Perancangan Database Pencatatan Produk Dengan Serial Number

Nah, postingan kali ini sebagai lanjutan dari pengenalan lingkup database jika pada postigan sebelumnya berkenalan dengan manajemen user database dan tool query database, kali ini saya sedikit menulis tentang cara merancang database dalam konteks perancangan alur sistem belum mengimplementasikan rancangan sistem  ke dalam database sofware.  Tulisan ini untuk saya pribadi dan untuk yang mulai belajar merancang database,  jadi jika anda sudah expert tentang database maka sebaiknya di close saja browsernya daripada sakit hati sebab ini hanya ditujukan untuk pemula dan catatan pribadi saya dalam belajar database. Jika  ada pertanyaan  bagaimana cara merancang database yang baik? Menurut saya sendiri database dikatakan baik, jika sesuai dengan kebutuhan sistem yang akan dibangun dan dinamis. Dinamis dalam arti dapat diterapkan konsep SDLC (System Development Life Cycle).

Contoh Algoritma Klasifikasi Data Mining

Mengenal metode  klasifikasi, secara sederhana algoritma klasifikasi pada data mining merupakan sebuah catatan record data hendak diklasifikasikan kedalam salah satu dari sekian klasifikasi data yang tersedia pada variabel tujuan berdasarkan nilai-nilai “variabel prediktor”.  

Cara KerjaAlgoritma klasifikasi 
Klasifikasi dalam data mining bekerja pada data historis atau data sejarah. Data historis disebut data latihan atau training data. histori data digunakan sebagai cara mendapatkan pengetahuan dan disebut data pengalaman.
   
Mengetahui Proses pembentukan Klasifikasi data mining

Secara sederhana ada  3 proses pemecahan masalah klasifikasi diantaranya:

1.  Data historis  atau data pengalaman 
2.  Data historis akan diproses menggunakan algoritma klasifikasi 
3.  Klassifikasi menghasilkan pengetahuan yang dipresentasikan dalam bentuk diagram pohon keputusan”decission tree”

Untuk memecahkan masalah klasifikasi data mining sedikitnya ada  6 algoritma klasifikasi data data mining diantaranya:

1. Algoritma CART (Classification and Regreesion Trees)  
2. Algoritma mean vektor  
3. Algoritma k-nearest neighbor  
4. Algoritma ID3 
5.  Algoritma C4.5 
6.  Algoritma C5.0       

Contoh Masalah Klasifikasi Data Mining

Sebagai contoh fiktif ada 8 data nasabah yang telah memperoleh kredit mikro dari bank mikroba. Data tersebut meliputi besarnya tabungan dengan jenis kategori(rendah, sedang dan tinggi), besar aset nasabah dengan kategori(rendah, sedang, tinggi), besarnya pendapatan nasabah per tahun dan resiko kredit dengan kategori (baik dan buruk) dari ilustrasi data nasabah ini dapat menghasilkan suatu pengetahuan untuk menggolongkan resiko kredit seorang nasabah pada masa mendatang berdasarkan tabungan , aset dan pendapatan apabila ada pengajuan kredit nasabah kesembilan, kesepuluh dan seterusnya. Data tabungan,  aset dan pendapatan merupakan dasar untuk menentukan resiko kredit  disebut sebagai  variabel prediktor. Resiko kredit berdasarkan variabel prediktor disebut variabel tujuan”target variabel”

Contoh pohon keputusan masalah klasifikasi data nasabah kredit

Pada gambar diatas terdapat 2 jenis bentuk noktah. Pertama berbentuk elips disebut noktah keputusan noktah ini masih akan bercabang noktah ini merupakan suatu catatan misalnya “nasabah” belum dapat ditentukan klasifikasinya apakah nasabah ini mempunyai resiko kredit baik atau buruk. Noktah keputusan pertama disebut noktah dasar. Kedua noktah berbentuk persegi panjang disebut noktah terminasi yang tidak akan bercabang lagi karena pada noktah ini nasabah sudah ditentukan klasifikasinya.

Bagaimana cara membaca  gambar pohon keputusan  yang dihasilkan oleh algoritma klasifikasi diatas? Pertama pada noktah dasar nasabah(A, B, C, D, E, F, G, H) pertama dilihat dari seberapa besar aset nasabah? Jika klasifikasi aset tergolong rendah, maka  dapat diklasifikasikan sebagai nasabah dengan resiko kredit buruk. Namun, bila aset termasuk sedang atau tinggi,  resiko kredit belum bisa dikatakan baik atau buruk noktah ini disebut noktah keputusan A sebab merupakan noktah keputusan yang pertama dihasilkan dengan catatan(A,C,D,E,F,H). Noktah keputusan A dilakukan percabangan dilihat dari besarnya tabungan nasabah bila, tabungan termasuk sedang atau sedang  dapat diklasifikasikan nasabah dengan resiko kredit baik (A,D,E,H).  Bila tabungan tinggi, maka belum bisa diklasifikasikan  apakah baik atau buruk  termasuk noktah keputusan. Noktah ini disebut Noktah B sebab merupakan noktah keputusan kedua  yang dihasilkan. Noktah B dilakukan percabangan lagi berdasarkan seberapa besar aset nasabah? Bila, aset  termasuk tinggi nasabah (F), maka termasuk nasabah dengan resiko kredit baik jika nilai aset termasuk sedang, maka diklasifikasikan sebagai nasabah dengan resiko kredit buruk.

Dari contoh kasus klasifikasi data nasabah diatas maka dapat diperoleh pengetahuan yang dapat diaplikasikan kepada mereka yang berpotensi menjadi nasabah kesembilan, keseuluh danseterusnya. Data ini akan dijadikan sebagai input basgi suatu algoritma yang sekarang ini belum diketahui jenis algoritmanya. Sebagai keluaran dari algoritma yang saat ini belum diketahui jenisnya secara sederhana dapat direpresentasikan dalam bentuk pohon keputusan diatas pada tulisan berikutnya akan membahas secara detail algoritma yang dapat menghasilkan pohon keputusan seperti diatas. Sebagai bocoran saja algoritma ini disebut  Classification and regression tree (CART).

Metode Inference Diagnosis dan Terapi

depressiontreatmentcenter.com

Metode Inference Diagnosis merupakan suatu metode menentukan jenis penyakit yang diderita berdasarkan fakta-fakta yang diberikan oleh user. Metode Inferensi Diagnosis dimanfaatkan sebagai langkah melakukan diagnosis penyakit pada sebuah sistem pakar. Inferensi diagnosis dapat dibabungkan dengan algoritma runut maju(Foward Chaining) dan runut balik(Backward Chaining) sebagai langkah mendiaknosis penyakit sekaligus sebagai langkah memeberikan solusi terapi. Foward chaining digunakan sebagai langkah menentukan kemungkinan penyakit yang diderita oleh pasien berdasarkan gejala gejala penyakit yang dimasukkan oleh user.