Microsoft Visual Studio Professional Edition 2005

Microsoft Visual Studio Professional Edition 2005

Download Microsof Visual Studio Professional Edition 2005

• untuk download klik link dibawah ini....

Microsoft Visual Studio 2005 Part1 

Microsoft Visual Studio 2005 Part2  

Microsoft Visual Studio 2005 Part3 

Microsoft Visual Studio 2005 Part4















sumber:http://siaf-aceh.com/article/891/microsoft-visual-studio-2005-full-version.html

Read more »

Sistem Pendukung Keputusan Pemilihan Objek Wisata pemodelan AHP dengan menggunakan Expert Choice.

BAB 1

PENDAHULUAN

A.    Latar Belakang

            Sistem Pendukung Keputusan adalah suatu sistem yang berbasis komputer yang ditujukan untuk membantu pengambil keputusan dengan memanfaatkan data dan model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur.

            Pada  kasus yang kita ambil ditemukan permasalahan untuk menentukan tempat wisata kami menggunakan pemodelan AHP dengan menggunakan Expert Choice.  

Tujuan : Menentukan tempat wisata

Kriteria yang kita gunakan yaitu :

·       Jarak

·       Keindahan

·       Sarana

Alternatif tempat wisata yaitu           :

·       Balai Kambang

·       Kolam Renang Cokro

·       PASS Ketep

·       Tawang Mangu

·       Pantai Sundak

·       Pantai Nampu

note : untuk melihat BAB selanjutnya silahkan download disini

Read more »

Analisis Kinerja Sistem Pengolahan Nilai Raport SMP 2 GIRITONTRO

BAB I

PENDAHULUAN

1.1.          Latar Belakang

Salah satu tujuan dalam mata kuliah Analisis Kinerja Sistem adalah melakukan analisa sistem yang berjalan, yang diharapkan dapat memberikan masukan atau rekomendasi dalam rangka mengevaluasi sistem tersebut.

Agar tujuan tersebut mampu diwujudkan, maka dosen pengampu memberikan tugas untuk survei dan menganalisa sebuah sistem yang sudah berjalan pada instansi atau perusahaan.

Dalam pengolahan data nilai siswa dibutuhkan sebuah pengetahuan dan teknologi yang tepat supaya informasi yang dihasilkan tepat guna. Dengan hal tersebut, kami selaku penulis berkeinginan untuk menganalisa sebuah sistem pengolahan nilai raport yang sudah berjalan di SMP 2 GIRITONTRO. Di SMP 2 GIRITONTRO. Dari analisa yang kami lakukan terhadap sistem, diharapkan mampu mengetahui kinerja dari sistem yang telah digunakan.

1.2.          Pembatasan Masalah

Agar permasalahan yang dimaksud oleh penulis dalam penelitian ini tidak terlalau meluas dan mudah dipahami oleh pembaca, maka penulis hanya memberikan pembatasan-pembatasan masalah sebagai berikut:

1.     Data Siswa

2.     Data Guru

3.     Data Wali Kelas

4.     Data Mata Pelajaran

5.     Data Ekstrakulikuler

6.     Data Nilai Mata Pelajaran

7.     Data Nilai Ekstrakulikuler

8.     Transaksi pengolahan nilai raport

9.     Laporan-laporan yang terkait dengan pengolahan nilai raport.

1.3.          Metode Penelitian

Untuk memperoleh data yang tepat dan akurat guna kesempurnaan sistem yang akan dibuat, maka penulis menggunakan beberapa metode pengumpulan data. Metode-metode tersebut diantaranya:

1.3.1.     Metode observasi

Penulis secara langsung mengamati aktivitas yang berkaitan dengan sistem pengolahan nilai raport yang sudah berjalan selama ini sehingga dapat mengetahui sistem kerjanya dan juga mempelajari bentuk-bentuk formulir dan output. Dari metode tersebut penulis mendapatkan beberapa formulir yang dibutuhkan untuk menganalisa sistem pengolahan nilai raport yang meliputi:

1.       Formulir data Siswa

2.       Formulir data Guru

3.       Formulir data Wali Kelas

4.       Formulir data Mata Pelajaran

5.       Formulir data Ekstrakulikuler

6.       Formulir data Nilai Mata Pelajaran

1.3.2.     Metode Interview

Dalam metode ini kami mengumpulkan data-data dengan mengajukan sejumlah pertanyaan yang berkaitan dengan penelitian antara lain tentang pengolahan nilai raport, data-data guru dan data data-data mata pelajaran yang ada disana.

 note : untuk BAB selanjutnya bisa di download disini

Read more »

Teknik-Teknik Data Mining

Teknik-Teknik Data Mining

1.     Classification

Classification adalah tindakan untuk memberikan kelompok pada setiap keadaan. Setiap keadaan berisi sekelompok atribut, salah satunya adalah class attribute. Metode ini butuh untuk menemukan sebuah model yang dapat menjelaskan class attribute itu sebagai fungsi dari input attribute.

Contohnya kita lihat pada contoh kasus College Plan

Class adalah attribute CollegePlans yang berisi dua pernyataan, Yes dan No, perhatikan ini.

Sebuah Classification Model akan menggunakan atribut lain dari kasus tersebut (input attribut; yaitu kolom IQ, Gender, ParentIncome, dan ParentEncouragement) untuk dapat menentukan pola (pattern) class (Output Attribute; yaitu Kolom CollegePlans yang berisi Yes atau No).

Algoritma Data Mining yang membutuhkan variabel target untuk belajar (sampai mendapatkan rule / pola yang berlaku pada data tersebut) kita standarkan dengan sebutan dengan Supervised Algorithm. Yang termasuk kepada Classification Algorithm adalah Decision Trees, Neural Network dan Naives Bayes.

2.     Clustering

Clustering juga disebut sebagai segmentation. Metoda ini digunakan untuk mengidentifikasi kelompok alami dari sebuah kasus yang di dasarkan pada sebuah kelompok atribut, mengelompokkan data yang memiliki kemiripan atribut. Gambar ini menunjukkan kelompok data pelanggan sederhana yang berisi dua atribut, yaitu Age (Umur) dan Income (Pendapatan). Algoritma Clustering mengelompokkan kelompok data kedalam tiga segment berdasarkan kedua atribut ini.

• Cluster 1 berisi populasi berusia muda dengan pendapatan rendah
• Cluster 2 berisi populasi berusia menengah dengan pendapatan yang lebih tinggi
• Cluster 3 berisi populasi berusia tua dengan pendapatan yang relatif rendah.

Clustering adalah metode data mining yang Unsupervised, karena tidak ada satu atributpun yang digunakan untuk memandu proses pembelajaran, jadi seluruh atribut input diperlakukan sama. Kebanyakan Algoritma Clustering membangun sebuah model melalui serangkaian pengulangan dan berhenti ketika model tersebut telah memusat atau berkumpul (batasan dari segmentasi ini telah stabil).

3.     Association

Association juga disebut sebagai Market Basket Analysis. Sebuah problem bisnis yang khas adalah menganalisa tabel transaksi penjualan dang mengidentifikasi produk-produk yang seringkali dibeli bersamaan oleh customer, misalnya apabila orang membeli sambal, biasanya juga dia membeli kecap. Kesamaan yang ada dari data pembelian digunakan untuk mengidentifikasi kelompok kesamaan dari produk dan kebiasaan apa yang terjadi guna kepentingan cross-selling seperti gambar dibawah ini.

Beberapa hal dapat kita baca, misalnya :

• Ketika orang membeli susu, dia biasanya membeli keju
• Ketika orang membeli pepsi atau coke, biasanya dia membeli juice

Didalam istilah association, setiap item dipertimbangkan sebagai informasi.

Metode association memiliki dua tujuan:

• Untuk mencari produk apa yang biasanya terjual bersamaan
• Untuk mencari tahu apa aturan yang menyebabkan kesamaan tersebut.

4.     Regression

Metode Regression mirip dengan metode Classification, yang membedakannya adalah metode regression tidak bisa mencari pola yang dijabarkan sebagai class (kelas). Metoda regression bertujuan untuk mecari pola dan menentukan sebuah nilai numerik.

Sebuah Teknik Linear Line-fitting sederhana adalah sebuah contoh dari Regression, dimana hasilnya adalah sebuah fungsi untuk menentukan hasil yang berdasarkan nilai dari input. Bentuk yang lebih canggih dari regression sudah mendukung input berupa kategori, jadi tidak hanya input berupa numerik. Teknik paling popular yang digunakan untuk regression adalah linear regression dan logistic regression. Teknik lain yang didukung oleh SQL Server Data mining adalah Regression Trees (bagian dari dari algoritma Microsoft Decission Trees) dan Neural Network.

Regression digunakan untuk memecahkan banyak problem bisnis, contohnya untuk memperkirakan metode distribusi, kapasitas distribusi, musim dan untuk memperkirakan kecepatan angin berdasarkan temperatur, tekanan udara, dan kelembaban.

5.     Forecasting

Forecasting adalah metode data mining yang sangat penting. Contohnya digunakan untuk menjawab pertanyaan seperti berikut:

·       Seperti apa jadinya nilai saham dari Microsoft Corporation (pada NASDAQ, disimbolkan sebagai MSFT) pada keesokan hari?

·       Sebanyak apa penjualan produk tertentu pada bulan depan?

Teknik Forecasting dapat membantu menjawab pertanyaan-pertanyaan diatas. Sebagai inputnya teknik Forecasting akan mengambil sederetan angka yang menunjukkan nilai yang berjalan seiring waktu dan kemudian Teknik Forecasting ini akan menghubungkan nilai masa depan dengan menggunakan bermacam-macam teknik machine-learning dan teknik statistik yang berhubungan dengan musim, trend, dan noise pada data.

Gambar diatas menunjukkan dua kurva, garis yang tegas adalah time-series data sebenarnya dari nilai saham Microsoft, dan garis putus-putus adalah time series model yang memprediksi nilai saham berdasarkan nilai saham pada masa lalu.

6.     Sequence Analysis

Sequence Anlysis digunakan untuk mencari pola pada serangkaian kejadian yang disebut dengan Sequence. Sebagai contoh sebuah DNA terdiri dari rangaian bagian: A, G, C, dan T. dan rangkaian klik pada sebuah website berisi rentetan URL. Pada kejadian nyata anda mungkin memodelkan pembelian oleh pelanggan sebagai sebuah sequence (rangkaian) data, rangkaian tersebut adalah:

• Pertama-tama Seorang pelanggan membeli komputer
• kemudian membeli speaker
• dan akhirnya membeli sebuah webcam.

Baik Sequence maupun time-series data mempunyai kemiripan, mereka sama sama berisi tinjauan berdekatan yang urutannya bergantung. Bedanya adalah sebuah time-series berisi data bertipe numerik, dan sebuah sequence series berisi bagian yang khas.

Gambar ini menunjukan rangkaian klik pada sebuah website berita. Setiap node adalah sebuah kategori URL. Dan garis melambangkan transisi antar kategori URL tersebut. Setiap transisi di kelompokan dengan sebuah bobot yang menggambarkan kemungkinan transisi antara satu URL dan URL yang lain.

Sumber : http://ishwara.us/metode-data-mining/

Read more »