Gudang Materi

Gerbang Logika Komputer

Rangkaian Gerbang Logika

Kombinasional

RANGKAIAN LOGIKA KOMBINASIONAL :
Outputnya bergantung pada keadaan nilai input pada saat itu saja. Piranti : Rangkaian gerbang OR - AND - NOT, decoder, adder, subtractor dan multiplexer.

SEKUENSIAL

Outputnya tidak hanya bergantung pada nilai input saat itu, tetapi juga input-input sebelumnya (karakteristik memori).

Piranti :

- Flip-flop
perangkat bistabil, hanya dapat berada pada salah satu statusnya saja, jika input tidak ada, FF tetap mempertahankan statusnya. Maka FF dapat berfungsi sebagai memori 1-bit.

- Register
Fungsi : sebagai memori sementara untuk penggeseran data ke kiri atau ke kanan. Dibangun dari kumpulan flip-flop, banyaknya flip-flop menentukan panjang register dan juga panjang kata biner yang dapat disimpan di dalam register.

- Counter

Berdasarkan waktu sinyal, dibedakan menjadi :

• Rangkaian sekuensial sinkron
Operasinya disinkronkan dengan pulsa waktu yang dihasilkan oleh pembangkit pulsa yang merupakan masukan bagi rangkaian. Keluaran akan berubah hanya setiap adanya masukan pulsa waktu, meskipun inputnya tidak berubah.
• Rangkaian sekuensial asinkron:
Operasinya hanya bergantung pada input, dan dapat dipengaruhi setiap waktu.

Materi Gerbang Logika Ilmu Komputer diatas sudah di ringkas sedemikian rupa ,sehingga beberapa gambar dan rumus tidak dapat kami tampilkan, untuk mendapatkannya anda dapat mendownload pada link :
- Materi Gerbang Logika beserta rumus
- Materi Gerbang Logika beserta penjabarannya

Terima kasih atas perhatiannya dan jangan lupa simak Materi kami lainnya.

Baca Selengkapnya ..

Generasi Komputer

Generasi Komputer terbagi atas beberapa periode , dan mempunyai klasifikasi sistem yang terus meningkat dari Generasi ke Generasi . Dibawah ini adalah beberapa gambaran mengenai Generasi Komputer dari Generasi I hingga Generasi ke- IV .

I: ’46 – ’57: UNIVAC 1103
Bahasa Rakitan
Vacuum Tube
40.000 instruksi/detik

II: ’58 – ’64: IBM 7094
Bahasa Tingkat Tinggi (Fortran, Cobol), Kompilator
Transistor
I/O & Processor Parallelism
200.000 instruksi/detik

III: ’65 – ’71: IBM System/360, DEC PDP-8
Sistem Operasi
Small- & Medium-scale Integrated Circuit (IC)
Cache & Virtual Memory, Microprogramming, Pipelining, Parallelism
1.000.000 instruksi/detik

IV: ’72 – ’77: Apple IIe, IBM PC
Large Scale Integrated Circuit (LSI)
Microprocessor, PC
10.000.000 instruksi/detik

IV: ’78 – …: 80286 – Pentium IV, MIPS, Sparc, PowerPC
Very Large Scale Integrated Circuit (VLSI)
100.000.000 instruksi/detik

Dari pemaparan diatas , dapat kita lihat perubahan yang signifikan dari Generasi I hingga Generasi ke- IV , sehingga kita dapat membayangkan generasi komputer 25 tahun mendatang.

Baca Selengkapnya ..

Pengenalan Organisasi Komputer

Sebelum kita memasuki materi ini, sebaiknya kita mengerti yang dinamakan Organisasi Komputer itu sendiri.Organisasi Komputer mempelajari bagian yang terkait dengan unit-unit operasional komputer danhubungan antara komponen sistem komputer.Contoh: sinyal kontrol, interface, teknologi memori, sedangkan kita juga mengenal Arsitektur Komputer yang mempelajari atribut - atribut sistem komputer yang terkait dengan seorang programmer.Contoh: set instruksi, aritmetilka yang digunakan, teknik pengalamatan, mekanisme Input Output.

Mari kita mulai bahasan Organisasi Komputer dengan mengetahui dahulu, unit - unit pada komputer , yang terdiri atas :

Unit Masukan
Unit Keluaran
Unit Pemroses data
Unit Penyimpan data

Kemudian, Organisasi Komputer mempunyai Struktur dan Fungsi yaitu :

- Struktur komputer adalah cara komponen - komponen komputer saling terkait dan berhubungan

- Fungsi komputer adalah operasi masing - masing komponen sebagai bagian dari struktur

Dibawah ini digambarkan :
Struktur Utama Komputer

yang terdiri atas CPU , Main Memory , Sistem Interconnection , dan Input Output.
Fungsi dari CPU ( Central Processor Unit ) yakni , sebagai unit proses pada komputer, dan memproses data .

Fungsi Main Memory, adalah sebagai tempat penyimpanan sementara data - data yang sedang beroperasi.

Fungsi Sistem Interconnection yakni, untuk menghubungan diantara ketiga elemen CPU - Main Memory - Input Output untuk disinkronisasikan dan dijalankan oleh komputer.

Fungsi Input untuk memasukkan sesuatu data melalui perangkat input yakni, keyboard, scanner, USB , camera, recorder, dan lainnya, sedangkan Output yaitu segala sesuatu yang berupa keluaran ( Output ) , seperti : Layar , In Focus, Proyektor, dan sebagainya.

Struktur CPU

CPU terdiri atas, Register, ALU , Internal CPU Interconnection, dan Control Unit.

Register adalah segala sesuatu yang bergubungan dengan pengoperasian pada CPU.

ALU ( Arithematic and Logic Unit ) , adalah unit yang mengatur perhitungan dan operasi-operasi perhitungan seperti : penambahan, pengurangan, perkalian, pembagian, pengakaran, dan sebagainya.

Internal CPU Interconnection, yaitu bagian yang mengatur kinerja dalam lingkup CPU , sama halnya dengan sistem interconnection pada komputer yang menyelaraskan antar komponen.

Demikian materi kami untuk kali ini, terima kasih atas perhatian anda . Jika anda mempunyai kritik dan saran dapat anda sampaikan kepada kami lewat kotak komentar dibawah ini.

Baca Selengkapnya ..

Tingkat Abstraksi Organisasi Komputer

Dibawah ini merupakan tingkat - tingkat Abstraksi Organisasi Komputer, dimulai dari Application Sofware / Hardware hingga Computer Software / Hardware . Yang masing - masing mempunyai tingkatan berbeda- beda.

Application S/W

MS Word
computer as electronic type-writer
MS Excel
computer as electronic calculator

System S/W

Compilers
computer as translator (source to executable program)
Operating Systems
computer as machine that executes programs, stores files, prints content of files to printers, communicate with other computers
Instruction Set
What basic operations can be carried out
What, where, and how data can be stored & retrieved in/from memory
How can data be exchanged to the outside “world”

Computer H/W
The 5 components: Datapath, Control, Memory, Input, Output

Demikian dulu untuk materi kali ini , semoga bermanfaat untuk anda.

Baca Selengkapnya ..

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 ..