Belajar Gratis Sistem Informasi & Informatika

Pada post artikel sebelumnya, tentang: Pengenalan Singkat Tentang Big Data Analytics , dikatakan bahwa data tidak berguna apabila tidak memberikan nilai bisnis, dan supaya data mampu memberikan nilai bisnis, data harus di-analisa Berikut di bawah ini adalah beberapa contoh kecil dalam penerapan analisa data dalam bisnis dan apa nilai (manfaat) bisnisnya. Analisa tentang segmentasi pelanggan.  Problem bisnis: Pelanggan kita berada di segmen market yang mana? Apa saja karakteristik mereka? Nilai bisnis: Untuk membuat personalisasi hubungan dengan pelanggan (customer relationship) untuk kepuasan yang lebih baik dan retensi.

Big Data, yang sering disebut-sebut sebagai "banyak hal bagi banyak orang", bukanlah suatu ke-iseng-an belaka tentang teknologi yang baru. Big Data adalah prioritas bisnis yang berpotensi untuk mengubah secara mendalam landskap kompetitif pada ekonomi yang terintegrasi secara global saat ini. Selain memberikan solusi-solusi yang inovatif untuk menghadapi masalah bisnis yang selalu ada (masalah yang abadi 😃), Big Data dan Analytics mendorong cara-cara baru dalam mentransformasi berbagai macam proses, organisasi, seluruh industri, dan bahkan semua masyarakat. Tetapi, pemberitaan media yang sangat ekstensif membuatnya sulit membedakan antara yang sensasi dan kenyataan.  Apa yang dimaksud dengan Big Data?

Sudah banyak yang menjawab pertanyaan ini...jika Anda sedang mencari peluang kerja - saat ini dan hingga masa mendatang yang masih sulit diprediksi, Android sedang dan masih akan tumbuh sangat pesat. Android menyebar ke seluruh penjuru dunia karena hadir di berbagai perangkat dan di semakin lama semakin banyak di genggaman tangan orang. Perusahaan akan selalu menginginkan produk-produk mereka berjalan pada perangkat Android. Ini berarti permintaan untuk para pengembang mobile dengan spesialisasi di Android akan terus tumbuh di masa mendatang.

Sawyer (1999) menjelaskan apa yang dia sebut sebagai "tujuh kesalahan besar dalam proses pengambilan keputusan." Ini adalah perangkap umum yang terjadi dalam pengambilan keputusan yang seringkali tanpa disadari si pengambil keputusan. Mereka semua saling terkait. Tujuh kesalahan besar ini adalah: Percaya bahwa Anda sudah memiliki semua jawaban (tidak ada usaha untuk mencari informasi di luar atau keahlian Anda). Mengajukan pertanyaan yang salah (Anda perlu informasi yang tepat untuk membuat keputusan). Ego yang sudah kuat (ego setan tua, yaitu pembuat keputusan merasa dia yang benar dan menolak untuk mundur dari kebijakan atau keputusan yang buruk). Memutuskan sesuatu dengan berdasarkan inisiatif sendiri atau persepsi sendiri dan mengabaikan rencana yang sudah ditentukan atau bantuan-bantuan lainnya, dan tanpa menggunakan kemampuan atau pengalaman yang diperlukan (Dengan tidak mencari informasi, sebuah organisasi menghemat uang dan membuat keputusan yang buruk). Se...

Metode mana yang lebih handal antara k-means vs k-medoids ?  Metode k-medoids lebih handal dibanding dengan k-means ketika ada data noise dan pencilan karena k-medoids tidak terlalu dipengaruhi oleh data pencilan atau data ekstrem lainnya dibandingkan dengan k-means. Namun demikian, kompleksitas tiap-tiap iterasi dalam algoritma k-medoids secara komputasi adalah O(k(n-k) 2 ) . [Baca artikel sebelumnya tentang: Penjelasan k-Medoids, Algoritma, dan Contohnya ]. Bila nilai n dan k sangat besar, komputasi ini mejadi sangat mahal (lama dan rumit), dan jauh lebih mahal dibanding dengan metode k-means. Kesamaan dari kedua metode tersebut adalah bahwa pengguna perlu menetapkan k atau jumlah clusternya. Berikut di bawah ini adalah tabel yang lebih menjelaskan tentang kajian perbandingan antara k-means vs k-medoids dalam beberapa aspek: Perbandingan k-means vs k-medoids dalam beberapa aspek

Pada artikel sebelumnya tentang kelemahan k-means dan contohnya (lihat pada artikel sebelumnya disini) , algoritma k-means sangat sensitif terhadap pencilan (outliers) karena object-object pencilan sangat jauh berbeda dari object lain pada umumnya sehingga ketika dimasukkan ke dalam suatu cluster, object-object seperti itu mendistorsi nilai rerata (mean) dari cluster tersebut. Hal ini secara tak sengaja berpengaruh pada object-object lainnya. Contoh tentang kelemahan ini bisa dibaca lagi di artikel sebelumnya [ Kelemahan k-means dan Contohnya ].

Algoritma k-Means sangat sensitif terhadap pencilan (outliers) karena object-object seperti ini sangat jauh letaknya/karakteristiknya dari mayoritas data lainnya, dan dengan demikian bila dimasukkan ke suatu cluster, data semacam ini bisa mendistorsi nilai rerata cluster secara dramatis. Hal ini secara tak sengaja akan mengubah penetapan object-object lainnya ke cluster-cluster. Efek ini diperburuk lagi karena penggunaan fungsi error kuadrat, seperti bisa dilihat di contoh berikut. Contoh kelemahan k-Means. Misalkan ada enam titik dalam ruang 1-D (satu dimensi) yang nilai-nilainya adalah sebagai berikut: 1,2,3,8,9,10, dan 25. Secara intuitif, dengan melihat secara visual kita bisa membayangkan bahwa titik-titik tersebut dipartisi menjadi cluster {1,2,3} dan {8,9,10}. dimana titik 25 dikeluarkan karena terlihat sebagai suatu pencilan (outlier). Tetapi, bagaimanakah k-means akan mempartisi nilai-nilai tersebut? Jika kita menerapkan k-means dengan menggunakan k = 2 dan menggunakan p...