Gudang Materi

Penutup Data Mining

Data Mining dalam arti luas adalah menggali/mencari data/informasi yang tersembunyi dalam sebuah database atau kumpulan data yang dapat meramalkan tren di masa datang. Realisasi dari Data Mining sendiri , sangat beragam dalam pemanfaatannya dalam berbagai bidang, seperti Telekomunikasi, Astronomi, Statistika, Geografis, maupun Perusahaan.

Semua itu tak lepas dari kebutuhan pengguna (user) atau sekumpulan orang yang memanfaatkan data yang tersedia untuk meramalkan tren di masa depan. Khususnya, untuk dunia bisnis , Data mining, yang hadir sebagai teknologi untuk memanfaatkan ketersediaan data bisnis yang melimpah, telah membantu para pelaku bisnis untuk mempertahankan dan mengembangkan bisnis mereka, tetapi juga data mining dipergunakan untuk prospek kostumer dan pengguna mereka .

Dengan demikian , maka data mining membawa manfaat untuk menjadikan pengguna menjadi sampah ‘junk data’ , oleh karena itu pula, diperlukannya seseorang (pengguna) yang dapat memanfaatkan data mining ini. Keberhasilan penggunaan data mining, dilihat dari pengguna dan pengetahuan yang dimiliki pengguna untuk mengefektifkan penggunaan data mining itu sendiri.

Terima kasih anda telah mengikuti pembahasan data mining , untuk mendownload Full Version Data Mining kami dapat anda download disini .. Materi Data Mining dan Presentasi Data Mining

Baca Selengkapnya ..

Tautan Ilmu Data Mining

Data Mining bukan hanya berkaitan untuk prospek ( bisnis ) , tetapi data mining juga berkaitan dengan beberapa bidang ilmu seperti, statistika, sejarah, database, dan masih banyak lagi. Tentunya , data mining ini sangat berguna untuk pencarian data dalam jumlah besar maupun kecil.

Ilustrasi dibawah ini menggambarkan beberapa ilmu yang berkaitan dengan penggalian data (data mining) :

Beberapa teknik yang sering disebut-sebut dalam literatur data mining seperti classification, neural network, genetic algorithm dll. sudah lama dikenal di dunia kecerdasan buatan. Statistik memberikan kontribusi pada data mining dengan teknik-teknik untuk menyeleksi data dan evaluasi hasil data mining selain teknik-teknik data mining seperti clustering.

Yang membedakan persepsi terhadap data mining adalah perkembangan teknik-teknik data mining untuk aplikasi pada database skala besar. Sebelum populernya data mining, teknik-teknik tersebut pada umunya diterapkan untuk data skala kecil saja. Selain itu beberapa teknik dari bidang database untuk transformasi data juga merupakan bagian integral dari proses data mining.

Akhir-akhir ini ada beberapa bidang ilmu seperti information retrieval yang juga terlibat dalam proses data mining untuk mengekstrak sumber data bagi data mining dari sumber-sumber seperti teks dan website. Walaupun data mining memiliki sumber dari beberapa bidang ilmu, data mining berbeda dalam beberapa aspek dibandingkan dengan bidang ilmu seperti berikut :

• Statistik : model statistik dipersiapkan oleh para ahli statistik, sedangkan data mining mengembangkan statistik untuk menangani data berjumlah besar secara otomatis.

• Expert system (sistem cerdas) : model pada expert system dibuat berupa aturan-aturan berdasar pada pengalaman-pengalaman para ahli .

• Data warehouse (DWH) : sering terjadi kerancuan antara data mining dan data warehouse karena keduanya sering dipakai bersamaan. Pada umumnya data warehouse lebih merujuk pada tempat untuk menyimpan data yang terkonsolidasi sedangkan data mining bisa dianggap sebagai perkakas untuk menganalisa otomatis nilai dari data itu

• OLAP : seperti data warehouse, OLAP juga sering dibahas bersama data mining. Tetapi OLAP memiliki tujuan untuk memastikan hipotesa yang sudah diformulasikan terlebih dulu oleh penggunanya.

Terima kasih telah membaca materi kami, semoga bermanfaat bagi anda .. Kami mengharap FEEDBACK dari pembaca sekalian . Jika anda mengambil sebagian atau seluruh dari isi agar menampilkan Blog kami sebagai referensi anda.

Jika anda berpendapat , masih ada tautan ilmu yang lain yang berkaitan dengan data mining , anda dapat menambahkannya dengan memberi komentar dibawah ini.

Baca Selengkapnya ..

Proses dan Cara Kerja Data Mining

Tujuan dari data mining itu sendiri adalah mencari data pada sebuah database / data warehouse, yang dapat meramalkan prosepek masa depan . Jika anda belum memahami konsep data mining klik disini.. Jika anda telah mengerti , tentunya anda akan bertanya bagaimanakah proses kerja data mining itu dan cara kerjanya ?. Jawabannya dapat anda dapatkan di Blog kami.

Proses Data Mining

Karena DM adalah suatu rangkaian proses, DM dapat dibagi menjadi beberapa tahap yang diilustrasikan pada gambar diatas :

1. Pembersihan data (untuk membuang data yang tidak konsisten dan noise)
2. Integrasi data (penggabungan data dari beberapa sumber)
3. Transformasi data (data diubah menjadi bentuk yang sesuai untuk di-mining)
4. Aplikasi teknik DM
5. Evaluasi pola yang ditemukan (untuk menemukan yang menarik/bernilai)
6. Presentasi pengetahuan (dengan teknik visualisasi)

Tahap-tahap diatas, bersifat interaktif di mana pemakai terlibat langsung atau dengan perantaraan knowledge base.

Knowledge Discovery and Data Mining(KDD) adalah proses yang dibantu oleh komputer untuk menggali dan menganalisis sejumlah besar himpunan data dan mengekstrak informasi dan pengetahuan yang berguna. Data mining tools memperkirakan perilaku dan tren masa depan, memungkinkan bisnis untuk membuat keputusan yang proaktif dan berdasarkan pengetahuan. Data mining tools mampu menjawab permasalahan bisnis yang secara tradisional terlalu lama untuk diselesaikan. Data mining tools menjelajah database untuk mencari pola tersembunyi, menemukan infomasi yang prediktif yang mungkin dilewatkan para pakar karena berada di luar ekspektasi mereka.

Proses dalam KDD adalah proses yang digambarkan pada dan terdiri dari rangkaian proses iteratif sebagai berikut:

1. Data cleaning, menghilangkan noise dan data yang inkonsisten.
2. Data integration, menggabungkan data dari berbagai sumber data yang berbeda
3. Data selection, mengambil data yang relevan dengan tugas analisis dari database
4. Data transformation, Mentransformasi atau menggabungkan data ke dalam bentuk yang sesuai untuk penggalian lewat operasi summary atau aggregation.
5. Data mining, proses esensial untuk mengekstrak pola dari data dengan metode cerdas.
6. Pattern evaluation, mengidentifikasikan pola yang menarik dan merepresentasikan pengetahuan berdasarkan interestingness measures.
7. Knowledge presentation, penyajian pengetahuan yang digali kepada pengguna dengan menggunakan visualisasi dan teknik representasi pengetahuan.

Cara kerja Data Mining

Bagaimana tepatnya data mining “menggali” hal-hal penting yang belum diketahui sebelumnya atau memprediksi apa yang akan terjadi? Teknik yang digunakan untuk melaksanakan tugas ini disebut pemodelan. Pemodelan di sini dimaksudkan sebagai kegiatan untuk membangun sebuah model pada situasi yang telah diketahui “jawabannya” dan kemudian menerapkannya pada situasi lain yang akan dicari jawabannya.

Sebagai contoh di sini diambil pencarian solusi bisnis di bidang telekomunikasi. Ada beberapa perusahaan telekomunikasi yang beroperasi di sebuah negara dan dimisalkan pihak manajemen sebuah perusahaan bermaksud untuk menjaring kustomer baru untuk jasa layanan sambungan langsung jarak jauh (SLJJ). Pihak manajemen dapat “menghubungi” calon-calon kustomer dengan memilih secara acak kemudian menawari mereka dengan diskon khusus, dengan hasil yang kemungkinan besar kurang menggembirakan, atau dengan memanfaatkan pengalaman-pengalaman bisnis yang saat ini sudah tersimpan di basis data perusahaan untuk membangun sebuah model. Perusahaan ini telah memiliki banyak informasi mengenai kustomer perusahaan tersebut: umur, jenis kelamin, sejarah penggunaan fasilitas kredit dan penggunaan SLJJ. Juga sudah diketahui informasi mengenai calon-calon kustomer: umur, jenis kelamin, sejarah penggunaan fasilitas kredit, dll. Masalahnya adalah penggunaan SLJJ untuk para calon kustomer ini belum diketahui, karena mereka saat ini menjadi kustomer dari perusahaan lain. Yang dipikirkan pihak manajemen adalah mencari calon kustomer yang akan menggunakan banyak jasa SLJJ. Usaha untuk mencari jawaban masalah ini dilakukan dengan membangun sebuah model. Tabel 1 memberikan ilustrasi mengenai pembangunan model untuk menentukan calon kustomer (prospek) di sebuah gudang data.

Tabel 1. Data Mining untuk Menentukan Prospek

Status | Kostumer | Prospek |
informasi umum (contoh: data demografis) | Diketahui | Diketahui |
informasi khusus (contoh: trasaksi kustomer) | Diketahui | Target |

Gol dari pemodelan ini adalah untuk membuat perkiraan yang didasari kalkulasi untuk mengisi informasi di kuadran kanan bawah pada Tabel 1, berdasar pada informasi umum dan khusus yang sudah ada (dimiliki oleh perusahaan itu). Misalnya, sebuah model sederhana untuk perusahaan telekomunikasi itu adalah: 98% kustomer “milik” perusahaan itu yang berpenghasilan $60.000/tahun membelanjakan lebih dari $80/bulan untuk penggunaan SLJJ. Model ini kemudian dapat diterapkan untuk menarik kesimpulan dari informasi khusus (sebagai data prospek), dimana saat ini informasi khusus tersebut tidak dimiliki oleh perusahaan. Dengan model ini, calon-calon kustomer baru dapat ditarget secara selektif.

Terima kasih telah membaca materi kami, semoga bermanfaat bagi anda .. Kami mengharap FEEDBACK dari pembaca sekalian . Jika anda mengambil sebagian atau seluruh dari isi agar menampilkan Blog kami sebagai referensi anda.

Jika pembaca sekalian mempunyai pendapat lain tentan Proses dan Cara Kerja Data Mining, dapat berkomentri dibawah ..

Baca Selengkapnya ..

Teknik dan Metode Data Mining

Kami akan membahas mengenai Teknik dan Metode dari Data Mining , dimana Teknik data Mining terbagi atas : Association Rule Mining, Classification , dan Clustering. Dan Metode Data Mining terbagi atas tiga : Predictive Modelling, Discovery, dan Deviation Detection. Untuk penjelasan lebih lanjut ..

Teknik – Teknik Data Mining

1. Association Rule Mining

Association rule mining adalah teknik mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif dari analisa pembelian di suatu pasar swalayan adalah bisa diketahui berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tsb. pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support yaitu persentase kombinasi item tsb. dalam database dan confidence yaitu kuatnya hubungan antar item dalam aturan assosiatif.

2. Classification

Classification adalah 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. Model itu sendiri bisa berupa aturan “jika-maka”, berupa decision tree, formula matematis atau neural network.

2.1 Decision tree adalah salah satu metode classification yang paling populer karena mudah untuk diinterpretasi oleh manusia. Contoh dari decision tree dapat dilihat pada gambar diatas. Disini setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. Contoh di Gambar 3 adalah identifikasi pembeli komputer, dari decision tree tsb. diketahui bahwa salah satu kelompok yang potensial membeli komputer adalah orang yang berusia di bawah 30 tahun dan juga pelajar.

3. Clustering

Berbeda dengan association rule mining dan classification dimana kelas data telah ditentukan sebelumnya, clustering melakukan pengelompokan data tanpa berdasarkan kelas data tertentu. Bahkan clustering dapat dipakai untuk memberikan label pada kelas data yang belum diketahui itu. Karena itu clustering sering digolongkan sebagai metode unsupervised learning. Prinsip dari clustering adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster. Clustering dapat dilakukan pada data yan memiliki beberapa atribut yang dipetakan sebagai ruang multidimensi.

Metode Data Mining

Banyak teknik dan metode yang ada untuk melakukan berbagai jenis tugas data mining. Metode ini dikelompokkan dalam 3 paradigma utama data mining: Predictive Modeling, Discovery, dan Deviation Detection.

1. Predictive Modeling

Aplikasi Predictive Modeling menghasilkan klasifikasi atau prediksi. Tujuan dari predictive modeling adalah menemukan pola yang melibatkan variabel untuk memprediksi dan mengklasifikasi perilaku masa depan dari sebuah entitas. Ada dua tipe masalah yang diselesaikan oleh predictive modeling: klasifikasi dan regresi.

1.1 Klasifikasi melibatkan model pembelajaran yang memetakan (atau mengklasifikasi) data contoh ke dalam satu atau beberapa kelas yang telah didefinisikan. Sebagai contoh, bank dapat menggunakan skema klasifikasi untuk menentukan pengajuan pinjaman yang akan disetujui. Teknik klasifikasi meliputi Naive Bayesian, neural networks, dan decision trees.

1.2 Regresi melibatkan model yang memetakan data contoh ke prediksi real-valued. Teknik regresi meliputi neural networks dan decision (atau regression) trees.

2. Discovery

Aplikasi discovery adalah pendekatan eksploratoris untuk analisis data. Aplikasi discovery menggunakan teknik yang menganalisis data set yang besar untuk menemukan association rules(atau pola), atau menemukan kluster dari sampel yang dapat dikelompokan. Hasil dari metode discovery umumnya dimaksudkan untuk pengguna. Walau begitu, hasilnya juga dapat diaplikasikan ke metode data mining yang lain

3. Deviation Detection

Deviation Detection melakukan deteksi anomali secara otomatis. Tujuannya untuk mengidentifikasi kebiasaan suatu entitas dan menetapkan sejumlah norm melalui pattern discovery. Sampel yang berdeviasi dari norm lalu diidentifikasi sebagai tidak biasa. teknik Deviation Detection melalui visualisasi melalui parallel coordinates, scatterplots, dan surface plots.

Terima kasih telah membaca materi kami, semoga bermanfaat bagi anda .. Kami mengharap FEEDBACK dari pembaca sekalian . Jika anda mengambil sebagian atau seluruh dari isi agar menampilkan Blog kami sebagai referensi anda.

Feedback anda kami harapkan dibawah ini ..

Baca Selengkapnya ..

Ruang Lingkup dan Tugas Data Mining

Ruang lingkup Data Mining

Data mining (penambangan data), sesuai dengan namanya, berkonotasi sebagai pencarian informasi bisnis yang berharga dari basis data yang sangat besar. Usaha pencarian yang dilakukan dapat dianalogikan dengan penambangan logam mulia dari lahan sumbernya.

Dengan tersedianya basis data dalam kualitas dan ukuran yang memadai, teknologi data mining memiliki kemampuan-kemampuan sebagai berikut :

- Mengotomatisasi prediksi tren dan sifat-sifat bisnis. Data mining mengotomatisasi proses pencarian informasi pemprediksi di dalam basis data yang besar. Pertanyaan -pertanyaan yang berkaitan dengan prediksi ini dapat cepat dijawab langsung dari data yang tersedia. Contoh dari masalah prediksi ini misalnya target pemasaran, peramalan kebangkrutan dan bentuk – bentuk kerugian lainnya.

- Mengotomatisasi penemuan pola - pola yang tidak diketahui sebelumnya. Data mining “menyapu” basis data, kemudian mengidentifikasi pola-pola yang sebelumnya tersembunyi dalam satu sapuan. Contoh dari penemuan pola ini adalah analisis pada data penjulan ritel untuk mengidentifikasi produkproduk, yang kelihatannya tidak berkaitan, yang seringkali dibeli secara bersamaan oleh kustomer. Contoh lain adalah pendeteksian transaksi palsu dengan kartu kredit dan identifikasi adanya data anomali yang dapat diartikan sebagai data salah ketik (karena kesalahan operator).

Tugas Utama Data Mining

Telah disebutkan di ruang lingkup data mining bahwa pada kebanyakan aplikasinya, gol utama dari data mining adalah untuk membuat prediksi dan deskripsi. Prediksi menggunakan beberapa variabel atau field-field basis data untuk memprediksi nilai-nilai variabel masa mendatang yang
diperlukan, yang belum diketahui saat ini. Deskripsi berfokus pada penemuan pola-pola tersembunyi dari data yang ditelaah. Adapun tugas utama data mining adalah sebagai berikut :

a. Klasifikasi adalah fungsi pembelajaran yang memetakan (mengklasifikasi) sebuah unsur (item) data ke dalam salah satu dari beberapa kelas yang sudah didefinisikan.

b. Regresi adalah fungsi pembelajaran yang memetakan sebuah unsur data ke sebuah variabel prediksi bernilai nyata. Di ilustrasikan pada gambar dibawah ini :

c. Pengelompokan (clustering) merupakan tugas deskripsi yang banyak digunakan dalam mengidentifikasi sebuah himpunan terbatas pada kategori atau cluster untuk mendeskripsikan data yang ditelaah.

d. Peringkasan melibatkan metodologi untuk menemukan deskripsi yang ringkas dari sebuah himpunan data. Satu contoh yang sederhana adalah mentabulasikan mean dan deviasi standar untuk semua field-field tabel.

e. Pemodelan Kebergantungan adalah penemuan sebuah model yang mendeskripsikan kebergantungan yang signifikan antara variabel- variabel.

f. Pendeteksian Perubahan dan Deviasi berfokus pada penemuan perubahan yang paling signifikan di dalam data dari nilai-nilai yang telah diukur sebelumnya.

Terima kasih telah membaca materi kami, semoga bermanfaat bagi anda .. Kami mengharap FEEDBACK dari pembaca sekalian . Jika anda mengambil sebagian atau seluruh dari isi agar menampilkan Blog kami sebagai referensi anda.

Feedback anda kami harapkan dibawah ini ..

Baca Selengkapnya ..

Pengenalan Data Mining

Tahun 90-an telah melahirkan “gunungan” data di bidang ilmu pengetahuan, bisnis dan pemerintah. Kemampuan teknologi informasi untuk mengumpulkan dan menyimpan berbagai tipe data jauh meninggalkan kemampuan untuk menganalisis, meringkas dan mengekstraksi “pengetahuan” dari data. Metodologi tradisional untuk menganalisis data yang ada, tidak dapat menangani data dalam jumlah besar.

Perkembangan data mining (DM) yang pesat tidak dapat lepas dari perkembangan teknologi informasi yang memungkinkan data dalam jumlah besar terakumulasi. Sebagai contoh, toko swalayan merekam setiap penjualan barang dengan memakai alat POS (point of sales). Database data penjualan tsb. bisa mencapai beberapa GB setiap harinya untuk sebuah jaringan toko swalayan berskala nasional. Perkembangan internet juga punya andil cukup besar dalam akumulasi data. Tetapi pertumbuhan yang pesat dari akumulasi data itu telah menciptakan kondisi yang sering disebut sebagai rich of data but poor of information , karena data yang terkumpul itu tidak dapat digunakan untuk aplikasi yang berguna. Tidak jarang kumpulan data itu dibiarkan begitu saja seakan-akan kuburan data (data tombs). Investasi yang besar di bidang IT untuk mengumpulkan data berskala besar ini perlu dijustifikasi dengan didapatnya nilai tambah dari kumpulan data ini.

Data Mining merupakan teknologi baru yang sangat berguna untuk membantu perusahaan-perusahaan menemukan informasi yang sangat penting dari gudang data mereka. Data mining meramalkan tren dan sifat-sifat perilaku bisnis yang sangat berguna untuk mendukung pengambilan keputusan penting. Analisis yang diotomatisasi yang dilakukan oleh data mining melebihi yang dilakukan oleh sistem pendukung keputusan tradisional yang sudah banyak digunakan. Data Mining dapat menjawab pertanyaan-pertanyaan bisnis yang dengan cara tradisional memerlukan banyak waktu untuk menjawabnya. Data Mining mengeksplorasi basis data untuk menemukan pola-pola yang tersembunyi, mencari informasi pemrediksi yang mungkin saja terlupakan oleh para pelaku bisnis karena terletak di luar ekspektasi mereka.

Sementara para pelaku bisnis memiliki kebutuhan-kebutuhan untuk memanfaatkan gudang data yang sudah dimiliki, para peneliti melihat peluang untuk melahirkan sebuah teknologi baru yang menjawab kebutuhan ini, yaitu data mining. Teknologi ini sekarang sudah ada dan diaplikasikan oleh perusahaan - perusahaan untuk memecahkan berbagai permasalahan bisnis. Kebutuhan dari dunia bisnis yang ingin memperoleh nilai tambah dari data yang telah mereka kumpulkan telah mendorong penerapan teknik-teknik analisa data dari berbagai bidang seperti statistik, kecerdasan buatan dsb pada data berskala besar itu. Ternyata penerapan pada data berskala besar memberikan tantangan-tantangan baru yang akhirnya memunculkan metodologi baru yang disebut data mining ini. Bermula dari penerapan di dunia bisnis, sekarang ini data mining juga diterapkan pada bidang-bidang lain yang memerlukan analisa data berskala besar seperti bioinformasi dan pertahanan negara.

Dalam paper ini, kami mencoba memperkenalkan data mining dengan membandingkannya dengan bidang ilmu yang sudah ada, dan juga memberikan beberapa ilustrasi tentang teknik-teknik yang umum dipakai di data mining.

Pengenalan Data Mining
Dibawah ini terdapat beberapa definisi dari beberapa sumber yakni dari website , yaitu sebagai berikut :

Data mining didefinisikan sebagai satu set teknik yang digunakan secara otomatis untuk mengeksplorasi secara menyeluruh dan membawa ke permukaan relasi-relasi yang kompleks pada set data yang sangat besar. Set data yang dimaksud di sini adalah set data yang berbentuk tabulasi, seperti yang banyak diimplementasikan dalam teknologi manajemen basis data relasional. Akan tetapi, teknik-teknik data mining dapat juga diaplikasikan pada representasi data yang lain, seperti domain data spatial, berbasis text, dan multimedia (citra). Data mining dapat juga didefinisikan sebagai “pemodelan dan penemuan polapola yang tersembunyi dengan memanfaatkan data dalam volume yang besar”.

Data mining berdasarkan [JK06] adalah proses mengekstraksi pola-pola yang menarik (tidak remeh-temeh, implisit, belum diketahui sebelumnya, dan berpotensi untuk bermanfaat) dari data yang berukuran besar. Ada beberapa istilah yang mempunyai kemiripan dengan data mining, yaitu ekstraksi pengetahuan, analisis pola, pengerukan data, dan lain-lain. Ada yang berpendapat data mining merupakan sinonim dari istilah knowledge discovery in database (KDD).

Data Mining adalah suatu kelas aplikasi database yang berfungsi melakukan pencarian pola-pola tersembunyi di dalam suatu kumpulan data yang bisa digunakan untuk memprediksikan tren atau perilaku yang akan datang.

Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual.

Data mining, the extraction of hidden predictive information from large databases, is a powerful new technology with great potential to help companies focus on the most important information in their data warehouses. Data mining tools predict future trends and behaviors, allowing businesses to make proactive, knowledge-driven decisions.

Dari lima definisi diatas, dapat kita simpulkan bahwa data mining adalah menggali / mencari data/informasi yang tersembunyi dalam sebuah database atau kumpulan data dan dikumpulkan menjadi knowledge (pengetahuan) yang dapat meramalkan tren di masa mendatang dan menjadikan pengguna yang mengetahui tentang data mining menjadi proaktif. Dari definisi tersebut, dapat kita lihat bahwa pentingnya data mining untuk berbagai keperluan diantaranya :

1. 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.

2. 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.

3. 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.

4. Informasi Summary
Anda juga dapat memanfaatkan data mining untuk membuat laporan summary yang bersifat multi-dimensi dan dilengkapi dengan informasi statistik lainnya.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

Terima kasih telah membaca materi kami, semoga bermanfaat bagi anda .. Kami mengharap FEEDBACK dari pembaca sekalian . Jika anda mengambil sebagian atau seluruh dari isi agar menampilkan Blog kami sebagai referensi anda.

Feedback anda kami harapkan dibawah ini ..

Baca Selengkapnya ..

Tipe Data dan Struktur Data

Di setiap bahasa pemrograman telah disediakan berbagai tipe data dan sebagai programer dipersilakan untuk memilihnya. Tentu saja kita akan memilih tipe data yang sesuai dengan karakteristik data yang akan kita olah.

Pada intinya simbol-simbol yang digunakan di komputer terdiri atas huruf, angka, dan tanda baca lainnya. Simbol-simbol tersebut merupakan elemen dari data dan memiliki tipe data. Umumnya tipe data terdiri atas karakter, teks atau string, dan numerik.Namun sesuai dengan kebutuhan pengguna yang terus bertambah, maka tipe data terus berkembang. Banyak bahasa pemrograman menambahkan tipe data dengan boolean (logical), binary, float, date, memo dan sebagainya.

a. Tipe Data Numerik
Besar angka yang bisa diterima komputer sangat tergantung dengan jumlah bit (N) prosesor komputernya. Umumnya batasan angka yang bisa diterima adalah –(2^(N-1)) sampai dengan 2^(N-1)-1. Untuk komputer 32 bit batasannya adalah -2.147.483.648 sampai dengan 2.147.483.647.

Untuk menampung nilai data ke variabel dalam suatu bahasa pemrograman tertentu, maka kita harus memahami fasilitas apa saja (statements dan jenis variabelnya) yang disediakan oleh bahasa pemrograman yang kita gunakan. Juga kita perhatikan fasilitas operasi untuk tipe data numeriknya, misalnya apakah ada MOD, DIV, AVERAGE, MAX, MIN dan sebagainya.

Adapun jenis numerik (bilangan) yang biasa digunakan terdiri atas :

- bilangan kompleks
- bilangan real
- bilangan rasional
- bilangan irasional
- bilangan bulat
- dan sebagainya

Bilangan real adalah bilangan yang menggunakan nilai pecahan. Bilangan bulat adalah bilangan tanpa pecahan (integer), baik positif maupun negatif. Di luar bilangan-bilangan itu ada juga yang merupakan bagian dari bilangan-bilangan di atas seperti bilangan prima, bilangan cacah, bilangan ganjil, bilangan genap, dan lain-lain.

Untuk keperluan penempatan berapa banyak jumlah digit yang bisa digunakan oleh bilangan-bilangan di dalam variabel dapat menggunakan variabel berpresisi tunggal maupun berpresisi ganda. Misalnya di suatu bahasa pemrograman, untuk bilangan integer single precision (presisi tunggal) disediakan panjang 8 digit, dan untuk double precision (presisi ganda) disediakan panjang 16 digit. Untuk bilangan real sigle precision disediakan 16 digit, dan untuk real double disediakan 32 digit.

Operasi terhadap tipe data numerik sama halnya melakukan perhitungan matematis. Ada penjumlahan, pengurangan, perkalian, perpangkatan, dan sebagainya. Berikut macam-macam operasi (operator) yang ada sesuai urutan pengerjaannya :
^ : perpangkatan
* : perkalian
/ : pembagian
+ : penjumlahan
- : pengurangan
Urutan pengerjaan akan berubah jika terdapat tanda kurung. Tanda kurung menjadi prioritas utama yang dikerjakan.
Contoh :
2 ^ 3 * 4 – 6 / 2 + 5 = ((2 ^ 3 )* 4) – (6 / 2) + 5
= (8 * 4) – (3) + 5
= 32 – 3 + 5
= 34

2 ^ 3 * (4 – 6) / 2 + 5 = (2 ^ 3 )* ((4 – 6) / 2) + 5
= 8 * (-2) / 2 + 5
= -16 / 2 + 5
= -8 + 5
= -3
Ada pula operasi tambahan yang biasanya disediakan bahasa pemrograman, seperti :

Kondisi (disebut juga dengan operator relasional) yang biasa mengikutinya adalah :
= sama dengan
> lebih besar dari
<> tidak sama dengan
>= lebih besar atau sama dengan
<= lebih kecil atau sama dengan

b. Tipe Data Logika Operator logikal (boolean) biasa digunakan untuk melakukan pengecekan suatu kondisi suatu program. Kondisi yang dicek bisa berhubungan dengan variabel numerik maupun variabel string.

Nilai data dari variabel boolean adalah kondisi benar atau salah (true or false). Operator logika dasar terdiri atas AND, OR dan NOT.

1. AND AND adalah operasi yang melakukan pengecekan atas 2 kondisi atau variabel yang ada. Jika kedua kondisi bernilai true, maka hasil operasi AND adalah true, selain itu false. Berikut tabelnya : Kondisi (Variabel 1) | Kondisi (Variabel 2) | AND True (terpenuhi) | True (terpenuhi) |True True (terpenuhi) | False (tidak terpenuhi) | False False (tidak terpenuhi) | True (terpenuhi) | False False (tidak terpenuhi) | False (tidak terpenuhi) | False 2. OR OR adalah operasi yang melakukan pengecekan atas

2 kondisi atau variabel yang ada. Jika salah satu kondisi bernilai true, maka hasil operasi OR adalah true, selain itu false. Berikut tabelnya : Kondisi (Variabel 1) | Kondisi (Variabel 2) | OR True (terpenuhi) | True (terpenuhi) | True True (terpenuhi) | False (tidak terpenuhi) | True False (tidak terpenuhi) | True (terpenuhi) | True False (tidak terpenuhi) | False (tidak terpenuhi) | False

3. NOT NOT adalah operasi yang melakukan pengecekan atas 1 kondisi atau variabel yang ada. Jika kondisi bernilai true, maka hasil operasi NOT adalah false, dan sebaliknya. Berikut tabelnya : Kondisi (variabel) | NOT True (terpenuhi) | False False (tidak terpenuhi) | True Tipe data logikal adalah variabel atau record yang bernilai logikal (true atau false). Operasi AND, OR dan NOT dapat digabung-gabungkan untuk mendapatkan suatu kondisi yang diinginkan.

c. Tipe Data String String merupakan salah satu tipe data di komputer, dan merupakan kumpulan dari karakter. Nilai data string tentunya harus ditampung di variabel atau field yang berjenis string pula. String umumnya digunakan untuk menyimpan data yang tidak perlu diproses secara matematis, namun banyak pula orang yang lebih suka menyimpan data numerik ke dalam tipe data string.

Umumnya bahasa pemrograman menyediakan fasilitas untuk mengubah nilai data numerik yang disimpan dalam tipe data string menjadi tipe data numerik. Sehingga nilai data tersebut dapat diproses secara matematis kembali. Nomor Pokok Mahasiswa (NRP) adalah sebuah contoh yang nilai datanya merupakan kode-kode yang dapat dijabarkan.

Misalnya NRP = ‘5198100084’. Nilai tersebut dapat dijabarkan menjadi : karakter pertama menunjukkan fakultas, karakter kedua menunjukkan jurusan, karakter ketiga dan keempat menunjukkan tahun masuk dan sebagainya. Penjabaran kode seperti di atas lebih sulit dilakukan jika menggunakan tipe data numerik.

Bagian dari string disebut dengan substring, seperti pada contoh NRP di atas, tahun masuk (karakter ketiga dan keempat) merupakan substring dari NRP. Macam-macam operasi string adalah: pemenggalan, penggabungan, pencarian posisi, perhitungan banyak karakter, dan kombinasi dari semua operasi.

Terima kasih atas kunjungan anda , bila anda mempunyai pendapat lain atau masukan atau tambahan . Anda dapat mengirimkan ke e-mail kami selamatpagi@rocketmail.com , atau berkomentar dibawah ini :

Baca Selengkapnya ..

Dasar Pemrograman Komputer

Program komputer adalah kumpulan instruksi (statements) yang disusun secara logis untuk memecahkan suatu masalah. Instruksi-instruksi yang digunakan disesuaikan dengan jenis bahasa pemrograman yang digunakan.

Ada dua jenis utama dalam bahasa pemrograman, yaitu bahasa pemrograman berbasis bisnis dan berbasis matematis (science). Bahasa pemrograman yang berbasis bisnis biasanya merupakan program aplikasi siap pakai, seperti dBase, Visual Basic, FoxPro, FoxBase, Clipper, COBOL dan sejenisnya yang merupakan program aplikasi basis data. Ada juga Photoshop, Corel Draw, dan sejenisnya yang merupakan program aplikasi untuk pengolaman gambar (image processing) atau multimedia. Sedangkan yang berbasis science seperti Pascal, C, Fortran, Mathlab, dan sejenisnya.

Program yang baik memiliki kriteria, antara lain:
1. menghasilkan keluaran (output) yang sesuai dan benar.
2. memiliki kompleksitas algoritma yang minimal.
3. memiliki kecocokan dengan peruntukan bahasa programnya.
4. memiliki batas akhir penyelesaian.

Setiap programmer memiliki style tersendiri dalam menuliskan programnya. Misalnya untuk mendapatkan record data, seorang programmer lebih suka menggunakan perintah FIND, sedang yang lain lebih suka menggunakan SEEK. Programmer yang satu lebih suka mencetak nilai beberapa variabel dalam satu baris sesuai dengan tipe datanya, sedangkan yang lain lebih suka mencetaknya secara string. Dan sebagainya.

Ada pula programmer yang menuliskan sebuah program dalam satu rangkaian penuh, tapi ada yang membagi-bagi programnya menjadi program utama (main program) dan sub-sub program (subroutine atau procedure). Contoh skema program utama dan sub-sub programnya dapat digambarkan sebagai berikut:

Penulisan program yang terstruktur dan menggunakan sub-sub program tentunya dimaksudkan agar ketika terjadi kesalahan proses atau penulisan akan lebih mudah menelusurinya (terutama untuk program yang besar atau memiliki banyak fungsi).

Terima kasih telah membaca artikel kami ini, kami berharap FEEDBACK anda, dan masukan yang dapat anda berikan melalu post comment dibawah ini. Bila anda hendak mengedarkan atau memperbanyak ada baiknya , anda mencantumkan alamat Blog kami.

Baca Selengkapnya ..

Flowchart

Untuk menggambarkan sebuah algoritma yang terstruktur dan mudah dipahami oleh orang lain (khususnya programmer yang bertugas mengimplementasikan program), maka dibutuhkan alat bantu yang berbentuk Diagram Alir (Flowchart). Diagram alir ini akan menunjukkan alur di dalam program secara logika. Diagram alir ini selain dibutuhkan sebagai alat komunikasi, juga diperlukan sebagai dokumentasi. Dan sebelum lebih jauh memahami komponen-komponen diagram alir, maka perlu kiranya disampaikan aturan-aturan dalam perancangan diagram alir tersebut, yaitu :

1. Diagram alir digambarkan dengan orientasi dari atas ke bawah dan dari kiri ke kanan;
2. Setiap kegiatan/proses dalam diagram alir harus dinyatakan secara eksplisit;
3. Setiap diagram alir harus dimulai dari satu Start State dan berakhir pada satu atau lebih Terminal Akhir/Terminator/Halt State;
4. Gunakan Connector dan Off-Page Connector state dengan label yang sama untuk menunjukkan keterhubungan antar path algoritma yang terputus/terpotong, misalnya sebagai akibat pindah/ganti halaman.

Selain dengan Flowchart, untuk menuliskan sebuah algoritma dapat pula digunakan Pseudo-Code, yaitu suatu teknik penulisan algoritma dengan menggunakan sebanyak mungkin komponen-komponen dari salah satu bahasa tingkat tinggi (suatu bahasa pemrograman yang masih memerlukan unit kompilator untuk mengeksekusi program agar dapat berjalan). Dalam arti penulisan algoritma dengan Pseudo-Code ini hampir menyerupai sebuah program, tetapi tanpa menyertakan atribut-atribut program (seperti tipe data, dll), hanya menuliskan proses intinya saja.

Berikut ini adalah simbol-simbol state yang digunakan untuk menggambarkan algoritma dalam bentuk diagram alir. Sedangkan keterangan yang terdapat di bawah masing-masing simbol adalah kegunaan dari simbol-simbol yang bersangkutan.

Contoh-contoh flowchart :
Berikut ini adalah contoh-contoh pembuatan flowchart untuk menyelesaikan berbagai masalah :
1. Menghitung Luas Lingkaran

2. Menampilkan Kelipatan Bilangan

Keterangan :
S : kelipatan yang ingin ditampilkan
Upper : Batas range bilangan

3. Flowchart untuk program dengan input bilangan bulat positif 1 sampai dengan 100, dapat menghasilkan output tampilan bilangan ganjil antara 1 sampai dengan 100.

4. Flowchart untuk konversi bilangan berbasis sepuluh ke bilangan berbasis dua :

Meskipun banyak cara untuk menuliskan sebuah algoritma, tetapi diharapkan algoritma yang ditulis dapat dimengerti oleh orang lain. Misalnya Anda sebagai seorang analis sistem, jangan sampai algoritma yang Anda tuliskan dipersepsikan berbeda oleh programmer. Maka, ada norma-norma atau aturan–aturan tertentu yang berlaku secara internasional agar semua praktisi komputer akan mendapatkan persepsi yang sama atas sebuah algoritma.

Algoritma yang dibuat dengan kalimat memiliki kelemahan, yakni hanya akan dimengerti oleh praktisi yang mengerti bahasanya. Begitu juga yang menggunakan gabungan kalimat dan statemen bahasa pemrograman hanya dimengerti bagi yang mengetahui bahasa tersebut.

Terima kasih telah membaca materi kami, semoga bermanfaat bagi anda .. Kami mengharap FEEDBACK dari pembaca sekalian . Jika anda mengambil sebagian atau seluruh dari isi agar menampilkan Blog kami sebagai referensi anda.

Feedback anda kami harapkan dibawah ini ..

Baca Selengkapnya ..

3 Tahapan Pokok Pemrograman

Membangun sebuah program pada dasarnya adalah membuat alat bantu untuk menyelesaikan suatu masalah. Sebelum kita dapat menghasilkan program yang mampu membantu kita menyelesaikan masalah tersebut, kita dihadapkan pada 3 (tiga) tahapan pokok, yaitu :

1. Memahami permasalahan dan tujuan sebuah program dibuat. Pada tahap ini kita harus mampu mengidentifikasi jenis, bentuk dan karakteristik input serta output yang diharapkan. Tetapi untuk skala permasalahan yang besar, selain jenis, bentuk dan karakteristik, kita juga perlu mengetahui dengan pasti asal, frekuensi dan volume data input serta tujuan, frekuensi dan volume data output yang diharapkan;

2. Mampu menyusun konsep/rancangan/desain penyelesain dari masalah yang akan kita selesaikan. Dari hasil pemahaman kita terhadap permasalahan di atas, kita harus mampu merancang sebuah alur proses untuk mengolah data input dan menghasilkan data output dengan jenis, bentuk dan karakteristik seperti yang diharapkan;

3. Mampu mengimplementasikan hasil rancangan kita dalam bentuk program yang terstruktur. Program tersebut dapat kita buat dengan menggunakan sebarang bahasa pemrograman. Untuk itulah kita diharuskan memahami dan menguasai komponen bahasa pemrograman dan teknik pemrograman dengan baik.

Untuk tahap pertama, kiranya hanya dengan sering berlatih dalam mengamati dan memahami suatu permasalahan akan semakin terasah.

Pada tahap kedua hasil pengamatan dan pemahaman terhadap permasalahan riil harus dituangkan ke dalam sebuah bentuk alur penyelesaian masalah. Ini yang seringkali disebut sebagai algoritma. Terdapat sebuah alasan mengapa harus merumuskan penyelesaian masalah tersebut ke dalam bentuk alur yang terstruktur. Hal ini disebabkan komputer sebagai alat bantu yang berupa mesin tidak mampu menyelesaikan masalah seperti manusia yang seringkali berpikir tidak terstruktur. Komputer hanya mampu diberi perintah secara berurutan dan mengoptimalkan kemampuan komputer melakukan komputasi dengan cepat dan dalam jumlah besar.

Selanjutnya pada tahap ketiga, hasil penyusunan alur penyelesaian masalah (yang sudah terbentuk dalam format algoritma) diaplikasikan ke dalam komputer melalui penulisan sebuah program dengan menggunakan bahasa pemrograman. Proses ini lazim disebut sebagai coding.

Sebuah program pada dasarnya berisi rangkaian instruksi yang saling terkait satu dengan lainnya (membentuk alur proses) dan tersusun secara terstruktur sedemikian hingga apabila program tersebut dijalankan akan dapat menghasilkan output seperti yang diharapkan. Pada sebarang bahasa pemrograman, alur instruksinya akan sama untuk masalah yang sama, perbedaannya hanya terletak pada cara penulisan instruksi (sintaks) yang berbeda antara satu bahasa pemrograman dengan bahasa pemrograman yang lain, seperti halnya pada bahasa yang digunakan untuk berkomunikasi antar manusia. Karena alur dan bentuk rangkaian instruksi itulah yang mewakili logika pemikiran dalam menyelesaikan masalah tersebut, atau sering disebut Algoritma. Dikatakan algoritma karena alur pemikiran tersebut ditulis dalam bentuk yang terstruktur sedemikian hingga mudah untuk diimplementasikan menjadi sebuah program melalui bahasa pemrograman sebarang.

Terima kasih telah membaca materi kami ini, kami mengharapkan FEEDBACK dari anda. Dan apabila anda meng-copy diharapkan mencantumkan nama Blog kami http://gudangmateri.blogspot.com ..

Bagaimana Opini anda ? Komentar dibawah ini..

Baca Selengkapnya ..

Distribusi Sampel

Bidang Inferensia Statistik membahas generalisasi/penarikan kesimpulan dan prediksi/ peramalan. Generalisasi dan prediksi tersebut melibatkan sampel/contoh, sangat jarang menyangkut populasi.

• Sensus = pendataan setiap anggota populasi
• Sampling = pendataan sebagian anggota populasi = penarikan contoh = pengambilan
sampel

• Pekerjaan yang melibatkan populasi tidak digunakan, karena:
1. mahal dari segi biaya dan waktu yang panjang
2. populasi akan menjadi rusak atau habis jika disensus
misal : dari populasi donat ingin diketahui rasanya, jika
semua donat dimakan, dan donat tidak tersisa,
tidak ada yang dijual?

• Sampel yang baik → Sampel yang representatif
Besaran/ciri sampel (Statistik Sampel) memberikan gambaran yang tepat mengenai besaran ukuran populasi (Parameter Populasi)

Sampel yg baik diperoleh dengan memperhatikan hal-hal berikut :
1. keacakannya (randomness)
2. ukuran
3. teknik penarikan sampel (sampling) yang sesuai dengan kondisi atau sifat populasi.

Sampel Acak = Contoh Random → dipilih dari populasi di mana setiap anggota populasi memiliki peluang yang sama terpilih menjadi anggota ruang sampel.

• BEBERAPA TEKNIK PENARIKAN SAMPEL :

1. Penarikan Sampel Acak Sederhana (Simple Randomized Sampling)
Pengacakan dapat dilakukan dengan : undian, tabel bilangan acak, program komputer.

2. Penarikan Sampel Sistematik (Systematic Sampling)
Tetapkan interval lalu pilih secara acak anggota pertama sampel
Contoh : Ditetapkan interval = 20
Secara acak terpilih : Anggota populasi ke-7 sebagai anggota ke-1 dalam sampel, maka:
Anggota populasi ke-27 menjadi anggota ke-2 dalam sampel
Anggota populasi ke-47 menjadi anggota ke-3
dalam sampel, dst.

3. Penarikan Sampel Acak Berlapis (Stratified Random Sampling)
Populasi terdiri dari beberapa kelas/kelompok. Dari setiap kelas diambil sampel secara acak.Antar Kelas bersifat (cenderung) berbeda nyata (heterogen). Anggota dalam suatu kelas akan (cenderung) sama (homogen).
Contoh :
Dari 1500 penumpang KA (setiap kelas memiliki ukuran yang sama) akan diambil 150 orang sebagai sampel, dilakukan pendataan tentang tingkat kepuasan, maka sampel acak dapat diambil dari :
Kelas Eksekutif : 50 orang
Kelas Bisnis : 50 orang
Kelas Ekonomi : 50 orang

4. Penarikan Sampel Gerombol/Kelompok (Cluster Sampling)
Populasi juga terdiri dari beberapa kelas/kelompok Antar Kelas bersifat (cenderung) sama (homogen). Anggota dalam suatu kelas akan (cenderung) berbeda (heterogen).
Contoh :
Terdapat 40 kelas untuk tingkat II Jurusan Ekonomi-GD, setiap kelas terdiri dari 100 orang. Populasi mahasiswa kelas 2, Ekonomi-UGD = 40 × 100 = 4000.
Jika suatu penelitian dilakukan pada populasi tersebut dan sampel yang diperlukan = 600 orang, dilakukan pendataan mengenai lama waktu belajar per hari maka sampel dapat diambil dari 6 kelas.... Dari 40 kelas, ambil secara acak 6 kelas.

5. Penarikan Sampel Area (Area Sampling)
Prinsipnya sama dengan Cluster Sampling.
Pengelompokan ditentukan oleh letak geografis atau administratif.
Contoh : Pengambilan sampel di daerah JAWA BARAT, dapat dilakukan dengan memilih secara acak KOTAMADYA tempat pengambilan sampel, misalnya terpilih, Kodya Bogor, Sukabumi dan Bandung,
Sampel acak menjadi dasar penarikan sampel lain. Selanjutnya, pembahasan akan menyangkut Penarikan Sampel Acak.
Sampel yang diambil berupa kelompok bukan individu anggota.

Penarikan Sampel Acak dapat dilakukan dengan 2 cara
1. Penarikan sampel tanpa pemulihan/tanpa pengembalian : setelah didata, anggota sampel tidak dikembalikan ke dalam ruang sampel
2. Penarikan sampel dengan pemulihan : bila setelah didata,
anggota sampel dikembalikan ke dalam ruang sampel.

Berdasarkan Ukurannya, maka sampel dibedakan menjadi :
1. Sampel Besar jika ukuran sampel (n) ≥ 30
2. Sampel Kecil jika ukuran sampel (n) < 30

Terima kasih telah membaca materi kami ini, anda dapat mendownload materi Distribusi Sampel dan materi Distribusi Sampling.

Bagaimana pendapat anda mengenai materi ini ? Berbeda kah dengan pendapat kami ? Posting komentar anda dibawah ini ..

Baca Selengkapnya ..