progrmnya simpel aja. (soale cuma baca ASCII)
=======================================
uses WinCrt;
var
I: Integer;
begin
for I := 1 to 165 do Write(Chr(I));
end.
========================================
Sabtu, 15 Oktober 2011
cari karakter
seringkali saya bingung nyari karakter ascii,,, daripada susah-susah, mending nyari sampel code dari pascalnya......
progrmnya simpel aja. (soale cuma baca ASCII)
=======================================
uses WinCrt;
var
I: Integer;
begin
for I := 1 to 165 do Write(Chr(I));
end.
========================================
Read More..
progrmnya simpel aja. (soale cuma baca ASCII)
=======================================
uses WinCrt;
var
I: Integer;
begin
for I := 1 to 165 do Write(Chr(I));
end.
========================================
Bintang
Bingung mau ngepost apaan,,, saya mau bermemory tentang pascal sebelum saya melupakannya.. hehehehehe...
ini adalah contoh penggunaan for dalam pascal..
misalnya saja kita mau bikin bintang-bintang.. yang bentuknya kayak gini
* * * * * *
* * * * *
* * * *
* * *
* *
*
kita dapat menuliskannya dalam program pascal sbb :
========================================================
Program Bintang_1;
uses wincrt;
var n, i, j : integer;
begin
write('Masukkan n : ');
readln(n);
for i := 1 to n do
begin
for j := n downto i do
begin
write('* ');
end;
writeln;
end;
end.
======================================================
hasilnya akan sbb :
program di atas dibuat dengan TPW alias Turbo Pascal for Windows.. jika teman-teman ingin membuatnya di turbo pascal atau free pascal, pakai uses crt bukan uses wincrt..
Misal teman-teman ingin membuat bentuk semacam ini
*
* *
* * *
* *
*
code berikut bisa di coba :
==========================================================
Program Bintang_2;
uses wincrt;
var n, i, j : integer;
begin
write('Masukkan n : ');
readln(n);
for i := 1 to n do
begin
for j := 1 to i do
begin
write ('* ');
end;
writeln;
end;
for i := 1 to j do
begin
for j := n-1 downto i do
begin
write ('* ');
end;
writeln;
end;
end.
==========================================================
dan hasilnya akan sejenis ini ;
dan bagaimana kalau dari sedikit ke banyak???
=================================================================
Program Bintang_3;
uses wincrt;
var n, i, j : integer;
begin
write('Masukkan n : ');
readln(n);
for i := 1 to n do
begin
for j :=1 to i do
begin
write('* ');
end;
writeln;
end;
end.
=======================================================================
ingat ya.. n yang diminta diisi dengan angka ^^v Read More..
ini adalah contoh penggunaan for dalam pascal..
misalnya saja kita mau bikin bintang-bintang.. yang bentuknya kayak gini
* * * * * *
* * * * *
* * * *
* * *
* *
*
kita dapat menuliskannya dalam program pascal sbb :
========================================================
Program Bintang_1;
uses wincrt;
var n, i, j : integer;
begin
write('Masukkan n : ');
readln(n);
for i := 1 to n do
begin
for j := n downto i do
begin
write('* ');
end;
writeln;
end;
end.
======================================================
hasilnya akan sbb :
program di atas dibuat dengan TPW alias Turbo Pascal for Windows.. jika teman-teman ingin membuatnya di turbo pascal atau free pascal, pakai uses crt bukan uses wincrt..
Misal teman-teman ingin membuat bentuk semacam ini
*
* *
* * *
* *
*
code berikut bisa di coba :
==========================================================
Program Bintang_2;
uses wincrt;
var n, i, j : integer;
begin
write('Masukkan n : ');
readln(n);
for i := 1 to n do
begin
for j := 1 to i do
begin
write ('* ');
end;
writeln;
end;
for i := 1 to j do
begin
for j := n-1 downto i do
begin
write ('* ');
end;
writeln;
end;
end.
==========================================================
dan hasilnya akan sejenis ini ;
dan bagaimana kalau dari sedikit ke banyak???
=================================================================
Program Bintang_3;
uses wincrt;
var n, i, j : integer;
begin
write('Masukkan n : ');
readln(n);
for i := 1 to n do
begin
for j :=1 to i do
begin
write('* ');
end;
writeln;
end;
end.
=======================================================================
ingat ya.. n yang diminta diisi dengan angka ^^v Read More..
Sabtu, 11 Juni 2011
Data Mining dan Data Warehousing
sedikit membahas tentang data mining dan data warehousing, berhubung ini resume, ya kayak gini bahasanya.. gak terlalu bagus.. hohohoho
A. Data mining merupakan proses menemukan atau “memining” pengetahuan dari data dalam jumlah yang besar.
o Data mining merupakan proses rumit mengidentifikasi pola kevalidan, ke-baruan, yang berpotensial bermanfaat, dan dipahami dalam data yang tersimpan dalam database terstruktur.
o Secara umum, data mining digunakan untuk mengidentifikasi empat jenis utama dari pola yakni asosiasi, prediksi, kluster, dan hubungan sequensial
o Terdapat empat proses dalam data mining
1. memahami bisnis / business understanding yakni mengetahui tujuan bisnis
2. data understanding / memamahami data yakni menempatkan data pada tugas bisnis yang telah terdefinisi dengan baik dan tugas bisnis yang berbeda memerlukan set data yang berbeda pula.
3. data preparation / persiapan data (data preprocessing), tujuan dari persiapan data adalah untuk mengambil data yang telah di identifikasi dari langkah sebelumnya dan mempersiapkan data tersebut untuk analisis dengan metode data mining. Yakni dengan data consolidation, data cleaning, data transformation dan data reduction.
4. model building / membangun model, dalam langkah ini berbagai teknik model dipilih dan digunakan pada dataset yang telah dipersiapkan unutk mengalamatkan kebutuhan bisnis tertentu.
5. test dan evaluasi. Model yang telah di bangun dinilai dan dievaluasi untuk keakuratan dan keumuman. Menilai apakah derajat dari model yang telah dipilih telah mencapai tujuan bisnis.
o Data mining merupakan proses untuk menggali(mining) pengetahuan dan informasi baru dari data yang berjumlah banyak pada data warehouse, dengan menggunakan kecerdasan buatan (Artificial Intelegence), statistik dan matematika. Data mining merupakan teknologi yang diharapkan dapat menjembatani komunikasi antara data dan pemakainya.
o Beberapa solusi yang diberikan data mining antara lain :
1. Menebak target pasar. Data mining dapat mengelompokkan (clustering) model-model pembeli dan melakukan klasifikasi terhadap setiap pembeli dan melakukan klasifikasi terhadap setiap pemebeli sesuai dengan karakteristik yang diinginkan.
2. Melihat pola beli dari waktu ke waktu. Data mining dapat digunakan untuk melihat pola beli dari waktu ke waktu.
3. cross-market analysis. Data mining dapat dimanfaatkan untuk melihat hubungan antara satu produk dengan produk lainnya.
4. Profil pelanggan. Data mining bisa membantu pengguna untuk melihat profil pembeli sehingga dapat diketahui kelompok pembeli tertentu cenderung kepada suatu produk apa saja.
5. Informasi summary. Data mining dapat membuat laporan summary yang bersifat multi dimensi dan dilengkapi dengan informasi statistik lainnya.
B. Data warehouse / DW merupakan kolam data yang di produksi untuk mendukung pembuatan keputusan.
o Karakteristik data warehousing :
1. Subject Oriented (Berorientasi subject). Data warehouse berorientasi subject artinya data warehouse didesain untuk menganalisa data berdasarkan subject-subject tertentu dalam organisasi,bukan pada proses atau fungsi aplikasi tertentu.
2. Integrated (Terintegrasi). Data Warehouse dapat menyimpan data-data yang berasal dari sumber-sumber yang terpisah kedalam suatu format yang konsisten dan saling terintegrasi satu dengan lainnya. Dengan demikian data tidak bisa dipecah-pecah karena data yang ada merupakan suatu kesatuan yang menunjang keseluruhan konsep data warehouse itu sendiri.
3. Time-variant (Rentang Waktu). Seluruh data pada data warehouse dapat dikatakan akurat atau valid pada rentang waktu tertentu.
4. Non Volatile. Karakteristik keempat dari data warehouse adalah non-volatile,maksudnya data pada data warehouse tidak di-update secara real time tetapi di refresh dari sistem operasional secara reguler.
5. client server. Data warehouse menggunakan arsitektur client/server untuk menyediakan akses yang mudah kepada end-user nya.
6. rela time. Data warehouse yang lebih baru menyediakan akses data real-time atau aktif dan kemampuan analisa.
7. include metada. Data warehouse berisi metadata tentang bagaimana data di organisasi dan bagaimana memanfaatkan data tersebut secara efektif.
o Komponen utama dari proses data warehousing anatara lain :
1. data sources / sumber data. Data bersumber dari beberapa operasi independen dari system legacy dan mungkin dari penyedia data eksternal.
2. ekstraksi data. Data di ekstrak menggunakan software ETL
3. Data loading. Data di load kedalam staging area diaman data di ubah dan dibersihkan menjadi data yang siap di load kedalam data warehouse
4. comprehensive database. Untuk mendukung semua analysis keputusan dengan menyediakan informasi asli yang ringkas dan detail dari sumber yang berbeda.
5. metadata. Metadata di maintain sehingga dapat diakses oleh personel IT dan user.
6. middleware tools. Memungkinkan akses ke data warehouse. Sehingga analis dapat menuliskan SQL query nya sendiri.
o Berikut ini adalah tiga jenis dasar sistem Data Warehouse :
1. Functional Data Warehouse (Data Warehouse Fungsional)
Data warehouse dibuat lebih dari satu dan dikelompokkan berdasar fungsi-fungsi yang ada di dalam perusahaan seperti fungsi keuangan(financial),marketing,personalia dan lain-lain.
2. Centralized Datawarehouse (Data Warehouse Terpusat)
Seperti bentuk data warehouse fungsional, namun terlebih dahulu sumber data dikumpulkan dalam satu tempat terpusat, kemudian data disebar ke dalam fungsinya masing-masing, sesuai kebutuhan perusahaan. Data warehouse terpusat ini, biasa digunakan oleh perusahaan yang belum memiliki jaringan eksternal.
3. Distributed Data Warehouse (Data Warehouse terdistribusi)
Menggunakan gateway yang berfungsi sebagai jembatan penghubung antara data warehouse dengan workstation yang menggunakan sistem beraneka ragam. Dengan sistem terdistribusi seperti ini memungkinkan perusahaan dapat mengakses sumber data yang berada diluar lokasi perusahaan(eksternal).
Sumber :
Inmon, W.H. 2002. Building the Data Warehouse,edisi-3. Wiley Computer Publishing.
Turban, Efraim, Ramesh Sharda, and Dursun Delen. 2011. Decision Support and Business Intelligence System. New Jersey: Pearson Education Inc.
Poe, Vidette. 1998. Building Data Warehouse for Decision Support, edisi-2. Prentice Hall. Read More..
A. Data mining merupakan proses menemukan atau “memining” pengetahuan dari data dalam jumlah yang besar.
o Data mining merupakan proses rumit mengidentifikasi pola kevalidan, ke-baruan, yang berpotensial bermanfaat, dan dipahami dalam data yang tersimpan dalam database terstruktur.
o Secara umum, data mining digunakan untuk mengidentifikasi empat jenis utama dari pola yakni asosiasi, prediksi, kluster, dan hubungan sequensial
o Terdapat empat proses dalam data mining
1. memahami bisnis / business understanding yakni mengetahui tujuan bisnis
2. data understanding / memamahami data yakni menempatkan data pada tugas bisnis yang telah terdefinisi dengan baik dan tugas bisnis yang berbeda memerlukan set data yang berbeda pula.
3. data preparation / persiapan data (data preprocessing), tujuan dari persiapan data adalah untuk mengambil data yang telah di identifikasi dari langkah sebelumnya dan mempersiapkan data tersebut untuk analisis dengan metode data mining. Yakni dengan data consolidation, data cleaning, data transformation dan data reduction.
4. model building / membangun model, dalam langkah ini berbagai teknik model dipilih dan digunakan pada dataset yang telah dipersiapkan unutk mengalamatkan kebutuhan bisnis tertentu.
5. test dan evaluasi. Model yang telah di bangun dinilai dan dievaluasi untuk keakuratan dan keumuman. Menilai apakah derajat dari model yang telah dipilih telah mencapai tujuan bisnis.
o Data mining merupakan proses untuk menggali(mining) pengetahuan dan informasi baru dari data yang berjumlah banyak pada data warehouse, dengan menggunakan kecerdasan buatan (Artificial Intelegence), statistik dan matematika. Data mining merupakan teknologi yang diharapkan dapat menjembatani komunikasi antara data dan pemakainya.
o Beberapa solusi yang diberikan data mining antara lain :
1. Menebak target pasar. Data mining dapat mengelompokkan (clustering) model-model pembeli dan melakukan klasifikasi terhadap setiap pembeli dan melakukan klasifikasi terhadap setiap pemebeli sesuai dengan karakteristik yang diinginkan.
2. Melihat pola beli dari waktu ke waktu. Data mining dapat digunakan untuk melihat pola beli dari waktu ke waktu.
3. cross-market analysis. Data mining dapat dimanfaatkan untuk melihat hubungan antara satu produk dengan produk lainnya.
4. Profil pelanggan. Data mining bisa membantu pengguna untuk melihat profil pembeli sehingga dapat diketahui kelompok pembeli tertentu cenderung kepada suatu produk apa saja.
5. Informasi summary. Data mining dapat membuat laporan summary yang bersifat multi dimensi dan dilengkapi dengan informasi statistik lainnya.
B. Data warehouse / DW merupakan kolam data yang di produksi untuk mendukung pembuatan keputusan.
o Karakteristik data warehousing :
1. Subject Oriented (Berorientasi subject). Data warehouse berorientasi subject artinya data warehouse didesain untuk menganalisa data berdasarkan subject-subject tertentu dalam organisasi,bukan pada proses atau fungsi aplikasi tertentu.
2. Integrated (Terintegrasi). Data Warehouse dapat menyimpan data-data yang berasal dari sumber-sumber yang terpisah kedalam suatu format yang konsisten dan saling terintegrasi satu dengan lainnya. Dengan demikian data tidak bisa dipecah-pecah karena data yang ada merupakan suatu kesatuan yang menunjang keseluruhan konsep data warehouse itu sendiri.
3. Time-variant (Rentang Waktu). Seluruh data pada data warehouse dapat dikatakan akurat atau valid pada rentang waktu tertentu.
4. Non Volatile. Karakteristik keempat dari data warehouse adalah non-volatile,maksudnya data pada data warehouse tidak di-update secara real time tetapi di refresh dari sistem operasional secara reguler.
5. client server. Data warehouse menggunakan arsitektur client/server untuk menyediakan akses yang mudah kepada end-user nya.
6. rela time. Data warehouse yang lebih baru menyediakan akses data real-time atau aktif dan kemampuan analisa.
7. include metada. Data warehouse berisi metadata tentang bagaimana data di organisasi dan bagaimana memanfaatkan data tersebut secara efektif.
o Komponen utama dari proses data warehousing anatara lain :
1. data sources / sumber data. Data bersumber dari beberapa operasi independen dari system legacy dan mungkin dari penyedia data eksternal.
2. ekstraksi data. Data di ekstrak menggunakan software ETL
3. Data loading. Data di load kedalam staging area diaman data di ubah dan dibersihkan menjadi data yang siap di load kedalam data warehouse
4. comprehensive database. Untuk mendukung semua analysis keputusan dengan menyediakan informasi asli yang ringkas dan detail dari sumber yang berbeda.
5. metadata. Metadata di maintain sehingga dapat diakses oleh personel IT dan user.
6. middleware tools. Memungkinkan akses ke data warehouse. Sehingga analis dapat menuliskan SQL query nya sendiri.
o Berikut ini adalah tiga jenis dasar sistem Data Warehouse :
1. Functional Data Warehouse (Data Warehouse Fungsional)
Data warehouse dibuat lebih dari satu dan dikelompokkan berdasar fungsi-fungsi yang ada di dalam perusahaan seperti fungsi keuangan(financial),marketing,personalia dan lain-lain.
2. Centralized Datawarehouse (Data Warehouse Terpusat)
Seperti bentuk data warehouse fungsional, namun terlebih dahulu sumber data dikumpulkan dalam satu tempat terpusat, kemudian data disebar ke dalam fungsinya masing-masing, sesuai kebutuhan perusahaan. Data warehouse terpusat ini, biasa digunakan oleh perusahaan yang belum memiliki jaringan eksternal.
3. Distributed Data Warehouse (Data Warehouse terdistribusi)
Menggunakan gateway yang berfungsi sebagai jembatan penghubung antara data warehouse dengan workstation yang menggunakan sistem beraneka ragam. Dengan sistem terdistribusi seperti ini memungkinkan perusahaan dapat mengakses sumber data yang berada diluar lokasi perusahaan(eksternal).
Sumber :
Inmon, W.H. 2002. Building the Data Warehouse,edisi-3. Wiley Computer Publishing.
Turban, Efraim, Ramesh Sharda, and Dursun Delen. 2011. Decision Support and Business Intelligence System. New Jersey: Pearson Education Inc.
Poe, Vidette. 1998. Building Data Warehouse for Decision Support, edisi-2. Prentice Hall. Read More..
Teks Mining dan Web Mining
Dalam post ini, saya sekedar menuangkan tugas kuliah saya buat resume, dari pada ilang, saya suka nge-post tugas-tugas lama saya.. hehehehehe.. ini tentang teks mining dan web mining
Teks Mining
Teks mining/text data mining merupakan proses semi otomatis untuk mengekstrak polainformasi penting dan pengetahuan dari sumber data tidak terstruktur yang sangat besar (Turban et al.,2011). Beberapa area aplikasi terpopuler dalam teks mining antara ekstraksi informasi, topic tracking, summarization, categorization, clustering, concept linking dan question answering. Bidang-bidang yang memanfaatkan aplikasi text mining antara lain bidang marketing, security, biomedis, dan akademik.
Salah satu komponen penting dalam teks mining adalah natural language processing (NLP). NLP mempelajari maslah untuk memahami bahasa natural manusia dengan mengubah representasi dari bahasa manusia kebahasa yang lebih formal (angka atau simbol) yang lebih mudah dimanipulasi oleh program komputer. Proses teks mining yakni (Turban et al., 2011):
1. Menyusun bahan. Bertujuan untuk mengumpulkan seluruh dokumen yang berkaitan dengan konteks yang dipelajari. Terasuk dokumen teks, file-file xml, email, web page dan catatan pendek. Semua yang telah terkumpul di ubah kedalam bentuk representasi yang sama untuk di proses oleh komputer
2. Membuat Term-Document Matrix (TDM). Dokumen yeang telah terdigitisasi dan terorganisasi digunakan untuk membuat TDM. Dalam TDM baris merepresentasikan doukumen dan kolom merepresentasikan term. Hubungan anatar dokumen dan term dikarakterisasikan dengan indeks. Yakni untuk menemukan hubungan anatar dokumen dan term yang paling tepat.
3. Mengekstrak pengetahuan dengan klasifikasi yakni dengan mengkategorikan teks, clustering dengan mengelompokkan objek kedalam cluster tanpa memprioritaskan pengetahuan tertentu, asosiasi untuk mengidentifikasi himpunan-himpunan yang sering bersama, dan analisis tren.
Teks mining adalah aplikasi data mining untuk file teks tidak terstruktur atau kurang terstruktur. Data mining mengambil keuntungan dari infrastruktur data yang disimpan untuk mengekstrak informasi yang prediktif. Misalnya untuk mengetahui tren berita saat ini dan akan berbeda untuk masa-masa berikutnya. Kemudian berita tersebut akan menjadi tren kembali pada masa tertentu.
Teks mining membantu menemukan isi tersembunyi dari dokumen atau inti dari dokumen termasuk hubungan tambahan yang penting di dalam dokumen tersebut. Teks mining juga membantu mengelompokkan dokumen kedalam tema-tema tertentu. Sehingga dapat diringkas bahwa definisi text mining yakni menambang data yang berupa teks dimana sumber data biasanya didapatkan dari dokumen, dan tujuannya adalah mencari kata-kata yang dapat mewakili isi dari dokumen sehingga dapat dilakukan analisa keterhubungan antar dokumen.
Tahapan teks mining secara umum (Mooney, 2006) adalah, Tokenizing merupakan tahan pemotongan string input berdasarkan tiap kata yang menyusunnya. Filtering merupakan tahap mengambil kata-kata penting dari hasil token. Bisa menggunakan algoritma stop list (membuang jata yang kurang penting) atau word list (menyimpan kata penting). Stemming adalah tahap mencari root kata dari setiap kata hasil filtering. Tagging adalah tahap mencari bentuk awal/root dari tiap kata lampau atau kata hasil stemming. Analyzing merupakan tahap penentuan seberapa jauh keterhubungan antar kata-kata anatar dokumen yang ada.
Web mining
Web mining merupakan aplikasi teknik data mining untuk menemukan pola, profil, dan tren dari web site (Lee, 2004). Web mining dapat didefinisikan sebagai penemuan dan analisis dari informasi yang menarik dan penting dari web, tentang web dan biasanya menggunakan web based tool. Web mining digunakan untuk mendeskripsikan tiga tipe information mining, yakni web content mining, web structure mining dan web usage mining.
Web content mining merupakan proses menemukan informasi dari jutaan dokumen web dan menunjuk kepada ekstraksi informasi penting dari web serta banyak digunakan untuk meningkatkan hasil pencarian yang dihasilkan oleh search engine.
Web structure mining menunjuk proses ekstraksi informasi penting dari link yang terdapat pada web page dan digunakan untuk mengidentifikasi penulisan halaman dan merupakan batu loncatan untuk page rank dalam search engine.
Web usage mining merupakan proses untuk menganalisa apa yang dilakukan oleh pengguna di web atau analisa clickstream data baik melalui web server log, user profile, dan informasi transaksi. Dalam web mining, data clickstream tersimpan di dalam data warehouse click stream khusus atau di data mart. Singkatnya, web mining merupakan alat mining yang digunakan untuk menganalisa data dalam jumlah yang besar di web.
Web mining merupakan penemuan dari pola yang penting, profil dan tren yang ditindaklanjuti dan bersumber dari web didefinisikan sebagai web mining (Turban, et al,. 2005). Misalnya dalam suatu toko online, customer hanya mengakses produk-produk atau service tertentu. dari perilaku customer ini dapat ditemukan pola ketertarikan dari si customer tersebut sehingga dapat dibuat suatu penawaran atau iklan tentang produk-produk tersebut yang dikirim ke email customer.
Dalam web content mining, perilaku customer dianalisa menurut tipe informasi yang mereka akses di web site. Dimana web-usage mining melibatkan log web akses dari customer, pola akses dan pola browsing. Dari mining tool, informasi produk mana yang paling banyak dilihat oleh customer dapat di identifikasi
Referensi :
Lee , Laurence Lock . 2004. Web Mining . LEF Research Grant. Melbourne : Australia Group
Mooney, Raymond J. 2006. Machne learning text categorization. University of texas at Austin.
Turban, Efraim, Ramesh Sharda, and Dursun Delen. 2011. Decision Support and Business Intelligence System. New Jersey: Pearson Education Inc.
Turban, E., et al. 2005. Decision Support and Intelligent Systems. Upper Saddle River, NJ: Prentice Hall. Read More..
Teks Mining
Teks mining/text data mining merupakan proses semi otomatis untuk mengekstrak polainformasi penting dan pengetahuan dari sumber data tidak terstruktur yang sangat besar (Turban et al.,2011). Beberapa area aplikasi terpopuler dalam teks mining antara ekstraksi informasi, topic tracking, summarization, categorization, clustering, concept linking dan question answering. Bidang-bidang yang memanfaatkan aplikasi text mining antara lain bidang marketing, security, biomedis, dan akademik.
Salah satu komponen penting dalam teks mining adalah natural language processing (NLP). NLP mempelajari maslah untuk memahami bahasa natural manusia dengan mengubah representasi dari bahasa manusia kebahasa yang lebih formal (angka atau simbol) yang lebih mudah dimanipulasi oleh program komputer. Proses teks mining yakni (Turban et al., 2011):
1. Menyusun bahan. Bertujuan untuk mengumpulkan seluruh dokumen yang berkaitan dengan konteks yang dipelajari. Terasuk dokumen teks, file-file xml, email, web page dan catatan pendek. Semua yang telah terkumpul di ubah kedalam bentuk representasi yang sama untuk di proses oleh komputer
2. Membuat Term-Document Matrix (TDM). Dokumen yeang telah terdigitisasi dan terorganisasi digunakan untuk membuat TDM. Dalam TDM baris merepresentasikan doukumen dan kolom merepresentasikan term. Hubungan anatar dokumen dan term dikarakterisasikan dengan indeks. Yakni untuk menemukan hubungan anatar dokumen dan term yang paling tepat.
3. Mengekstrak pengetahuan dengan klasifikasi yakni dengan mengkategorikan teks, clustering dengan mengelompokkan objek kedalam cluster tanpa memprioritaskan pengetahuan tertentu, asosiasi untuk mengidentifikasi himpunan-himpunan yang sering bersama, dan analisis tren.
Teks mining adalah aplikasi data mining untuk file teks tidak terstruktur atau kurang terstruktur. Data mining mengambil keuntungan dari infrastruktur data yang disimpan untuk mengekstrak informasi yang prediktif. Misalnya untuk mengetahui tren berita saat ini dan akan berbeda untuk masa-masa berikutnya. Kemudian berita tersebut akan menjadi tren kembali pada masa tertentu.
Teks mining membantu menemukan isi tersembunyi dari dokumen atau inti dari dokumen termasuk hubungan tambahan yang penting di dalam dokumen tersebut. Teks mining juga membantu mengelompokkan dokumen kedalam tema-tema tertentu. Sehingga dapat diringkas bahwa definisi text mining yakni menambang data yang berupa teks dimana sumber data biasanya didapatkan dari dokumen, dan tujuannya adalah mencari kata-kata yang dapat mewakili isi dari dokumen sehingga dapat dilakukan analisa keterhubungan antar dokumen.
Tahapan teks mining secara umum (Mooney, 2006) adalah, Tokenizing merupakan tahan pemotongan string input berdasarkan tiap kata yang menyusunnya. Filtering merupakan tahap mengambil kata-kata penting dari hasil token. Bisa menggunakan algoritma stop list (membuang jata yang kurang penting) atau word list (menyimpan kata penting). Stemming adalah tahap mencari root kata dari setiap kata hasil filtering. Tagging adalah tahap mencari bentuk awal/root dari tiap kata lampau atau kata hasil stemming. Analyzing merupakan tahap penentuan seberapa jauh keterhubungan antar kata-kata anatar dokumen yang ada.
Web mining
Web mining merupakan aplikasi teknik data mining untuk menemukan pola, profil, dan tren dari web site (Lee, 2004). Web mining dapat didefinisikan sebagai penemuan dan analisis dari informasi yang menarik dan penting dari web, tentang web dan biasanya menggunakan web based tool. Web mining digunakan untuk mendeskripsikan tiga tipe information mining, yakni web content mining, web structure mining dan web usage mining.
Web content mining merupakan proses menemukan informasi dari jutaan dokumen web dan menunjuk kepada ekstraksi informasi penting dari web serta banyak digunakan untuk meningkatkan hasil pencarian yang dihasilkan oleh search engine.
Web structure mining menunjuk proses ekstraksi informasi penting dari link yang terdapat pada web page dan digunakan untuk mengidentifikasi penulisan halaman dan merupakan batu loncatan untuk page rank dalam search engine.
Web usage mining merupakan proses untuk menganalisa apa yang dilakukan oleh pengguna di web atau analisa clickstream data baik melalui web server log, user profile, dan informasi transaksi. Dalam web mining, data clickstream tersimpan di dalam data warehouse click stream khusus atau di data mart. Singkatnya, web mining merupakan alat mining yang digunakan untuk menganalisa data dalam jumlah yang besar di web.
Web mining merupakan penemuan dari pola yang penting, profil dan tren yang ditindaklanjuti dan bersumber dari web didefinisikan sebagai web mining (Turban, et al,. 2005). Misalnya dalam suatu toko online, customer hanya mengakses produk-produk atau service tertentu. dari perilaku customer ini dapat ditemukan pola ketertarikan dari si customer tersebut sehingga dapat dibuat suatu penawaran atau iklan tentang produk-produk tersebut yang dikirim ke email customer.
Dalam web content mining, perilaku customer dianalisa menurut tipe informasi yang mereka akses di web site. Dimana web-usage mining melibatkan log web akses dari customer, pola akses dan pola browsing. Dari mining tool, informasi produk mana yang paling banyak dilihat oleh customer dapat di identifikasi
Referensi :
Lee , Laurence Lock . 2004. Web Mining . LEF Research Grant. Melbourne : Australia Group
Mooney, Raymond J. 2006. Machne learning text categorization. University of texas at Austin.
Turban, Efraim, Ramesh Sharda, and Dursun Delen. 2011. Decision Support and Business Intelligence System. New Jersey: Pearson Education Inc.
Turban, E., et al. 2005. Decision Support and Intelligent Systems. Upper Saddle River, NJ: Prentice Hall. Read More..
Buat Lagi
Setelah sekian lama gak nge-blog.. domain hosting q juga udah ilang gara-gara gak pernah di buka dan diurus, akhirnya saya memutuskan untuk membuat blog saja. Blog saya yang satu lagi di universitas telah di masuki banyak spam, saya jadi muales ngurus juga (itu juga lama gak di buka). yap, let's start blogging....
Read More..
Langganan:
Postingan (Atom)