Model Dan Prediksi Data [PDF]

Citation preview

Model dan Prediksi Data Kelas XI Semester 1 Tahun 2021-2022



Beni Aminullah, S.T., M.T.



Kompetensi Dasar 3.3. Memahami bahwa data dapat bersifat kompleks dan dapat didekomposisi menjadi elemen-elemen data. 3.4. Memahami bahwa organisasi dan penyimpanannya akan mempengaruhi cost, speed, reliability, accessibility, privacy, dan integrity. 3.5. Memahami bahwa penalaran dan prediksi terhadap suatu data tergantung pada model. 4.3. Mengumpulkan data besar dari berbagai sumber. 4.4. Mengorganisasikan, menyimpan, dan mengolah data yang kompleks berdasarkan suatu model yang sudah ada.



Materi: 1. 2. 3. 4.



Review tentang data. Model data Prediksi data Mengolah data dengan Weka → optional



1. Review Tentang Data



Jenis Data 1. Numerik a. Diskrit b. Kontinu



2. Kategorik



3. Ordinal



2. Model Data • Model data adalah suatu cara untuk merepresentasikan data, batasannya, serta hubungannya berdasarkan fakta di dunia nyata. • Dengan membuat model data kita dapat membuat perantara untuk mentransformasi data tersebut agar dapat diproses oleh sistem/komputer. • Ada 2 jenis model dalam merepresentasikan model data, yaitu: 1. Model data berdasarkan objek 2. Model data berdasarkan record



2.1. Model data berdasarkan objek • Model data ini menggunakan pendekatan objek untuk merepresentasikan sesuatu. • Kita menganggap suatu objek dalam dunia nyata sebagai objek yang direpresentasikan dalam bentuk entitas, atribut, serta relasi yang berkaitan diantara entitas-entitas tersebut. • Jenis-jenis model data berbasis objek diantaranya sebagai berikut: a. Model Entity-Relationship (ER) b. Model Semantik c. Model Data Berorientasi Objek



a. Model ER (Entity Relationship) • Model data yang paling populer dan paling banyak digunakan saat ini. • Model ER memetakan objek dunia nyata sebagai suatu entitas. • Sekumpulan entitas yang sama disebut sebagai set entitas. Contoh: 1. Seorang siswa dapat dianggap sebagai satu entitas. 2. Kalo banyak siswa kita dapat menyatakan siswa-siswa tersebut sebagai set entitas. • Jadi, set entitas dapat dikatakan sebagai himpunan entitas yang merepresentasikan objek/entitas yang sama secara umum pada dunia nyata.



• Istilah yang digunakan dalam pembuatan model ER : 1. Atribut merupakan kumpulan dari entitas-entitas yang sama. 2. Relasi merupakan hubungan antara satu entitas dengan entitas lainnya. 3. Memetakan entitas, atribut, dan relasinya dengan menggunakan simbol. • Simbol dasar yang biasa digunakan pada ER adalah sebagai berikut: Notasi



Keterangan



Notasi



Keterangan



Set entitas digunakan untuk menggambarkan objek-objek di dunia nyata.



Atribut digunakan untuk mendeskripsikan karakteristik setiap entitas.



Set relasi digunakan untuk menghubungkan set entitas dengan set entitas lainnya.



Garis digunakan sebagai penghubung antara set relasi dengan set entitas, ataupun menghubungkan set entitas dengan atribut.



• Model ER juga memiliki kardinalitas yang dapat digunakan untuk menunjukkan jumlah maksimal suatu entitas yang dapat berelasi dengan entitas lainnya. 1. Relasi one to one 1 Penduduk



Memiliki



3. Many to one 1



KTP



2. One to many Penduduk



1



Siswa



n



1



terdaftar



SMA



4. Many to many n Memiliki



BPKB



n Siswa



mendaft ar



Contoh ER dapat dilihat di hal 76 Buku Informatika Kelas XI SMA



n Ekskul



b. Model Semantik • Model semantik mirip dengan model ER tetapi relasi antar objeknya tidak digambarkan dengan simbol, tetapi dengan kata-kata. • Model data ini biasanya digunakan sebagai dokumentasi suatu sistem, program, ataupun objek lain yang sudah umum di dunia nyata. Contoh: Lihat di hal. 77 Buku Informatika Kelas XI SMA.



c. Model data berorientasi objek • Merupakan model data yang menganggap objek dunia nyata sebagai objek. • Jika pada model ER dan semantik kita dapat memetakan relasi antar entitas /objeknya secara langsung, tetapi pada model berorientasi objek tidak dapat memiliki relasi langsung dengan objek lainnya. • Jika pada model ER kita menyebut himpunan entitas sebagai set entitas, maka pada model ini himpunan entitas disebut sebagai class. • Biasanya model data ini digunakan untuk menggambarkan data yang dibuat oleh bahasa pemrograman berorientasi objek seperti Java.



Karakteristik dan istilah yang digunakan dalam pembuatan model data berorientasi objek: 1. Memetakan objek sebagai class. 2. Atribut merupakan karakteristik dari class. 3. Fungsi/prosedur merupakan sifat atau fungsi yang dapat dilakukan oleh suatu class. Contoh: Dalam dunia nyata, kendaraan banyak jenisnya. Ada mobil, motor, pesawat terbang, dll. Class: mobil Atribut/karakteristik: jumlah kursi, jumlah pintu, jenis transmisi, mesin. Fungsi/prosedur: maju, mundur, pengereman.



2.2. Model Data Berdasarkan Record • Jika pada model berdasarkan objek kita membuat representasi data sebagai entitas, pada model data berdasarkan record setiap data dinyatakan sebagai record. • Model data berdasarkan record diantaranya adalah sbb: a. Model Hirarki b. Model Jaringan c. Model Relasional



a. Model Hirarki • Model yang menggambarkan data dalam bentuk pohon (tree). • Setiap record digambarkan sebagai simpul/node dengan hubungan parent-child. • Simpul yang lebih atas disebut parent, sedangkan simpul yang lebih bawah disebut child. Kelebihan Mudah dipahami karena dalam bentuk hirarki/struktur



Kekurangan Kemungkinan terjadi redudansi data, karena tidak bisa membentuk hubungan many to many antara parent-child



• Contoh: Hal 79 Buku Informatika Kelas XI SMA.



Dosen Amir Mata_kuliah Algoritma & Pemrograman



Mata_kuliah Basis Data



Mahasiswa Rizki



Mahasiswa Angga



Mahasiswa Reza



Mahasiswa Rizki



Mahasiswa Andi



b. Model Jaringan • Model jaringan merupakan perbaikan dari model hirarki. • Pada model jaringan kita dapat memetakan hubungan many to many antara parent-child. Kelebihan Menghilangkan redudansi/duplikasi data yang tidak perlu



Kekurangan Tidak cocok diterapkan pada data yang besar, karena memerlukan proses waktu yang lama dalam menemukan simpul tertentu.



• Contoh: Hal 80 Buku Informatika Kelas XI SMA.



c. Model Relasional • Model relasional adalah yang paling banyak digunakan saat ini. • Model ini akan membentuk tabel yang terdiri atas column dan record. • Satu tabel dalam model relasional mirip seperti set entitas pada model ER. • Pada model ER record adalah satu entitas dan column adalah atribut. Kelebihan Mudah dipahami Mudah jika ingin melakukan perubahan pada data Mudah melakukan pencarian (query) Mudah ditransformasi dari model ER



• Contoh:



NIK 123 124



nama Amir Agung



jabatan Guru Madya Guru Muda



no_telp 0871 0881



Ekstrakurikuler id_ekskul nama_ekskul jenis 1 Basket Olahraga 2 Karate Beladiri



NIK_pembimbing 123 124



Siswa id_ekskul id_ekskul NIS NIS 11 22



Basket Basket Karate Karate



NIS NIS nama nama jenis_kelamin jenis_kelamin no_telp no_telp 1111 1111 Rizki Rizki 1112 1112 Reza Reza



Laki-laki Laki-laki Laki-laki Laki-laki



0874 0874 0875 0875



Kesimpulan: • Pemilihan model data yang tepat dapat mempengaruhi banyak aspek seperti kecepatan, kemudahan dalam akses, dan aspek2 lainnya. • Cara yang paling popular adalah dengan membuat dulu model ER lalu dilakukan transformasi ke model relasional.



3. Prediksi Data • Prediksi data adalah kegiatan yang dilakukan untuk meramalkan atau memprediksi segala hal yang terkait dengan data-data besar, seperti: produksi, penawaran, permintaan, dan penggunaan teknologi dalam sebuah industri atau usaha. • Machine learning dapat menjalankan algoritma dan menghasilkan prediksi dan kesimpulan yang lebih akurat berdasarkan input data yang telah diberikan sebelumnya. • Machine learning merupakan pengembangan mesin cerdas yang dapat belajar sendiri. • Dalam membuat machine learning untuk memprediksi suatu data perlu dibuat design algoritma yang baik dan metode pembelajaran yang tepat untuk machine learning tersebut.



Prinsip kerja machine learning



Metode Pembelajaran Supervised learning



Metode pembelajaran dengan menggunakan label dalam mempelajari dan menghasilkan pengetahuan



Estimasi



Prediksi



Klasifikasi



Asosiasi



Metode untuk memperkirakan sesuatu agar bisa mendapat gambaran umum.



Unsupervised learning



1. LR 2. PR 3. ANN



1. ARIMA 2. ANN 3. MA



Ramalan atau pernyataan tentang Peristiwa atau data di masa depan.



Metode membuat kategorikal dan ordinal.



Metode pembelajaran yang tidak menggunakan label dalam mempelajari dan menghasilkan pengetahuan



1. 2. 3. 4. 5.



Mengumpulkan informasi yang sudah dikumpulkan.



LR ANN SVM DT NB



1. FP Growth 2. Apriori



Clustering Clustering: metode pengelompokkan data.



= Algoritma = LR: Linier Regression = PR: Polynomial Regression = ANN: Artificial Neural Network = ARIMA: = MA: Moving Average = SVM: Support Vector Machine = DT: Decision Tree = NB: Naïve Bayes



Tugas 1. Pelajari lebih seksama materi yang sudah disampaikan dengan cara membaca ulang materi yang ada di buku dari halaman 71 – 88. 2. Buat artikel/tulisan tentang suatu kasus dalam menerapkan algoritma: 1. LR: Linier Regression 2. PR: Polynomial Regression 3. ANN: Artificial Neural Network 4. ARIMA: Autoregressive Integrated Moving Average 5. MA: Moving Average 6. SVM: Support Vector Machine 7. DT: Decision Tree 8. NB: Naïve Bayes 9. FP Growth 10. Apriori 11. Clustering



• Deskripsi Tugas No.2: 1. Setiap siswa mendapatkan no tugas sesuai dengan no absen. Misal no absen 1 mendapat tugas no 1, yaitu Linier Regression, dst. 2. Tugas harus mendeskripsikan masalah, menjelaskan langkah-langkah



(algoritma) dan hasil. 3. Tuliskan nama lengkap sesuai absen, bukan panggilan, sumber & buku referensi, dan tanggal penulisan.



4. Tugas ini bersifat individu. 5. Dikumpulkan paling telat : 30 Nopember 2021 pukul 23:59 WIB. 6. Pengumpulan tugas ke elearning, tidak ke WA atau media lain.



TERIMA KASIH