CodeIR

Masukan dan keluaran perlu diidentifikasi terlebih dahulu sebelum melakukan penyusunan algoritma. Gambar 1.0 dibawah memperjelas hal ini. Setelah masukan dan keluaran dikenali, hubungan antara keluaran dan masukan dapat disusun sedemikian rupa, sehingga dengan masukan yang tersedia, keluaran dapat diperoleh. Gambar 1.0 Algoritma memiliki masukan dan keluaran. Algoritma yang menghubungkan masukan dan keluaran dapat diperoleh dengan berbagai cara, seperti berikut: Didasarkan pada pengetahuan masukan dan keluaran; Menanyakan kepada orang yang mengetahui hubungan tersebut; Membaca buku-buku yang terkait dengan masalah tersebut; Mencari jawaban di internet; Mencoba membuat sendiri solusinya. Mencoba membuat solusi sendiri pada opsi terakhir mungkin akan tidak mudah. Namun, suatu saat jika menemukan kondisi seperti itu, kemampuan kita akan dituntut untuk bisa menyelesaikan nya sendiri. Berikut contoh penyelesaian masalah pada setiap masalah, masukan dan keluaran pe

Algoritma dibuat pada tahapan perancangan program. Algoritma inilah yang memiliki peran penting untuk menghubungkan antara keluaran yang dikehendaki dan masukan-masukan yang tersedia. Algoritma adalah sekumpulan langkah rinci yang ditujukan untuk komputer dalam menyelesaikan suatu masalah. Langkah-langkah yang dimkasud adalah agar bisa dituangkan ke dalam program, sehingga bisa dieksekusi oleh komputer. walaupun demikian, untuk algoritma yang sederhana, langkah-langkah yang terdapat di algoritma dapat di uji secara manual. note : istilah algoritma berasal dari nama Abu Ja'far Mohamed ibn Musa al-Khawarizmi, seorang ilmuan Arab yang menggagas empat dasar operasi aritmatika (penjumlahan, pengurangan, perkalian, dan pembagian). Berikut contoh algoritma cara menghitung keliling persegi panjang berdasarkan masukan panjang dan lebar suatu persegi panjang. Masukan nilai panjang persegi panjang dan catat di varaibel Panjang. Masukan nilai lebar persegi panjang dan catat di va

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu (Larose, 2005): Deskripsi : Terkadang peneliti dan analis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan. Estimasi : Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numerik dari pada arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variable target sebagai nilai prediksi. Selanjutnya pada peninjauan estimasi nilai variabel target dibuat berdasarkan nilai variabel prediksi. Sebagai contoh, akan dilakukan estimasi tekanan darah estolik pada pasien rumah saki

CRISP-DM dikembangkan tahun 1996 oleh analis dari beberapa industri seperti DaimlerChrisler, SPSS, dan NCR. CRISP-DM menyediakan standar proses data mining sebagai strategi pemecahan masalah secara umum dari bisnis atau unit penelitian. Dalam CRISP-DM sebuah proyek data mining memiliki siklus hidup yang terbagi dalam enam fase. Keseluruhan fase berurutan yang ada tersebut bersifat adaptif. Fase berikutnya dalam urutan bergantung kepada keluaran dari fase sebelumnya. Hubungan penting antarfase digambarkan dengan panah. Sebagai contoh, jika proses berada pada fase modeling . Berdasar pada perilaku dan karakteristik model, proses mungkin harus kembali kepada fase data preparation untuk perbaikan lebih lanjut terhadap data atau berpindah maju kepada fase evaluation. Gambar Proses Data Mining Menurut CRISP-DM Berikut enam fase CRISP-DM (Larose, 2005): Fase pemahaman bisnis (B isnis Understanding Phase ) Penentuan tujuan proyek dan kebutuhan secara detail dal

Suatu istilah yang digunakan untuk mengurai penemuan pengetahuan di dalam database. Data mining merupakan proses yang menggunakan teknik statistik, matematik, kecerdasan buatan dan machine learning untuk mengekstrasi dan mengidentifikasi informasi yang bermanfaat dan berbagai pengetahuan yang terakit dari berbagai database besar (Tuban, dkk. 2005). Menurut Gradner Group d ata mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik statistik dan matematik (Larose, 2005). Faktor-faktor yang mendorong kemajuan luar biasa dalam bidang data mining antara lain (Larose, 2005): Pertumbuhan yang cepat dalam perkumpulan data. Penyimpanan data dalam  data warehouse , sehingga seluruh perusahaan memiliki akses ke dalam database yang andal. Adanya peningkatan akses data melalui navigasi web dan internet. Tekanan kompetisi

Bahasa Pemrograman 0 dan 1 atau dinamakan kode biner menjadi dasar saat sebuah komputer bekerja, jika dinyatakan dalam keadaan tombol on/off pada PC atau perangkat elektronik lainnya, kode 0 menyatakan shutdown atau mati dan kode 1 menyatakan nyala. Atas dasar inilah, program pada masa awal terciptanya komputer dibuat dengan menggunakan bahasa pemrograman yang berbasis pada kode biner dan dinamakan bahasa mesin. Pembuatan bahasa pemrograman dengan bahasa mesin tentu saja memakan waktu yang lama dan membosankan. Itulah sebabnya muncul bahasa rakitan, untuk lebih memudahkan dalam pembuatan program. Pada bahas ini, kode-kode singkat, seperti MOV untuk menyalin data dan CMP untuk melakukan pembandingan data digunakan. Contoh instruksi dalam bahasa mesin dan bahasa rakitan untuk menyatakan operasi yang serupa untuk menambahkan dua bilangan pada suatu jenis komputer. Kode dalam bahasa rakitan terlihat lebih mudah dipahami oleh manusia dari pada kode dalam bahasa mesin. Gambar. C