaan untuk pengguna non-ahli untuk query database relasional dalam bahasa yang lebih alami meliputi variabel linguistik dan hal, bukannya beroperasi pada nilai-nilai atribut.

Oleh karena itu ide untuk menggunakan bahasa alami bukan SQL telah mendorong pengembangan jenis baru metode pengolahan yang disebut Antarmuka Bahasa Alam ke sistem database (NLIDB). NLIDB adalah langkah menuju pengembangan sistem database cerdas (IDBS) untuk meningkatkan pengguna dalam melakukan query fleksibel dalam database.

3. Natural Language Interface to Database  (NLIDB)

Natural Language Interface to Database merupakan daerah panas penelitian sejak lama. Tujuan dari Natural Language Interface to Database System adalah untuk menerima permintaan dalam bahasa Inggris atau bahasa alam lainnya dan mencoba untuk 'memahami' mereka atau kita dapat mengatakan bahwa bahasa alami interface untuk database (NLIDB) adalah sistem yang menerjemahkan kalimat bahasa alami ke dalam query database. Meskipun penelitian awal telah dimulai sejak akhir tahun enam puluhan , NLIDB tetap sebagai masalah penelitian terbuka.

Sebuah sistem NLIDB lengkap akan menguntungkan kita dalam banyak cara. Siapapun dapat mengumpulkan informasi dari database dengan menggunakan sistem seperti .Additionally, mungkin mengubah persepsi kita tentang informasi dalam database. Secara tradisional, orang yang digunakan untuk bekerja dengan bentuk; harapan mereka sangat tergantung pada kemampuan formulir. NLIDB membuat seluruh pendekatan yang lebih fleksibel, karena itu akan memaksimalkan penggunaan database.

Ada banyak aplikasi yang dapat mengambil keuntungan dari NLIDB. Di PDA dan ponsel lingkungan, tampilan layar tidak selebar komputer atau laptop. Mengisi formulir yang memiliki banyak bidang dapat membosankan: satu mungkin harus menavigasi melalui layar, untuk menggulir, untuk mencari nilai-nilai scroll Box, dll Sebaliknya, dengan NLIDB, satu-satunya pekerjaan yang perlu dilakukan adalah dengan mengetikkan pertanyaan serupa dengan SMS (Short Messaging System).

Sub Komponen NLIDB
Komputasi ilmuwan telah membagi masalah akses bahasa alami ke database menjadi dua sub-komponen:

• Komponen Linguistic

• komponen database

Komponen linguistik

Hal ini bertanggung jawab untuk menerjemahkan masukan bahasa alami ke dalam query formal dan menghasilkan respon bahasa alami berdasarkan hasil dari database pencarian.

Database Komponen

Ia melakukan fungsi Database Management tradisional. Sebuah leksikon adalah tabel yang digunakan untuk memetakan kata-kata input alami ke objek formal (nama relasi, atribut nama, dll) dari database. Kedua parser dan juru semantik memanfaatkan leksikon. Sebuah generator bahasa alami mengambil tanggapan resmi sebagai masukan, dan memeriksa pohon parsing untuk menghasilkan respon bahasa alami yang memadai. sistem database bahasa alami memanfaatkan pengetahuan sintaksis dan pengetahuan tentang database sebenarnya dalam rangka untuk benar berhubungan masukan bahasa alami dengan struktur dan isi dari database tersebut. pengetahuan sintaksis biasanya berada dalam komponen linguistik dari sistem, khususnya dalam analisa sintaks sedangkan pengetahuan tentang database sebenarnya berada sampai batas tertentu dalam model data semantik digunakan. Pertanyaan yang dimasukkan dalam bahasa alami diterjemahkan ke dalam sebuah pernyataan dalam bahasa query formal. Setelah pernyataan itu jelas terbentuk, query diproses oleh sistem manajemen database untuk menghasilkan data yang dibutuhkan. Data ini kemudian diteruskan kembali ke komponen bahasa alami di mana rutinitas generasi memproduksi versi bahasa permukaan respon.

Kelebihan : - kita dapat mempermudah memahami bahasa alami ke dalam bahasa query

                      - Sudah dibuatnya aplikasi dimobile

Kekurangan : aplikasi yang tidak mudah didapat

Kesimpulan : dengan adanya Natural Language Interface to Database kita dapat memahami baik bahasa alami dan query dan lebih fleksibel

Saran : agar kita ahli dalam membuat database kita bisa menggunakan System Natural Language Interface to Database bagi pemula maupun senior

Apa itu Expert System

Expert System

Pengertian Expert System

Secara umum, Expert System (ES) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan para ahli. Expert System tidak untuk menggantikan kedudukan seorang pakar tetapi untuk memasyaratkan pengetahuan dan pengalaman pakar tersebut.

Expert System atau Sistem Pakar juga dapat diartikan sebagai program komputer yang mencoba untuk mewakili pengetahuan dari pakar manusia dalam bentuk heuristic. Istilah heuristic diturunkan dari akar Yunani yang sama dengan kata eureka yang berarti “menemukan”. Maka dari itu, heuristic merupakan suatu rule of thumb atau suatu aturan dugaan yang baik.

              Expert System (ES) dikembangkan pertama kali oleh komunitas AI tahun 1960an. ES yang pertama adalah General Purpose Problem Solver (GPS) yang dikembangkan oleh Newel Simon.

Kelebihan dan Kekurangan Expert System (ES)

Kelebihan Expert System

Expert System (ES) memiliki bebrapa kelebihan antara lain sebagai berikut

1.               Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli

2.               bisa melakukan proses secara berulang secara otomatis

3.               menyimpan pengetahuan dan keahlian para pakar

4.               meningkatkan output dan produktivitas

5.               meningkatkan kualitas

6.               mampu mengambil dan melestarikankeahlian para pakar

7.               mampu beroperasi dalam lingkungan berbahaya

8.               memiliki kemampuan untuk mengakses pengetahuan

9.               memiliki realibilitas

10.            meningkatkan kapabilitas sistem computer

11.           memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian

12.            sebagai media pelengkap dalam pelatihan

13.            meningkatkan kapabilitas dalam penyelesaian masalah

14.            menghemat waktu dalam pengambilan keputusan

Kekurangan Expert System (ES)
Selain memiliki kelebihan, Expert System juga memiliki beberapa kekurangan antara lain:

1.               biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal

2.               Sulit dikembangkan

Hal ini erat kaitannya dengan ketersediaan pakar dalam bidangnya

3.               sistem pakar tidak 100% bernilai benar.

4.               Sistem pakar tidak dapat menangani pengetahuan yang tidak konsisten.

Ini merupakan kerugian nyata karena dalam dunia bisnis hanya sedikit yang tetap sepanjang waktu karena berubah-ubahnya manusia.

5.               Sistem pakar tidak dapat menerapkan panilaian dan intuisi yang merupakan unsur penting saat memecahkan masalah semi terstruktur atau tidak terstruktur

CONTOH APLIKASI DAN PENGEMBANGANNYA (CONTOH) SISTEM PAKAR
1. Adver : sebuah prototipe Expert system digunakan untuk menggunakan strategi media periklanan yang sesuai dengan kondisi internal dan eksternal perusahaan dengan parameter biaya iklan per seribu pemirsa.
2. Brickwork expert(Bert) : sebuah Expert system untuk disain bangunan. BERT digunakan untuk memeriksa sebuah disain bangunan, kemudian memberikan beberapa rekomendasi untuk perbaikan. Inputnya bisa dalam bentuk gambar.
3. Delta : Expert system untuk mendiagnosa kerusakan pada mesin-mesin Diesel Electric Locomotive.
4. Dendral : Sistem pakar untuk analisis struktur molekul suatu senyawa yang belum diketahui. Senyawa yang belum diketahui tersebut dianalisis dengan menggunakan “mass spectrometer” dan “nuclear magnetic reconancy equipment”. Data hasil analisis tersebut dimasukkan ke DENDRAL yang akan membuat struktur molekulnya.
5. Mycin : Expert system untuk mendiagnosa infeksi akibat bakteri dan menyarankan jenis obat dan dosisnya untuk penyembuhan.
6. Opera:OPERator Advisor yang digunakan untuk mendiagnosa dan menangani kerusakan pada suatu jaringan komputer. OPERA dijalankan pada malam hari untuk menggantikan Supervisor System Manager.
7. Prospector : Untuk membantu menemukan lokasi yang mengandung bahan tambang. Basis pengetahuannya berisi kaidah berdasar data empiris dan taksonomi beberapa jenis mineral dan batu-batuan. Untuk mengetahui apakah suatu daerah mengandung bahan tambang , lebih dahulu dilakukan survey keadaan geologi dan pengambilan contoh tanah dan batu-batuan. Berdasarkan data hasil survey tersebut akan diberikan rekomendasi apakah daerah tsb layak untuk dieksplorasi dan akan diputuskan apakah akan dilakukan penggalian atau tidak.
8. Heatings : Untuk pengontrolan proses pembakaran batubara secara terus menerus dengan menggunakan sensor yang dihubungkan ke komputer. Bila terjadi kerusakan yang menimbulkan bahaya (peralatan & manusia) dapat dengan mudah mengetahui dan memberikan pemecahannya. Misal, bila bila HEATINGS mendeteksi kadar CO melewati ambang batas akan terdengar bunyi alarm dan menyuruh membuka ventilasi.

Contoh Aplikasi Sistem Pakar

Aplikasi Sederhana: Sistem Pakar Bengkel Mobil

Ini adalah contoh Sistem Pakar sederhana, yang bertujuan untuk mencari apa yang salah sehingga mesin mobil pelanggan yang tidak mau hidup, dengan memberikan gejala-gejala yang teramati. Anggap Sistem Pakar kita memiliki aturan-aturan berikut:

1.    JIKA mesin_mendapatkan_bensin DAN starter_dapat_dihidupkan MAKA ada_masalah_dengan_pengapian

2.    JIKA TIDAK BENAR starter_dapat_dihidupkan DAN TIDAK BENAR lampu_menyala MAKA ada_masalah_dengan_aki

3.    JIKA TIDAK BENAR starter_dapat_dihidupkan DAN lampu_menyala MAKA ada_masalah_dengan_starter

4.    JIKA ada_bensin_dalam_tangki_bahan_bakar MAKA mesin_mendapatkan_bensin

            Terdapat 3 masalah yang mungkin, yaitu: ada_ masalah_ dengan _pengapian, ada_ masalah_ dengan_ aki dan ada_ masalah_ dengan_ starter. Dengan sistem terarah-tujuan (goal-driven), kita hendak membuktikan keberadaan setiap masalah tadi.

Pertama, Sistem Pakar berusaha untuk membuktikan kebenaran ada_masalah_dengan_pengapian. Di sini, aturan 1 dapat digunakan, sehingga Sistem Pakar akan menset goal baru untuk membuktikan apakah mesin_mendapatkan_bensin serta starter_dapat_dihidupkan. Untuk membuktikannya, aturan 4 dapat digunakan, dengan goal baru untuk membuktikan mesin_mendapatkan_bensin. Karena tidak ada aturan lain yang dapat digunakan menyimpulkannya, sedangkan sistem belum memperoleh solusinya, maka Sistem Pakar kemudian bertanya kepada pelanggan: “Apakah ada bensin dalam tangki bahan bakar?”. Sekarang, katakanlah jawaban klien adalah “Ya”, jawaban ini kemudian dicatat, sehingga klien tidak akan ditanyai lagi dengan pertanyaan yang sama.

Karena sistem sekarang sudah dapat membuktikan bahwa mesin mendapatkan bensin, maka sistem sekarang berusaha mengetahui apakah starter_dapat_dihidupkan. Karena sistem belum tahu mengenai hal ini, sementara tidak ada aturan lagi yang dapat menyimpulkannya, maka Sistem Pakar bertanya lagi ke klien: “Apakah starter dapat dihidupkan?”. Misalkan jawabannya adalah “Tidak”, maka tidak ada lagi aturan yang dapat membuktikan ada_masalah_dengan_pengapian, sehingga Sistem Pakar berkesimpulan bahwa hal ini bukanlah solusi dari problem yang ada, dan kemudian melihat hipotesis berikutnya: ada_masalah_dengan_aki. Sudah diketahui (dibuktikan) bahwa mesin tidak dapat distarter, sehingga yang harus dibuktikan adalah bahwa lampu tidak menyala. Sistem Pakar kemudian bertanya: “Apakah lampu menyala?”. Misalkan jawabannya adalah “Tidak”, maka sudah terbukti bahwa ada masalah dengan aki.

Sistem ini mungkin berhenti sampai di sini, tetapi biasanya ada kemungkinan terdapat lebih dari satu solusi (misalnya terdapat lebih dari satu kerusakan), atau ada kemungkinan terdapat solusi lain yng lebih tepat, sehingga biasanya semua hipotesis diperiksa kebenarannya. Sistem Pakar ini kemudian mencoba membuktikan bahwa ada_masalah_dengan_starter, namun dari fakta yang sudah diperoleh, yaitu lampu tidak menyala, maka pembuktiannya menjadi gagal. Dengan demikian solusi yang diberikan oleh Sistem Pakar adalah ada masalah dengan aki.

Secara lengkap, interaksi antara Sistem Pakar dengan klien mungkin seperti ini:

         System Pakar: Apakah ada bensin dalam tangki bahan bakar?

                        Klien: Ya

          System Pakar: Apakah starter dapat dihidupkan?

                        Klien: Tidak

          System Pakar: Apakah lampu menyala?

                         Klien: Tidak

           System Pakar: Saya berkesimpulan bahwa ada masalah dengan aki

Fasilitas Penjelasan

Kebanyakan Sistem Pakar mempunyai fasilitas penjelasan yang mengijinkan klien untuk bertanya mengapa dia diberi suatu pertanyaan atau bagaimana dapat mencapai suatu kesimpulan. Pertanyaan dari klien tersebut dijawab dengan mengacu pada goal, aturan yang dipakai, dan data-data yang ada. Contoh pemakaian fasilitas penjelas dalam Sistem Pakar di atas dapat dilihat pada percakapan berikut:

System Pakar: Apakah ada bensin dalam tangki bahan bakar?

Klien: Ya

System Pakar: Apakah starter dapat dihidupkan?

Klien: Tidak

System Pakar: Apakah lampu menyala?

Klien: Mengapa?

System Pakar: Saya mencoba membuktikan bahwa ada masalah dengan aki. Sudah ditunjukkan adalah tidak benar starter dapat dihidupkan. Sehingga jika tidak benar bahwa lampu menyala, maka ada masalah dengan aki. Apakah lampu menyala?

Klien: Tidak

System Pakar: Saya berkesimpulan bahwa ada masalah dengan aki

Klien: Bagaimana bisa?

System Pakar: Hal ini sesuai dengan aturan no 2: JIKA TIDAK BENAR starter_dapat_dihidupkan DAN TIDAK BENAR lampu_menyala MAKA ada_masalah_dengan_aki bahwa tidak benar starter_dapat_dihidupkan sudah dijawab, bahwa tidak benar lampu_menyala sudah dijawab, sehingga dapat disimpulkan bahwa ada_masalah_dengan_aki.

Fasilitas penjelasan berhubungan dengan pencatatan aturan apa saja yang digunakan untuk mengambil kesimpulan, dan menggunakan catatan tersebut untuk menyusun penjelasan. Pembangkitan penjelasan sederhana seperti contoh di atas bukanlah persoalan yang sulit, namun pemahaman klien terhadap penjelasan tersebut tidaklah sama, sehingga seringkali klien tetap tidak mengerti maksudnya. Hal ini karena biasanya penjelasan hanya meliputi pengetahuan yang dangkal atau hanya permukaan saja sebagaimana tercantum dalam autran yang dipunyai, bukannya pengetahuan yang mendalam yang mendasari aturan tersebut. Dalam contoh di atas, Sistem Pakar hanya mengatakan bahwa hal ini sesuai dengan aturan no 2, tetapi tidak menjelaskan secara lebih detil mengenai aturan 2 tersebut. Mungkin klien perlu diberi pengertian bahwa lampu dan starter dua-duanya menggunakan aki untuk menyalakannya. Hal penting lain adalah ketika klien gagal mengerti atau menerima penjelasan yang diberikan, biasanya Sistem Pakar tidak dapat memberi penjelasan dengan cara lain (tidak begitu halnya dengan seorang pakar yang mampu menggunakan kalimat yang lain untuk mencoba menjelaskannya)

Ini adalah aplikasi system pakar yang dibuat untuk meramalkan sifat dan kepribadian sesorang.

Seperti pada gambar diatas kita pada kolom pertama kita dipersilahkan untuk memilih golongan darah kita, dikolom kedua jenis rambut kita, dikolom keempat bentuk muka, kolom kelima jenis mata, kolom keenam bentuk hidung,kolom keenam bentuk bibir.

Setelah itu kita tekan tombol proses untuk mengetahui sifat dan karakter kita

 Gambar diatas adalah aplikasi system expert rental mobil yang digunakan untuk menginput dan menyimpan data-data mobil yang disewa oleh pelanggan.

Kesimpulan

Dari artikel di atas ,saya dapat menarik kesimpulan bahwa sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah yang seperti biasa dilakukan oleh para ahli’

                Ada beberapa hal penting yang perlu diperhatikan bahwa,secanggih apapun suatu sistem atau sebesar apapun basis pengetahuan di miliki, tentu saja ada kelemahannya sebagai konsekuensi logis kelemahan manusia sebagai penyusun elemen-elemnya. Bahawa sistem tidak memiliki inisiatif untuk melakukan suatu tindakan diluar dari apa yang telah diprogramkan untuknya.

Sumber :

 http://expertsystemchyntia.blogspot.co.id/

https://elhasbyblog.wordpress.com/kuliah-2/expert-system-sistem-pakar/