Jumat, 29 Desember 2017

Contoh Data Mining: Keputusan Bermain Tenis Dengan Algoritma C 4.5

Algoritma  C  4.5  adalah  salah  satu  metode  untuk  membuat  decision  tree berdasarkan  training  data  yang  telah  disediakan.  Algoritma  C  4.5  merupakan pengembangan  dari  ID3.  Beberapa  pengembangan  yang  dilakukan  pada  C  4.5 adalah sebagai  antara  lain  bisa  mengatasi  missing  value, bisa  mengatasi  continue data, dan pruning.
Pohon  keputusan  merupakan  metode  klasifikasi  dan  prediksi  yang  sangat kuat  dan  terkenal.  Metode  pohon  keputusan  mengubah  fakta  yang  sangat  besar menjadi  pohon  keputusan  yang  merepresentasikan  aturan.  Aturan  dapat  dengan mudah dipahami  dengan bahasa alami.  Dan  mereka juga dapat  diekspresikan dalam bentuk  bahasa  basis  data  seperti  Structured Query  Language  untuk  mencari record    pada    kategori    tertentu.   Pohon    keputusan   juga    berguna    untuk mengeksplorasi  data,  menemukan  hubungan  tersembunyi  antara  sejumlah  calon variabel input dengan sebuah variabel target.Karena  pohon  keputusan  memadukan  antara  eksplorasi  data  dan pemodelan,  pohon  keputusan  sangat  bagus  sebagai  langkah  awal  dalam  proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain. Sebuah  pohon  keputusan  adalah  sebuah  struktur  yang  dapat  digunakan  untuk membagi  kumpulan  data  yang  besar  menjadi  himpunan-himpunan  record  yang lebih  kecil  dengan  menerapkan  serangkaian  aturan  keputusan.  Dengan  masingmasing rangkaian pembagian, anggota himpunan hasil  menjadi  mirip satu dengan yang lain (Berry dan Linoff, 2004).
Untuk   memudahkan   penjelasan   mengenai   algoritma   C   4.5   berikut   ini disertakan contoh kasus yang dituangkan dalam Tabel 2.1

Tabel 2.1  Keputusan Bermain Tenis




Dalam  kasus  yang  tertera  pada  Tabel  2.1  akan  dibuat  pohon  keputusan untuk   menentukan   main   tenis    atau   tidak   dengan   melihat   keadaan   cuaca, temperatur, kelembaban dan keadaan angin.
Secara  umum algoritma  C4.5  untuk  membangun  pohon  keputusan  adalah
sebagai berikut:
1.  Pilih atribut sebagai akar
2.  Buat cabang untuk masing-masing nilai
3.  Bagi kasus dalam cabang
4.  Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki  kelas yang sama.
Untuk  memilih  atribut  sebagai  akar,  didasarkan  pada  nilai  Gain  tertinggi dari  atribut-atribut  yang  ada.  Untuk  menghitung  Gain  digunakan  rumus  seperti tertera dalam Rumus 1 (Craw, 2005).
                  Gain(S,A) = Entrropy(S) –  * Entropy(Si)
Dengan
S    : Himpunan Kasus
A    : Atribut
N    : Jumlah partisi atribut A
|Si|    : Jumlah kasus pada partisi ke i
|S|    : Jumlah kasus dalam S
Sedangkan   perhitungan   nilai   Entropy   dapat   dilihat   pada   rumus   2   berikut
(Craw, 2005):
Entropy(A) =
Dengan
S    : Himpunan Kasus
A    : Fitur
n    : Jumlah partisi S
pi    : Proporsi dari Si terhadap S
Berikut ini  adalah  penjelasan  lebih  rinci  mengenai  masing-masing  langkah dalam pembentukan  pohon  keputusan  dengan  menggunakan  algoritma  C4.5  untuk menyelesaikan permasalahan pada Tabel 2.1
1.            Menghitung  jumlah  kasus,  jumlah  kasus  untuk  keputusan  Ya,  jumlah kasus  untuk  keputusan Tidak,  dan  Entropy  dari  semua  kasus  dan  kasus yang  dibagi  berdasarkan  atribut  cuaca,  temperatur,  kelembaban  dan angin.  Setelah  itu  lakukan  penghitungan  Gain  untuk  masing-masing atribut. Hasil perhitungan ditunjukkan oleh Tabel 2.2
Tabel 2.2 Perhitungan Node 1


Baris   total    kolom  Entropy   pada   Tabel   2.2   dihitung   dengan   rumus   2,
sebagai berikut
              Dari hasil  pada Tabel  2.2 dapat  diketahui  bahwa atribut dengan  Gain tertinggi  adalah kelembaban  yaitu  sebesar  0.37.  Dengan  demikian  kelembaban dapat  menjadi  node  akar.  Ada 2  nilai  atribut  dari  kelembaban  yaitu  tinggi  dan normal.  Dari  kedua  nilai  atribut  tersebut,  nilai  atribut normal  sudah mengklasifikasikan  kasus  menjadi  1  yaitu  keputusannya  Ya,  sehingga tidak perlu dilakukan  perhitungan  lebih  lanjut,  tetapi  untuk  nilai  atribut  tinggi  masih  perlu dilakukan perhitungan lagi. Dari   hasil    tersebut    dapat   digambarkan   pohon   keputusan   sementara, tampak seperti Gambar 2.4

2.            Menghitung  jumlah  kasus,  jumlah  kasus  untuk  keputusan  Ya,  jumlah  kasus untuk  keputusan  Tidak,  dan  Entropy  dari  semua  kasus  dan  kasus  yang  dibagi berdasarkan  atribut  cuaca,  temperatur  dan  angin  yang  dapat  menjadi  node  akar dari  nilai  atribut  tinggi.  Setelah  itu  lakukan  penghitungan  Gain  untuk  masingmasing atribut. Hasil perhitungan ditunjukkan oleh Tabel 2.3
Tabel 2.3 Perhitungan Node 1.1











Dari hasil  pada Tabel  2.3 dapat  diketahui  bahwa atribut dengan  Gain tertinggi adalah  cuaca  yaitu  sebesar  0.699.  Dengan  demikian  cuaca  dapat  menjadi node  cabang  dari  nilai  atribut  tinggi.  Ada  3  nilai  atribut  dari  cuaca  yaitu mendung, hujan  dan  cerah.  dari  ketiga  nilai  atribut  tersebut,  nilai  atribut  mendung  sudah mengklasifikasikan  kasus  menjadi  1  yaitu  keputusannya  Ya dan  nilai  atribut  cerah sudah  mengklasifikasikan  kasus  menjadi  satu  dengan  keputusan  Tidak,  sehingga tidak  perlu  dilakukan  perhitungan  lebih  lanjut,  tetapi  untuk  nilai  atribut  hujan masih perlu dilakukan perhitungan lagi.Pohon   keputusan   yang   terbentuk   sampai   tahap   ini   ditunjukkan   pada Gambar 2.5 berikut



3.            Menghitung  jumlah  kasus,  jumlah  kasus  untuk  keputusan  Ya,  jumlah  kasus untuk  keputusan  Tidak, dan  Entropy  dari  semua  kasus  dan  kasus  yang  dibagi berdasarkan  atribut  temperatur  dan  angin  yang  dapat  menjadi  node  cabang dari nilai atribut  hujan. Setelah  itu  lakukan  penghitungan  Gain  untuk  masingmasing atribut. Hasil perhitungan ditunjukkan oleh Tabel 2.4 Tabel 2.4 Perhitungan Node 1.1.2













                 Dari hasil  pada Tabel  2.4 dapat  diketahui  bahwa atribut dengan  Gain tertinggi adalah  angin  yaitu  sebesar  1.  Dengan  demikian  angin  dapat menjadi node cabang  dari nilai  atribut  hujan.  Ada  2  nilai  atribut  dari  angin  yaitu  Tidak  dan  Ya. Dari  kedua  nilai  atribut  tersebut,  nilai  atribut  Tidak  sudah  mengklasifikasikan kasus  menjadi  1  yaitu  keputusannya  Ya  dan  nilai  atribut  Ya  sudah mengklasifikasikan  kasus  menjadi  satu  dengan  keputusan  Tidak,  sehingga  tidak perlu  dilakukan  perhitungan  lebih  lanjut  untuk nilai  atribut ini.  Pohon  keputusan yang terbentuk sampai tahap ini ditunjukkan pada Gambar 2.6

Dengan  memperhatikan  pohon  keputusan  pada  Gambar  2.6  diketahui bahwa    semua    kasus    sudah    masuk    dalam kelas. Dengan    demikian,    pohon keputusan pada Gambar 2.6 merupakan pohon keputusan terakhir yang terbentuk.


Daftar Pustaka
Prabowo Pudjo widodo. 2013. Penerapan Data Mining Dengan MatLab. Bandung: Penerbit
Rekayasa Sains.
Nurkholifah.2016.Makalah Konsep Dasar Data Mining. Fakultas Ilmu Komputer Jurusan Sistem Informasi Universitas Indo Global Mandiri

Selasa, 19 Desember 2017

Tahapan Preproscessing/Cleaning Pada Data Mining

Assalamualaikum wr wb

Tidak berasa perkuliahan sudah memasuki tahapan akhir tentu memulai mencari dan mengumpulakan data serta menyusunan metode yang tepat dalam menyusun tesis, bahan dari tesis  harus benar dalam bentuk penelitian dan bermanfaat tentunya. Masih bingung kira- kira akan mengambil judul atau metode apa ya? Boleh kok klo memakai metode-metode dalam data mining seperti clastering moupun decicion tree. Bertepatan dengan tugas yang diberikan bapak dosen untuk membahas beberapa judul bahasan tentang Tahapan data mining diantaranya:data cleaning/prepossessing,data integrase,data seleksi,data transformasi,paterrern evolusi  saya akan memilih preprosesing pada data mining. Untuk pengertian,fungsi dan lainnya tentang data mining  bisa dibahas kapan-kapan ya viewer J

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD (knowledge discovery in Data). Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data.Tahapan yang dilakukan pada proses data mining diawali dari seleksi data dari data sumber ke data target, tahap preprocessing untuk memperbaiki kualitas data, transformasi, data mining serta tahap interpretasi dan evaluasi yang menghasilkan output berupa pengetahuan baru yang diharapkan memberikan kontribusi yang lebih baik. Secara detail dijelaskan sebagai berikut (Fayyad, 1996):

Tahapan dalam melakukan data mining salah satunya adalah preprosesing data. Pertanyaannya adalah mengapa data perlu di bersihkan sebelum diproses ?
Hal ini terjadi karena biasanya data yang akan digunakan belum baik, penyebabnya antara lain :
– Incomplete : kekurangan nilai-nilai atribut atau atribut tertentu lainnya.
– Noisy : berisi kesalahan atau nilai-nilai outlier yang menyimpang dari yang diharapkan.
– Inconsisten : ketidakcocokan dalam penggunaan kode atau nama.
Disini kualitas data yang baik didasarkan oleh keputusan yang baik dan data warehouse memerlukan integrasi kualitas data yang konsisten.

Beberapa hal yang perlu diperhatikan untuk mendapatkan data yang baik adalah :
– Accuracy
– Completeness
– Consistency
– Timeliness
– Value added
– Interpretability
– Accessibility
– Contextual
– Representational

Teknik atau metode yang digunakan dalam data preprocessing, diantaranya:
  1.  Data cleaning:Menghilangkan nilai-nilai data yang salah, memperbaiki kekacauan data dan memeriksa data yang tidak konsisten.
  2. Data integrasi:Menggabungkan data dari beberapa sumber (database, data cube, atau file) ke dalam penyimpanan data yang sesuai.
  3. Data transformasi:Normalisasi dan pengumpulan data sehingga menjadi sama.
  4. Data reduksi:Menguraikan data ke dalam bentuk yang lebih kecil ukurannya tetapi tetap menghasilkan hasil analitis yang sama.
  5. Data diskretisasi:Bagian dari data reduksi tetapi memiliki arti penting tersendiri, terutama untuk data numerik
Cukup sekian dulu ya next disambung kembali ...wasallamualaikum wr wb


Daftar Pustaka
Turban, E, 2005, Decision Support Systems and Intelligent Systems Edisi Bahasa Indonesia Jilid 1. Andi: Yogyakarta.
Larose, Daniel T. 2005. Discovering Knowledge in Data : An Introduction to Data Mining. John Willey & Sons, Inc.
ayyad, Usama. 1996. Advances in Knowledge Discovery and Data Mining. MIT Press.

Selasa, 14 Februari 2017

Select...Where Pada MySQL

Selamat malem, akhirnya bisa menyempatkan meneruskan bahasan DML penggunaan Select  dan where
mari kita praktikkan buka Cmd dan Xampp nya yahπŸ˜ŠπŸ‘‡

1. Buat database universitas,
2. Tabel mahasiswa,seperti di bawah jika di descripsikan fieldnya
 

3.    Isi data tabel mahasiswa seperti dibawah,


4.    Untuk menyeleksi  seluruh data yang ingin ditampilkan dengan kriteria tertentu dapat menggunaka WHERE Mencari dan Menampilkan Data.
       


5.    Mencari dan Menampilkan Data dengan Operator Matematika pada Table dalam Basis Data. Operasi matematika dalam mysql sering dijadikan alternatif yang paling efektif dalam menghasilkan sebuah laporan yang detail karena dapat meminimalkan penggunaan memori serta mempermudah penyusunan coding program. Untuk menyeleksi  seluruh data yang ingin ditampilkan dengan operator matematika dengan  kriteria tertentu dengan sintaks sebagai berikut:

        

6.  Menampilkan Data dengan Operator pembanding pada Table dalam BasisData. Operator ini digunakan untuk melakukan pembandingan apakah beberapa elemen sama, identik, kurang dari atau lebih besar dari yang lain. Operator perbandingan digunakan untuk membandingkan data kolom dengan nilai-nilai tertentu dalam suatu kondisi. Operator Perbandingan digunakan bersama dengan pernyataan SELECT untuk menyaring data berdasarkan kondisi tertentu

< Kurang dari
> Lebih dari
<= Kurang dari sama dengan
>= Lebih dari sama dengan
= Sama Dengan
< > atau != Tidak sama dengan 

     

7.   Menampilkan Data dengan Operator AND untuk mengambil data dari satu atau beberapa table menggunakan syarat  akan ditampilkan bila kedua syarat terpenuhi, begitu juga sebaliknya jika salah satu diantara kedua syarat tersebut tidak terpenuhi maka data tidak  ditampilkan.

   

        Note: harus memenuhi dua kriteria(pamulang dan bernama andi) Sedang dody tidak beralamat                   pamulang

8.   Operator OR Berbeda dengan operator AND, operator OR untuk mengambil data salah satu  yang bernilai benar maka data akan ditampilkan, tetapi jika kondisi keduanya tidak bernilai benar atau tidak terpenuhi maka data  tidak ditampilkan

   

     
Note: Bedakan hasilnya dengan pada sintak yang sama  mengunakan (AND  Versus  OR).
Di sini terlihat kalo OR hanya memenuhi satu kriteriapun akan di tampilkan sedangkan AND harus               terpenuhi  semua kriteria (andi dan Pamulang) baru ditampilkan.

Oke mudah bukan klo kita praktikan πŸ˜ŠπŸ˜‹πŸ˜‰ blog selanjutnya masih membahasa select        where dengan IN, not IN, LIKE, not LIKE, serta having, mudah2 ada waktu lapang.
  
wassalam@ES

Rabu, 01 Februari 2017

Insert,Update,Delete,Select (DML) pada MySQL

Setelah kemaren sukses membuat database dan tabel, kali ini kita akan belajar lebih lanjut dengan memanipulasi data dalam database. Bentuk Data Manipulation Language (DML) yang dapat dilakukan diantaranya adalah untuk keperluan pencarian data , penyisipan data baru, penghapusan data, pengubahan data. Perintah-perintah yang ada di DML adalah INSERT, UPDATE, SELECT, DELETE.

1. Buat Database sekolah.
2. Buat tabel data_siswa.


3. Input  data pada  tabel data_siswa.


Note:
Untuk meinput data ada 3 cara tapi disini saya contohkan query yang paling simple untuk diingat
Untuk mengetahui data yang kita input berhasil dengan  select *from data_siswa (oke nanti kita bahas tentang select lebih lanjut)

4. Untuk mengubah data yg salah  dengan UPDATE


5. Untuk menghapus data yang tak dibutuhkan dengan DELETE



         Mudah bukan cara menginput,mengubah dan menghapus sebuah data pada tabel, nah untuk selanjutnya mari kita bahas tentang SELECT yang tadi disinggung diatas.

1 Select untuk menampilkan seluruh  data pada tabel


 Note : tanda *(bintang) untuk menandakan klo seluruh kolom akan ditampilkan

2. Select menampilkan kolom tertentu yang diinginkan.


3. Select Untuk mengganti judul hasil tampilan output tapi tidak menubah nama field/kolom sebenarnya di tabel.
note : jika di cek struktur tabelnya(desc) maka AS tidak pengaruh untuk tabel


         Oke mudah lah πŸ˜ŠπŸ˜‰πŸ˜‹ ,pastinya klo kita praktikan saya yakin buat pemula  yang mau belajar buat database mySQL.
wassalam@ES

Selasa, 31 Januari 2017

Alter Table pada mySQL

      Setelah membuat database dan tabel dalam DDL perlu menampilkan  dan memanipulasi struktur yang ada menggunakan ALTER. Alter digunakan untuk memodifikasi definisi (struktur) dari table dengan memodifikasi definisi  kolom-kolomnya. Perintah  ALTER  melakukan fungsi-fungsi berikut.
1) Tambah, drop, memodifikasi kolom table.
2) Tambah dan drop kendala.
3) Aktifkan dan Nonaktifkan kendala.

Untuk lebih jelasnya mari kita praktikan langsung.
Database : sekolah
Tabel : siswa ,matpel(matapelajaran)

1. Membuat database: create database sekolah,(sudah dibahas di DDL1)
2.Tabel siswa telah dibuat kemudian di tambah query menambah field(kolom) telepon


3.Membuat Tabel Matpel



4.Sintaks untuk menambahkan primary key pada tabel siswa



5.Sintaks untuk menambahkan foreign key antara dua tabel( siswa dan matpel)



6.Sintaks untuk menjatuhkan kolom/menhapus field dalam tabel siswa



7.Sintaks untuk memodifikasi kolom pada tabel siswa



8.Mengubah nama field/kolom  dalam tabel siswa dengan change



9.Mengubah nama tabel siswa menjadi data_siswa dengan Rename


10.Menambah auto increment pada tabel siswa yang artinya  nis pada tabel data_siswa akan dimulai dari 2017 dan akan urut secara oromatis jika di insert kan data(disarankan jika men-insert-kan data maka nis pada tabel data_siswa di kosongkan saja).
note* untuk auto increment disini belom terlihat hasilnya  nanti jika di inser data baru terlihat


Baiklah semua yang terkait dengan alter saya sudah saya bahas, mudah bukanπŸ˜ŠπŸ˜‰πŸ˜‹ dengan DDL II .
wassalam@ES


Jumat, 27 Januari 2017

DDL

        DDL digunakan untuk mendefinisikan, mengubah, serta menghapus basis data dan objek-objek yang diperlukan dalam basis data, misalnya table. Perintah yang termasuk DDL: 

1) CREATE  : Untuk membuat, termasuk diantaranya membuat database dan table baru. 
2) ALTER     : Untuk mengubah struktur table yang telah dibuat. 
3) RENAME : Perintah Rename digunakan untuk mengubah nama table atau objek database. 
4) DROP       : Untuk menghapus database dan table. 

Oke,secara singkat Data  Definition  Language  (DDL) telah di jelaskann diatas untuk  langsung praktik mari kita langsung membuat database mysql  ,di sini menggunakan Xampp sebagai server localhost, jika belom ada silahkan install di PC. Aktifkan Apache dan Mysql (klik start)seperti dibawah :
Setelah itu Klik Start →Run→ ketik cmd <enter>

Ketik perintah di bawah ini.

C:\> cd c:\xampp\mysql\bin <enter>
C:\xampp\mysql\bin> mysql –u root


Anda berhasil masuk pada localhost, sekarang  mari buat database dan tabel 
membuat database universitas,  
 ↳ create database universitas; <enter>
Untuk memastikan databases yang  berhasil dibuat ketiklah
↳show databases: <enter>
Jika terdapat keterangan seperti dibawah ini,maka rubah nama database disini menngunakan Universitas45, yang berarti nama database universitas sudah pernah dibuat. Maka akan seperti tampilan dibawah ini:



Oke setelah berhasil membuat database kita membuat tabel mahasiswa, langkah-langkahnya
↳ use universitas45;
↳create table mahasiswa(nim int(12),nama char(20),alamat char(20),primary key(int));
↳show tables;
↳desc mahasiswa;
Maka akan seperti tampilan dibawah ini:


Keterangan : 
↳use  nama database ini untuk mengaktifkan/memilih database mana yang akan dibuat table atau perintah lain.
↳ tipedata yang sering digunakan dalam database adalah int(untuk number),char(untuk huruf),date(untuk waktu).
↳primary key(data unik yang tak boleh ada data yang menyamai) disini adalah nim.
↳show tables untuk mengetahui jumlah table-table yang dibuat pada database tersebut.
↳desc adalah descripsi untuk menampilkan tabel yang telah dibuat.

Sedangkan  untuk menghapus database atau table yang dibuat dengan langkah:
↳drop database universitas45;
↳drop table mahasiswa;
maka database ataupun table terhapus

Mudah bukan belajar membuat database dan tabel pada mysql πŸ˜ŠπŸ˜ŠπŸ˜‹
.

Semoga bermanfaat  @ES

REVIEW JOURNAL

 A Comprehensive Analysis of the Role of Artificial Intelligence and Machine Learning in Modern Digital Forensics and Incident Response Dip...