dss

DSS & EISDSS & EIS

Lab work

‐Matlab, Weka, SPSS‐Matlab, Weka, SPSS

Computerised Tools for Decision ( b )Support (Turban, 2007)

Tools Category Their acronyms

Data Management DBMS, ETL, DM, DW

Reporting Status Tracking OLAP, EIS

Visualisation GIS Dashboards Information PortalsVisualisation GIS, Dashboards, Information Portals,Multidimensional presentations

Business Analytics Optimization, Data Mining, Web Mining, Text Miningg

Strategy and Performance Management BPM, CPM

Communication and Collaboration GDSS, DSS, Collaborative Information PortalsPortals

Knowledge Management KMS, Expert Locating System

Intelligence System ES, ANN, Fuzzy Logic, GA, Intelligent Agents ADSAgents, ADS

Enterprise System ERP, CRM, SCM

OptimizationOptimization

• A family of Mathematical Programming isA family of Mathematical Programming is consist of– Linear Programming– Linear Programming

– Non‐linear Programming

Integer Programming– Integer Programming

– Mix Integer Linear Programming

G l P i– Goal Programming

– dll.

Linear & Nonlinear ProgrammingLinear & Nonlinear Programming

Mix Integer Linear ProgrammingMix Integer Linear Programming

Intelligence SystemIntelligence System

•Self Learning•Self LearningANN Self Learning•Parallel ProcessSelf Learning

•Parallel ProcessANN

•Inferencek

• InferencekFuzzy •Making Decision•Making DecisionFuzzy

•Optimizes•Robust•Optimizes•RobustGA RobustRobust

•Diintisarikan dari paper : A new method of Soft Computing to estimate the economic •contribution rate of education in China

NEURAL NETWORKNEURAL NETWORK

NEURAL NETWORKNEURAL NETWORK

• The cell itself includes a nucleus (at the center). ( )• To the right of cell 2, the dendrites provide input signals to the cell.

• To the right of cell 1, the axon sends output signals to cell 2 via the axon terminals. These axon terminals merge with the dendrites of cell 2merge with the dendrites of cell 2.

ARTIFICIAL NEURAL NETWORKARTIFICIAL NEURAL NETWORK

• Signals can be transmitted unchanged or they can be altered g g yby synapses. – A synapse is able to increase or decrease the strength of the

connection from the neuron to neuron and cause excitation orconnection from the neuron to neuron and cause excitation or inhibition of a subsequence neuron.

– This is where information is stored.

Th i f ti i biliti f bi l i l l• The information processing abilities of biological neural systems must follow from highly parallel processes operating on representations that are distributed over many neurons. One motivation for ANN is to capture this kind of highly parallel computation based on distributed representations.


• Biological vs Artificial NNBiological vs Artificial NN

Biological Artificial

Soma: Nucleus Node

Dendrites Input

Axon OutputAxon Output

Synapse Weight

Slow Speed Fast Speed

Many neurons (109) Few neurons (a dozen to hundreds of thousands)


• Note the three layers: y1.input2. intermediate (called the hidden layer) 3.output. S l hidd l b l d b t th i t• Several hidden layers can be placed between the input and output layers.


InputInputOne input node corresponds to a single attributeSome available data need to be preprocessed into

f l d d h b lmeaningful inputted data with symbolic representation or scaling e.g. transform non numerical attributes into numerical attributes

OutputSolution to the problemE i l d li ti th t t b ithE.g. in load application, the output can be yes or no with numeric valuesNeed to be post‐processed. For instance, rounding output values into 0 or 1


Connection WeightsgKey elements of ANNExpress relative strength (importance) of input data or

ti th t t f d t f l t lmany connections that transfer data from layer to layerWeights store learned patterns of information through repeated adjustments of weights


• Merepresentasikan struktur multilayer feedfoward network. p y f f

• Neuron‐neuron dalam model ini dikelompokkan dalam layer‐layer yang terhubung ke arah jalan sinyal (pada gambar dariki i k k )kiri ke kanan).

• Tidak ada hubungan lateral dalam masing‐masing layer danjuga tidak ada hubungan feedbackward dalam network. j g g fNeural network terbaik untuk model ini adalah perceptronnetwork.


• Melukiskan sebuah single layer yang terhubung penuh keg y y g g pmodel network, dimana masing‐masing neuron secara lateral terhubung ke semua neuron tetangga dalam layer.

P d d l i i b f i k li b i• Pada model ini semua neuron berfungsi sekaligus sebagaiinput dan output.

• Neural network terbaik untuk model ini adalah Hopfield pnetwork


• Menunjukkan hubungan dalam two‐layer j g yfeedfoward/backfoward network.

• Layer‐layer pada neural network model ini terhubung ke duah S ti t lih t di t k d l i i karah. Seperti yang terlihat di network, model ini akan

beresonansi beberapa kali sebelum respon diterima olehoutput layer.

• Model terbaik dari neural network ini adalah Adaptive Resonance Theory (ART) network.


• Mengilustrasikan ide dari sebuah topologi organized g p g gfeature map. Pada model ini masing‐masing neuron dalam network berisi sebuah feature vector.

K tik b h l d i d t t i i dib ik k• Ketika sebuah pola dari data training diberikan kenetwork, neuron yang corak vektornya terdekat denganinput vektor akan diaktifkan (activated).

• Model terbaik dari neural network ini diantaranya adalahSelf‐Organizing Map dari Kohonen


• Taken from lecturer’s note : Intelligence System by Rully SoelaimanTaken from lecturer s note : Intelligence System by Rully Soelaiman

ANN action in MatlabANN action in Matlab


• P = [0 1 2 3 4 5 6 7 8 9 10]P = [0 1 2 3 4 5 6 7 8 9 10]


• T = [0 1 2 3 4 3 2 1 2 3 4]T = [0 1 2 3 4 3 2 1 2 3 4]

Versi GUI : nntool

GENETIC ALGORITHMGENETIC ALGORITHM

“Computational procedures patterned after biological evolution”

“Search procedure that probabilistically applies search operators to set of points in the search space”operators to set of points in the search space

Selection Mutation

Crossovern‐th Generation (n+1)‐th Generation

Tahap SelectingTahap Selecting

Tahap pemilihan kromosom induk manakahyang akan dikenakan crossover dan mutasi.

…Fitness Function

Tahap SelectingTahap Selecting

Kromosom1

Kromosom6

Fitness

Kromosom2

Kromosom5

Peluang=

1/Fit

KromosomKromosom

1/Fitness

34PeluangKumulatif

Random Number

GENETIC ALGORITHMGENETIC ALGORITHM• Proses Mutasi

• Proses CrossoverProses Crossover

Fuzzy logicFuzzy logic

CONTROL STRUCTURECONTROL STRUCTURE

• FuzzificationS l d i t i bl t f t– Scales and maps input variables to fuzzy sets

• Inference Mechanism– Approximate reasoning

– Deduces the control action

• Defuzzification– Convert fuzzy output values to control signalsy p g

Himpunan klasikHimpunan klasik

• Misalkan variabel Umur dibagi menjadi tigasa a a abe U u d bag e jad t gakategori yaituMUDA umur < 35 tahunPAROBAYA 35 <= umur <= 55 tahunTUA umur > 55 tahun

• Apabila ada seseorang berumur 34 tahun, maka ia dikatakanMuda, µMuda(34)=1

• Apabila ada seseorang berumur 35 tahun maka ia dikatakan TidakApabila ada seseorang berumur 35 tahun, maka ia dikatakan TidakMuda, µMuda(35)=0

• Apabila ada seseorang berumur 35 tahun kurang 1 hari, maka iadikatakan Tidak Muda µMuda(35thn – 1hari)=0dikatakan Tidak Muda, µMuda(35thn 1hari) 0

Fungsi keanggotaanFungsi keanggotaan

• LINEAR NAIKLINEAR NAIK


• LINEAR TURUNLINEAR TURUN


• SEGITIGASEGITIGA


• TRAPESIUMTRAPESIUM


• BahuBahu

1

0 28 40

0

0 28 40


• Kurva S – PertumbuhanKurva S Pertumbuhan


• Kurva S ‐ PenyusutanKurva S Penyusutan


• Kurva πKurva π


• BetaBeta


• GaussGauss

Operasi fuzzy ‐ ANDOperasi fuzzy AND

• Operator ini berhubungan dengan operasiOperator ini berhubungan dengan operasiinterseksi pada himpunan

• Maka α predikat dengan operator AND• Maka α‐predikat dengan operator AND diperoleh dengan mengambil nilaikeanggotaan terkecil antar elemen padakeanggotaan terkecil antar elemen padahimpunan‐himpunan yang bersangkutan

Operasi fuzzy ‐ ANDOperasi fuzzy AND

• Contoh : Misalkan nilai keanggotaan 27Contoh : Misalkan nilai keanggotaan 27 tahun pada himpunan MUDA adalah 0.6 (µMUDA(27)=0.6) dan nilai keanggotaan Rp. 2.000.000 pada himpunan penghasilanTINGGI adalah 0.8 (µGAJITINGGI(2000000)=0.8)

k l d k k dmaka nilai α‐predikat untuk usia MUDA danberpenghasilan TINGGI adalah

i ( ( ) ( ))• µMUDA TINGGI=min(µMUDA(27), µGAJITINGGI(2000000))=min(0.6, 0.8)

∩

=0.6

Operasi fuzzy ‐ orOperasi fuzzy or

• Operator ini berhubungan dengan operasiOperator ini berhubungan dengan operasiunion pada himpunan

• Maka α predikat dengan operator OR• Maka α‐predikat dengan operator OR diperoleh dengan mengambil nilaikeanggotaan terbesar antar elemen padakeanggotaan terbesar antar elemen padahimpunan‐himpunan yang bersangkutan

Operasi fuzzy ‐ orOperasi fuzzy or

• Contoh : Misalkan nilai keanggotaan 27 tahunCo to : sa a a ea ggotaa ta upada himpunan MUDA adalah 0.6 (µMUDA(27)=0.6) dan nilai keanggotaan Rp. 2.000.000 padah h l d l hhimpunan penghasilan TINGGI adalah 0.8 (µGAJITINGGI(2000000)=0.8) maka nilai α‐predikatuntuk usia MUDA atau berpenghasilan TINGGIuntuk usia MUDA atau berpenghasilan TINGGI adalah

• µMUDA TINGGI=max(µMUDA(27), µGAJITINGGI2000000))∪µMUDA TINGGI max(µMUDA(27), µGAJITINGGI2000000))=max(0.6, 0.8)=0 8=0.8

Operasi fuzzy ‐ notOperasi fuzzy not

• Operator ini berhubungan dengan operasiOperator ini berhubungan dengan operasikomplemen pada himpunan

• Maka α predikat dengan operator NOT• Maka α‐predikat dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yangkeanggotaan elemen pada himpunan yang bersangkutan dari 1

Operasi fuzzy ‐ notOperasi fuzzy not

• Contoh : Misalkan nilai keanggotaan 27 tahunContoh : Misalkan nilai keanggotaan 27 tahunpada himpunan MUDA adalah 0.6 (µMUDA(27)=0 6) berapa nilai α‐predikat untuk(µMUDA(27)=0.6) berapa nilai α predikat untukusia TIDAK MUDA

• µ 1 µ (27)• µMUDA’ = 1 ‐ µMUDA(27)

= 1 – 0.6 = 0.4

Operator FUZZy

A B

A ∧ B A ∨ B AA ∧ B A ∨ B ¬A

Inference fuzzyInference fuzzy

• Sistem Inferensi Fuzzy merupakan suatuSistem Inferensi Fuzzy merupakan suatukerangka komputasi yang didasarkan padateori himpunan fuzzy yang berbentuk IF‐THENteori himpunan fuzzy yang berbentuk IF THEN

Inference ‐ tsukamotoInference tsukamoto

• Untuk menentukan kinerja seorang karyawanUntuk menentukan kinerja seorang karyawandipengaruhi oleh 3 variable, yaitu loyalitas, kedisiplinan dan prestasi Setiap variabelkedisiplinan dan prestasi. Setiap variabelterdiri dari 5 himpunan, yaitu sangat rendah(SR) rendah (R) Cukup (C) Tinggi (T) dan(SR), rendah (R), Cukup (C), Tinggi (T) danSangat Tinggi (ST).

• Sedangkan kinerja karyawan terbagi atas 2• Sedangkan kinerja karyawan terbagi atas 2 kategori, yaitu Baik dan Buruk.


• Himpunan SR (Sangat Rendah)• Himpunan SR (Sangat Rendah)

⎩⎨⎧

≥

≤≤=

−

25;0250;

)( 2525

xx

xx

SRμ⎩ ≥ 25;0 x


• Himpunan R (Rendah)• Himpunan R (Rendah)

⎧ 250⎪⎨

⎧

≤≤

≤≤

= − 5025;250;

)( 255025

xx

x x

x

Rμ⎪⎩

⎨≥ 50;0

)( 25

xRμ


• Himpunan C (Cukup)• Himpunan C (Cukup)

⎧⎪⎨

⎧

≤≤≥≤

= − 5025;75atau 25;0

)( 2525 x

xxx x

Cμ⎪⎩

⎨≤≤− 7550;

)(

2575

25

xx

Cμ


• Himpunan T (Tinggi)• Himpunan T (Tinggi)

⎧⎪⎨

⎧

≤≤≤

= − 7550;50;0

)( 2550 x

xx x

Tμ⎪⎩

⎨≤≤− 10075;

)(

25100

25

xx

Tμ


• Himpunan ST (Sangat Tinggi)• Himpunan ST (Sangat Tinggi)

⎩⎨⎧

≤≤

≤=

1007575;0

)(75

xx

xSTμ⎩⎨ ≤≤− 10075;

)(25

75 xxSTμ


• Himpunan fuzzy untuk kinerjaHimpunan fuzzy untuk kinerja

⎨⎧ ≤≤

=− 750;

)( 7575 y

yy

BURUKμ⎩⎨

≥ 75;0)(

yyBURUKμ


• Himpunan fuzzy untuk kinerjaHimpunan fuzzy untuk kinerja

⎨⎧ ≤

= − 10050

25;0)( 50

yy yBAIKμ

⎩⎨

≤≤− 10050;)(

5050 y

y yBAIKμ


• RULE BASE untuk suatu Kinerja dikatakan BaikRULE BASE untuk suatu Kinerja dikatakan Baikjika

IF Loyalitas TINGGI and Kedisiplinan TINGGI andPrestasi SANGAT TINGGI then Kinerja BAIKj

• Misalkan ada seorang karyawan yang memilikig y y gnilai Loyalitas 60, kedisiplinan 80, dan prestasi 90, maka bagaimana kinerja karyawan tersebut?


⎪⎧ ≤ 50;0 x

⎪⎩

⎪⎨

≤≤

≤≤==−

−

100757550;4.0)60(

10025

5060 xx

INGGILoyalitasTμ⎪⎩ ≤≤ 10075;25

100 xx


⎪⎧ ≤ 50;0 x

⎪⎩

⎪⎨

≤≤

≤≤==−

−

100757550;8.0)80(

10025

5080 xx

anTINGGIKedisiplinμ⎪⎩ ≤≤ 10075;25

100 xx


⎩⎨⎧

≤≤=

≤=

− 10075;6075;0

)90(7590Pr x

xatTinggiestasiSangμ

⎩ ≤≤= 10075;6.025 x


• Karena digunakan operator AND untukKarena digunakan operator AND untukmerelasikan antar variabel, maka nilai α‐predikat aturan tersebut adalahpredikat aturan tersebut adalah

α‐predikat = min(0.4; 0.8; 0.6)

0 4= 0.4

• Lalu dilakukan defuzzyfikasi


• DefuzzyfikasiDefuzzyfikasi

0.4

4.050

50=

−y y=7050

Rule Base

Air Temperature

S ld { 0 0 0}• Set cold {50, 0, 0}

• Set cool {65, 55, 45}

• Set just right {70, 65, 60}

• Set warm {85, 75, 65}

• Set hot {∞, 90, 80}

Rule Base

Fan Speed

Rule Base

p

• Set stop {0, 0, 0}

• Set slow {50, 30, 10}{ , , }

• Set medium {60, 50, 40}

• Set fast {90, 70, 50}Set fast {90, 70, 50}

• Set blast {∞, 100, 80}

Rules

Air Conditioning Controller Example:g p

• IF Cold then Stop• IF Cold then Stop

• If Cool then Slow

• If OK then Medium

• If Warm then Fast

• IF Hot then Blast

Taken from book of Sri Kusumadewi, “Analisis & Desain Sistem Fuzzy menggunakan Toolbox Matlab”, Graha Ilmu, 200

Fuzzy Air Conditioner100

0

If H t

Fast

B

last

70

80

90

00

If Warmthen

If HotthenBlast

Medium50

60

70

If Just Rightthen

Medium

Fast

Slow

20

30

40

if Cold

IF CoolthenSlow

Stop

0

10

20 if Coldthen Stop

1

Col Coo

l

ust

ht War

m

Hot

45 50 55 60 65 70 75 80

0old

85 90

JuR

igh

Mapping Inputs to Outputs1

B

last90

100

0

t

Med

Fast

60

70

80

Slow

Medium

30

40

50

Stop

0

10

20

0

1

C Cool

War

m

Hot45 50 55 60 65 70 75 80

0

Cold

C

85 90

Just

Rig

ht

W

Fuzzy EditorFuzzy Editor

Data Mining with WEKAData Mining with WEKA

• Data PreprocessData Preprocess

• Classify

Cl• Cluster

• Associate

Data PreprocessData Preprocess

• Pemrosesan awal data dapat berupaPemrosesan awal data, dapat berupaconverting string to nominal, pemilihanattribut yang paling berpengaruh (searchattribut yang paling berpengaruh (search algorithm), dll.

ClassifyClassify

• Use training setUse training set

• Supplied test set

C lid i• Cross‐validation

• Percentage split

How to read the outputHow to read the output

• This is the confusion matrix for the 10‐fold cross‐validation, showing what classification the instances from each class received when it was used as testing data. E.g. for class “c“ 15 instances were correctly classified but 2 instance was assignedinstances were correctly classified but 2 instance was assigned to class "b"

How to read the outputHow to read the output

ClusterCluster

• Cluster > UnsupervisedCluster > Unsupervised– Hanya bisa membagi data menjadi n cluster

Tidak dapat diketahui kelasnya– Tidak dapat diketahui kelasnya

– Clustering berdasarkan central tendency dan jarakantar centralantar central

• Classify > SupervisedD t d fi i ik k l d i d t– Dapat mendefinisikan kelas dari data

– Dapat mengklasifikasikan data

AssociateAssociate

• Mencari asosiasi dari dua dataMencari asosiasi dari dua data– contoh pelanggan supermarket yang membeli rotibiasanya membeli apa?biasanya membeli apa?

• Contoh data contact lenses.arff

SPSSSPSS

• Reliability TestReliability Test

• Validity Test

C l i & i• Correlation & Regression Test

dss

Documents