Pengantar DSS / Sistem Penunjang Pengambilan Keputusan

Ada beberapa pendapat :

Little (1970)

Mendefiniskan sistem pendukung keputusan sebagai sebuah himpunan/kumpulan prosedur berbasis model untuk memproses data dan pertimbangan untuk membantu manajemen dalam pembuatan keputusannya.

Alter (1990)

Membuat definisi sistem pendukung keputusan dengan membandingkannya dengan sebuah sistem pemrosesan data elektronik (PDE) / Electronic Data Processing tradisional dalam 5 hal :

SPK

———————————————-

Penggunaan :Aktif

Pengguna :Manajemen

Tujuan : Efektifitas

Time horizon : Sekarang dan masa depan

Kelebihan : Fleksibilitas

PDE

———————————————

Penggunaan : Pasif

Pengguna : Operator/Pegawai

Tujuan : Efisiensi Mekanis

Time horizon : Masa Lalu

Kelebihan : Konsistensi

Moore and Chang (1980)

SPK dapat digambarkan sebagai sistem yang berkemampuan mendukung analisis ad hoc data, dan pemodelan keputusan, berorientasi keputusan, orientasi perencanaan masa depan, dan digunakan pada saat-saat yang tidak biasa.

Keen (1980)

sistem pendukung keputusan adalah sistem berbasis komputer yang dibangun lewat sebuah proses adaptif dari pembelajaran, pola-pola penggunan dan evolusi sistem.

Bonczek (1980)

Mendefinisikan sistem pendukung keputusan sebagai sebuah sistem berbasis komputer yang terdiri atas komponen-komponen antara lain komponen sistem bahasa (language), komponen sistem pengetahuan (knowledge) dan komponen sistem pemrosesan masalah (problem processing) yang saling berinteraksi satu dengan yang lainnya.

Hick (1993)

Menyebutkan sistem pendukung keputusan sebagai sekumpulan tools komputer yang terintegrasi yang mengijinkan seorang decision maker untuk berinteraksi langsung dengan komputer untuk menciptakan informasi yang berguna dalam membuat keputusan semi terstruktur dan keputusan tak terstruktur yang tidak terantisipasi.

Related posts

• No related posts.

Text Mining : Proses menggali, mengolah, mengatur informasi dengan cara meng analisa hubungn-nya, pola-nya, aturan-aturan yang ada di pada data tekstual semi terstruktur atau tidak terstruktur.

Proses nya antara lain yaitu peringkasan teks (Summarization text), pengkategorisasian teks (text categorization) dan pengelompokan teks (text clustering)

Tasks on a collection of documents

1. Document Retrieval ( Temu- Kembali)
2. Document Clustering (Pengelompokan)
3. Document Categorization ( Kategori/ kelas)

1. Document Retrieval (Temu-Kembali)

Menemukan kembali informasi-informasi yang relevan terhadap kebutuhan pengguna dari suatu kumpulan informasi secara otomatis. Salah satu aplikasi umum dari sistem temu kembali informasi adalah search-engine atau mesin pencarian yang terdapat pada jaringan internet. Pengguna dapat mencari halaman-halaman Web yang dibutuhkannya melalui mesin tersebut dengan cara meng inputkan query berupa berupa kata, frasa, kalimat, halaman web yang relevan akan muncul

2. Document Clustering (Pengelompokan)

Pengelompokan, mengelompokkan data berdasarkan informasi yang diperoleh dari data yang menjelaskan hubungan antar objek dengan prinsip untuk memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster. Tujuannya menemukan cluster yang berkualitas dalam waktu yang layak. Clustering dalam data mining berguna untuk menemukan pola distribusi di dalam sebuah data set yang berguna untuk proses analisa data. Kesamaan objek biasanya diperoleh dari kedekatan nilai-nilai atribut yang menjelaskan objek-objek data, sedangkan objek-objek data biasanya direpresentasikan sebagai sebuah titik dalam ruang multidimensi. (Multidimension Space)

Hasil dari clustering ini belum pasti, bisa 5,10,20, etc kelompok

3. Document Categorization ( Kategori/ Kelas)

Proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Mmengelompokkan document kedalam 1,2,3 atau lebih kategori tergantung kepada isi document, Pada kategorisasi teks, diberikan sekumpulan kategori (label) dan koleksi dokumen yang berfungsi sebagai data latih, yaitu data yang digunakan untuk membangun model, dan kemudian dilakukan proses untuk menemukan kategori yang tepat untuk dokumen test, yaitu dokumen yang digunakan untuk menentukan akurasi dari model. Misalkan ada sebuah dokumen x sebagai inputan, maka output yang dihasilkan oleh model tersebuat adalah kelas atau kategori y dari beberapa kategori tertentu yang telah didefinisikan sebelumnya (y1,…,yk). Adapun contoh dari pemanfaatan kategorisasi teks adalah pengkategorisasian berita ke dalam beberapa kategori seperti bisnis, teknologi, kesehatan dan lain sebagainya; pengkategorisasian email sebagai spam atau bukan; pengkategorisasian kilasan film sebagai film favorit, netral atau tidak favorit; pengkategorisasian paper yang menarik dan tidak menarik; dan penggunaan dari kategorisasi teks yang paling umum adalah kategorisasi otomatis dari web pages yang dimanfaatkan oleh portal Internet seperti Yahoo. Kategorisasi otomatis ini memudahkan proses browsing artikel berdasarkan topik tertentu yang dilakukan oleh user. Salah satu algoritma kategorisasi yang sering digunakan adalah algoritma Naive bayes multinomial. Algoritma ini merupakan algoritma yang menerapkan metode probabilistic learning method.

Kategori / Kelas di tentukn dahulu sebelum me assign data ke dalam kategori

All these task required text preprocessing

[Read more →]

Related posts

• No related posts.

Notasi Algoritma ada 3 yaitu :

1. Notasi Algoritmik , langkah algoritma dengan untaian kalimat deskriptif.

contoh :

ALGORITMA Euclidean
{Diberikan dua buah bilangan bulat tak negatif m dan n (m lebih kecil atau tidak sama dengan n).
 Algoritma Euclidean mencari pembagi terbesar, gcd , dari kedua bilangan tsb,
 yaitu bilangan bulat positif terbesar yang habis membagi m dan n}
1. Jika n = 0 maka
   m adalah jawabannya;
   stop.
   tetapi jika n tidak sama dengan 0,
   lanjutkan ke langkah 2.
2. Bagilah m dengan n dan misalkan r adalah sisanya.
3. ganti nilai m dengan nilai n dan nilai n dengan nilai r, lalu ulang kembali ke langkah 1.

[Read more →]

Related posts

• No related posts.

Karakteristik Algoritma

1. Algoritma harus berhenti setelah mengerjakan sejumlah langkah terbatas. Sebagai contoh, dalam algoritma Euclidean, pada langkah 1, jika n = 0, algoritma berhenti, jika n tidak = 0 maka nilai n selalu berkurang sebagai akibat dari langkah 2 dan 3, dan pada akhirnya nilai n = 0. Program yang tidak pernah berhenti mengindikasikan bahwa program tersebut berisi algoritma yang salah.
2. Setiap langkah harus di defenisikan dengan tepat dan tidak berarti dua (ambiguous). Pembaca harus mengerti apa yang di maksud dengan “m” dan “n” adalah bilangan bulat tak negatif (-). Contoh lainnya pernyataan ” bagilah p dengan beberapa sejumlah bilangan bulat positif” dapat bermakna ganda. Berapakah yang di maksud dengan “berapa” ? Algoritma menjadi jelas jika langkah tersebut di tulis “bagilah p dengan 10 buah bilangan bulat positif”

[Read more →]

Related posts

• No related posts.

Sejarah Algoritma

algorism = proses menghitung dengan angka arab
algorist = orangnya / manusianya
berasal dari penulis buku Arab yang terkenal, yaitu Abu Ja’far Muhammad ibnu Musa al-Khuwarizmi.

tahun 1950, algoritma pertama kali di gunakan pada “Algoritma Euclidean (Euclid’s algorithm)“.
Euclid, matematikawan Yunani (lahir 350 SM), buku Element menuliskan langkah-langkah untuk menemukan pembagi bersama terbesar (common greatest divisor atau gcd), dari dua buah bilangan bulat, m dan n.
pembagi bersama terbesar dari dua buah bilangan bulat tak negatif adalah bilangan bulat positif terbesar yang habis membagi kedua bilangan tersebut.

[Read more →]

Related posts

• No related posts.