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:
o Cari pola penjualan Coca Cola sedemikian rupa sehingga kita dapat mengetahui barang apa sajakah yang harus kita sediakan untuk meningkatkan penjualan Coca Cola?
o 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.
o 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. Anda bisa lihat di www.visa.es/ingles/info/300300.html
• 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)
o 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.
o Anda juga dapat melakukan pengelompokan customer Anda dan memberikan variasi harga/layanan/bonus untuk masing-masing grup.
o 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. Anda bisa lihat di www.senate.gov/~appropriations/treasury/testimony/sloan.htm. 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. Anda bisa lihat di www.informationtimes.com.au/data-sum.htm. 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. Anda bisa lihat di www-aig.jpl.nasa.gov/public/mls/news/SKICAT-PR12-95.html.

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.

GRID COMPUTING

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

identifikasi dari komputasi grid

• 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.

Perbedaan Distributed Computing, Grid Computing, dan Cloud Computing

Distributed computing. Seperti yang tercermin dari namanya, distributed computing berarti komputasi yang terdistribusi. Proses komputasi tidak terjadi dalam satu komputer saja akan tetapi didistribusikan ke beberapa komputer. Analoginya seperti kerja kelompok membuat kliping, semua anggota kelompok mencari bahan-bahan berdasarkan pembagian tugas kemudian bahan tersebut akhirnya dikumpulkan menjadi satu berbentuk kliping sebagai bentuk karya kelompok. Analogi lain bisa berupa kelompok-kelompok kerja lain semisal kantor, pabrik, dll. Intinya proses tersebar dalam kelompok, namun menghasilkan satu output. Ya, distributed computing adalah salah satu contoh parallel processing (pemrosesan paralel).

Grid computing adalah salah satu bentuk dari distributed computing. Jika distributed computing memandang sebuah proses komputasi berdasar bagaimana proses tersebut diselesaikan, grid komputer memandang sisi infrastruktur dari penyelesaian suatu proses. Grid computing adalah suatu bentuk cluster (gabungan) komputer-komputer yang cenderung tak terikat batasan geografi. Di sisi lain, cluster selalu diimplementasikan dalam satu tempat dengan menggabungkan banyak komputer lewat jaringan. Contoh grid computing misalnya: SETI@Home. Proyek SETI@Home bertujuan mencari kecerdasan ekstra terestrial (ET) dengan memanfaatkan resource komputer anggotanya yang tersebar di seluruh penjuru dunia. Anda tinggal menjalankan sebuah program kecil saja. Program ini kemudian akan mendownload data dari proyek SETI@Home dan memprosesnya di komputer Anda. Hasilnya akan dikirimkan kembali ke SETI@Home sebagai bagian satu perhitungan besar.

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.

Tugas 3 Pengantar kecerdasan Buatan

Soal :
Buat naskah (script) yang terdiri dari :
1. Jalur (track)
2. Role (pemerannya)
3. Properti (pendukung)
4. Kondisi input 5.adegan/ scene minimal
5. Adegan dg perinciannya tiap adegan
6. Hasil

Jawaban :
Sebelum membuat script, berikut merupakan pengertian dari elemen-elemen diatas
• Kondisi input, yaitu kondisi yang harus dipenuhi sebelum terjadi atau berlaku suatu peristiwa dalam script.
• Track, yaitu variasi yang mungkin terjadi dalam suatu script.
• Prop, berisi obyek-obyek pendukung yang digunakan selama peristiwa terjadi.
• Role, yaitu peran yang dimainkan oleh seseorang dalam peristiwa.
• Scene, yaitu adegan yang dimainkan yang menjadi bagian dari suatu peristiwa.
• Hasil, yaitu kondisi yang ada setelah urutan peristiwa dalam script terjadi.
Skript itu sendiri merupakan wadah 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.
Berikut merupakan implementasi dari pengertian-pengertian diatas :

Kejadian peristiwa pada script ini adalah “Menyaksikan Film di Bioskop”
Jalur (track) : Menyaksikan film “My Name Is Khan”
Role (peran) : Petugas bioskop, Penonton
Property : Layar Bioskop, Kursi, Tiket, dan Uang
Kondisi Input : Penonton ingin menyaksikan Film my name is khan di bioskop

Adegan (scene) -1 : Persiapan Petugas
- Menghidupkan layar bioskop
- Membersihkan kursi
- Mempersiapkan tiket

Adegan (scene) -2 : Calon penonton masuk ke bioskop
- Melihat Film
- Memilih film yang akan ditonton
- Memesan tiket
- Membayar tiket dengan uang kepada petugas

Adegan (scene) -3 : Penonton masuk ke studio bioskop
- Meyerahkan tiket kepada petugas
- Mencari tempat duduk sesuai dengan nomor kursi yang di pesan

Adegan (scene) -4 : Film selesai
- Petugas membuka pintu keluar studio
- Penonton keluar studio

Adegan (scene) -5 : Petugas mengecek studio bioskop
- Petugas mematikan layar
- Petugas membersihkan kursi-kursi
- Petugas keluar studio bioskop

Hasil :
- Petugas merasa lelah
- Penonton merasa bingung
- Penonton merasa penasaran
- Penonton merasa puas dan terharu
- Petugas merasa lega dan lelah

Hujan

check this :)
Rinai hujan basahi aku
Temani sepi yang mengendap
Kala aku mengingatmu
Dan semua saat manis itu

Segala seperti mimpi
Kujalani hidup sendiri
Andai waktu berganti
Aku tetap tak 'kan berubah

Aku selalu bahagia
Saat hujan turun
Karna aku dapat mengenangmu
Untukku sendiri

Selalu ada cerita
Tersimpan dihatiku
Tentang kau dan hujan
Tentang cinta kita
Yang mengalir seperti air

Aku bisa tersenyum
Sepanjang hari
Karna hujan pernah menahanmu disini
Untukku

I love this song,
because it reminds me of a woman ..
spoiled woman, funny, beautiful, always has sauatu thing that makes her different from others.
but I lost him ... somewhere where she's flying ...
maybe it's because I also made mistakes she flew away .. because of the restraints of my love ....
all have destiny ... I had to let it fly, maybe someday I will see it again, with a smile of happiness on her lips ... because the prince had found his white horse:)
I can only remember the good it self with the rain that always accompany me ...
by then I can smile and feel happy:)
"i will always beside u" ..
thanks you for all the memories that we've built ....
were all very beautiful ...

LOVE it`s Beautiful...it`s hurt..can but make you happy :)

Tugas Pengantar Kecerdasan Buatan 2 “Jaringan Semantic”

Kereta api merupakan dapat di bedakan kepada beberapa jenis,diantaranya di bedakan dari segi bahan bakar ada diesel,uap,dan listrik,dari jenis rel ada mono rail dan konvensional..dari jenis pengguna ada barang dan manusia,dari jenis kelas ada ekonomi ,express,eko-ac,kereta dapat di temui di statsiun ,untuk naik kereta harus menggunakan tiket untuk kereta ekonomi tiketnya murah,untuk yang mahal kereta express

Tugas 1 Pengantar Kecerdasan Buatan

1 : Representasikan Pengetahuan dari Pernyataan-pernyataan berikut ini menggunakan logika proposisi dan logika predikat

1. Karjo adalah seorang laki-laki

2. Karjo adalah Orang jawa

3. Karjo lahir pada tahun 1840

4. Setiap laki-laki pasti akan mati

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

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

7. Sekarang tahun 2010

8. Mati berarti tidak hidup

9. Jika seorang mati maka beberapa waktu kemudian ia pasti dinyatakan telah mati

JAWABAN :

1. Laki-laki (karjo)

2. Orang jawa (karjo)

3. Lahir (karjo,1840)

4. ɏx: laki – laki(x) →mati(x)

5. ɏx: meletus(krakatau,thn 1840)→mati

6. ɏx: Lb(thn 2010-1840)→mati(x)

7. sekarang = 2010

8. mati→ ¬hidup

9. Ǝ x : mati ( x ) → Ǝ x : kemudian ( waktu ( y ) ) → di nyatakan (mati (x) )

2. Buktikan apakah karjo masih hidup sekarang?

JAWABAN : karjo sudah mati