Analisis Performansi Metode NNGE pada Noise Domain

Metode NNGE (Nearest Neighbor with Generalized Exemplar) merupakan modifikasi dari metode NN yang membentuk hyperrectangle dari kumpulan node yang berada dalam kelas yang sama. Metode NN sendiri telah mengalami pengembangan menjadi k-NN dengan nilai k>1, yang telah terbukti dapat mengurangi pengaruh noise dengan memprediksi kelas dari instance berdasarkan nilai k tetangga terdekat.

Tugas akhir yang ditulis oleh Onasis dengan pembimbing Pak Dhinta dan saya ini mengangkat metode k-NNGE yang merupakan pengembangan dari NNGE untuk mengatasi pengaruh noise pada data.

Noise yang menjadi obyek pelengkap penelitian ini dapat dibedakan menjadi 3 macam: missing attribute, irrelevant attribute, dan outlier. NNGE terbukti dapat menangani pengaruh dari ketiga jenis noise tersebut, bahkan gabungannya. Data pengujian terdiri atas 7 macam:
1. data bersih,
2. data dengan missing attribute,
3. data dengan irrelevant attribute,
4. data dengan outlier,
5. data dengan missing attribute + outlier,
6. data dengan irrelevant attribute + outlier,
7. data dengan variasi prosentase outlier.

Pengujian dengan ketujuh macam data tersebut membuktikan bahwa k-NNGE dapat meningkatkan akurasi dari NNGE dalam noise domain, walaupun tidak sebaik peningkatan akurasi k-NN terhadap NN. Sayangnya hal ini harus dibayar dengan konsumsi waktu yang relatif lebih lama karena NNGE dan k-NNGE harus membangun model berupa hyperrectangle.

Deteksi Outlier Pada Categorical Data menggunakan LSA (Local Search Algorithm)

Outlier detection adalah sebuah sebuah task dalam data mining yang berupaya mengenali outlier dalam sekumpulan besar data. Outlier sendiri adalah sebuah titik data pada suatu basis data yang sangat berbeda dibandingkan dengan titik data pada basis data pada umumnya. Berbeda dengan sebagian task lain dalam data mining yang mengutamakan akurasi dari keseluruhan data (hingga tak jarang mengabaikan data yang frekuensinya kecil), outlier detection justru berusaha mengenalinya karena data tersebut mungkin memiliki informasi yang berharga.

Salah satu cara deteksi outlier dengan pendekatan data mining adalah dengan metode clustering. Clustering membagi data dalam kelompok2 dengan memaksimalkan kesamaan intra-class dan meminimalkan persamaan inter-class (hehe.. jadi inget, ini hampir jadi pertanyaan mematikan buat penulis 1 tugas akhir ini). Pada deteksi outlier dengan cara ini, sebuah titik data disebut outlier jika tidak memiliki kesamaan dengan data lain atau jika frekuensi data pada sebuah cluster sangat sedikit (dibanding cluster lain).

Kebanyakan penelitian tentang deteksi outlier menggunakan data numerik sebagai obyek pengujian, antara lain karena data jenis ini dapat mengalami perhitungan untuk menentukan jarak antar titik data. Penelitian yang dilakukan oleh Aditya Pamungkas dengan pembimbing Pak Kiki dan saya ini menerapkan deteksi outlier pada data kategoris (bukan berupa angka yang dapat dilakukan perhitungan) karena kebanyakan data yang ada justru kategoris.

LSA merupakan sebuah algoritma yang mampu melakukan clustering dengan baik pada data kategoris, dan penelitian ini (pengujian dilakukan pada parameter akurasi dan waktu terhadap peningkatan jumlah data dan jumlah outlier dalam data) menunjukkan hasil yang mendukung pernyataan tersebut.

Selamat Ulang Tahun

Selamat ulang tahun buat m'Gun sayang..
Semoga panjang umur, sehat n sukses selalu.
Semoga segala doa dan usaha memperoleh berkat berlimpah dari Tuhan.
Semoga makin semangat dalam mengabdi Tuhan dan sesama.
Semoga makin dewasa, sayang pada kedua orang tua, keluarga dan aku..
:D

[Guntur]
Terima kasih D'Im ku...
Terima kasih doanya... n Terima kasih kuenya... hehehe...
Luv U...

SPPK Daerah Target Pemasaran dengan Metode SMARTER dan ORESTE

Judul lengkapnya sih:

Sistem Pendukung Pengambilan Keputusan Daerah Target Pemasaran dengan Metode SMARTER dan ORESTE Berbasis Web (Studi Kasus : PT. Agra Guratama Raya Indonesia)

Tugas Akhir (TA) atas nama Siwi A. dengan pembimbing Pak Mahmud dan saya ini mengangkat kasus di sebuah perusahaan produksi mebel yang membutuhkan SPPK untuk penentuan target pemasarannya.

PT. AGRI yang bertempat di Jepara, Jawa Tengah ini telah menetapkan empat wilayah geografis yang menjadi target pemasaran yaitu :
- lokal (dalam kota Jepara),
- luar kota (kota-kota dalam wilayah Jawa Tengah),
- regional (kota-kota dalam lingkup negara Indonesia) dan
- internasional (ekspor)

Dari keempat wilayah geografis tersebut yang saat ini sering dibidik oleh PT.AGRI adalah pasar lokal dan luar kota. Sebelum SPPK ini dibuat, manajer pemasaran PT. AGRI harus berkutat dengan data yang cukup banyak setiap bulan untuk menentukan daerah target pemasaran perusahaan. Maka, hasil akhir TA ini sangat bermanfaat dan meringankan pekerjaan pihak2 terkait dalam pengambilan keputusan.

Mengenai metode yang diambil, SMARTER (Simple Multi-Attribute Rating Technique Exploiting Ranks) merupakan modifikasi dari metode SMART (Simple Multi-Attribute Rating Technique) yang diusulkan oleh Edwards dan Baron (1994), dimana kedua metode ini digunakan untuk menentukan bobot dari setiap kriteria dalam suatu pengambilan keputusan. Sedangkan Oreste merupakan metode yang dibangun sesuai untuk kondisi dimana sekumpulan alternatif akan diurutkan berdasarkan kriteria sesuai dengan tingkat kepentingannya.
Gabungan SMARTER dan Oreste memungkinkan bobot ditentukan oleh metode SMARTER, yang kemudian akan menjadi inputan bagi Oreste dalam menentukan urutan alternatif terbaik.

Demam Multiply

Entah siapa yg mulai, hari ini ada heboh multiply di ruangan kami. Bu Hetti buka halaman baru, Bu Ade juga. Wah, makin banyak rumah yg bisa dikunjungi nih.. Asik2..

:)