SISTEM MENEMUKAN PENGETAHUAN :

Presentasi berjudul: "SISTEM MENEMUKAN PENGETAHUAN :"— Transcript presentasi:

1 SISTEM MENEMUKAN PENGETAHUAN :
SISTEM YANG MENCIPTAKAN PENGETAHUAN SISTEM MENEMUKAN PENGETAHUAN :

2 PENDAHULUAN Bagaimana pengetahuan ditemukan?
Sintesis pengetahuan baru melalui sosialisasi dengan orang-orang yang berpengetahuan. Penemuan dengan mencari pola yang menarik dari observasi, biasanya termuat dalam data eksplisit. Sistem menemukan pengetahuan mendukung pengembangan pengetahuan tacit atau eksplisit baru dari data dan informasi atau dari sintesis pengetahuan sebelumnya. Sistem menemukan pengetahuan bergantung pada mekanisme dan teknologi yang dapat mendukung proses sosialisasi dan kombinasi. Sistem menemukan pengetahuan = sistem menciptakan pengetahuan, keduanya terkait inovasi dan kemajuan pengetahuan. Sistem menciptakan pengetahuan tidak sama dengan sistem menangkap pengetahuan karena sistem menangkap pengetahuan menganggap pengetahuan telah dahulu diciptakan dan bisa jadi secara tacit berada di dalam pikiran para ahli. Sistem menciptakan pengetahuan berasumsi pengetahuan belum ada sebelum aktivitas memunculkan inovasi.

3 PENDAHULUAN Mekanisme menemukan pengetahuan melibatkan proses sosialisasi. Sosialisasi memfasilitasi sintesis pengetahuan tacit di antara individu dan integrasi berbagai aliran untuk menciptakan pengetahuan baru, biasanya melalui aktivitas bersama daripada instruksi tertulis atau lisan. Contoh mekanisme sosialisasi : konferensi peneliti, sehingga para peneliti dapat mengembangkan wawasan baru melalui berbagi temuan mereka. Contoh lain : ketika kita berdiskusi dengan teman-teman dan membuat suatu diagram pemikiran kita, akan mengarah ke menemukan pengetahuan baru yang tidak akan muncul jika kita tidak melakukan diskusi. Teknologi akan mendukung sistem menemukan pengetahuan dengan memfasilitasi proses kombinasi. Pengetahuan eksplisit baru ditemukan melalui kombinasi, dimana berbagai inti pengetahuan eksplisit (dan/atau data dan/atau informasi) disintesis untuk menciptakan pengetahuan eksplisit baru dan lebih kompleks. Sistem menciptakan pengetahuan dapat didukung dengan penggunaan teknologi data mining.

4 MEKANISME UNTUK MENEMUKAN PENGETAHUAN : MENGGUNAKAN SOSIALISASI UNTUK MENCIPTAKAN PENGETAHUAN TACIT BARU Sosialisasi adalah sintesis pengetahuan tacit di antara individu, biasanya melalui aktivitas bersama daripada sekedar instruksi tertulis atau lisan. Sosialisasi mendukung menemukan pengetahuan tacit melalui aktivitas bersama antara master dengan pemula, atau antara peneliti pada konferensi akademik. Contoh : perusahaan Honda Jepang, mendorong sosialisasi melalui brainstorming camps untuk menyelesaikan permasalahan yang dihadapi pada project Research dan Development (Nonaka dan Takecuchi 1995) Format pertemuannya di luar tempat kerja, idenya adalah untuk mendorong partisipan agar berpkir kreatif dengan mendiskusikan permasalahannya di lingkungan yang informal . Media ini bisa juga untuk media membagi pengetahuan dan membangun kepercayaan di antara anggota kelompok. Contoh lain : diskusi sederhana sepanjang makan siang bersama teman-teman membicarakan permasalahan sehari-hari biasanya mendorong munculnya penemuan pengetahuan.

5 Contoh lain : Proses brainstorming kreatif seperti yang dilakukan perusahaan listrik Westinghouse, yang melibatkan customer (orang yang memiliki permasalahan atau kebutuhan), fasilitator (orang mengontrol proses) dan inovator (orang yang akan memikirkan solusi terkait permasalahan atau kebutuhan customer). Proses dimulai dengan fasilitator memuat aturan dasar. Aturan utama adalah satu orang boleh berbicara pada suatu waktu dan tidak ada ide bodoh, gila atau liar. Kemudian memastikan kebebasan kreatif dari inovator untuk mengembangkan solusi, yang pada awalnya mungkin terkesan bodoh atau liar. Customer pada gilirannya menjelaskan permasalahan secara singkat. Kemudian setelah proses berjalan, inovator mengemukakan idenya ke fasilitator, dalam satu atau dua kalimat. Kemudian fasilitator menunjukkan ide tersebut ke partisipan (pada whiteboard, komputer yang terhubung dengan perangkat proyektor). Proses berhenti jika tidak ada lagi ide yang dikemukakan (biasanya 30 sampai 45 menit tergantung ukuran kelompok dan kompleksitas permasalahan).

6 Customer kemudian diminta memilih beberapa ide (3 sampai 5) yang sesuai untuknya. Kemudian selanjutnya ide tersebut diuji apakah memang layak. Proses menunjukkan dua aspek penting dalam problem solving dan decision making yaitu mengidentifikasi permasalahan dunia nyata (pada banyak situasi pemecah masalah tidak mengaitkan dengan permasalahan nyata tetapi hanya yang dirasakan sesuai saja (perceived solution). Pemikiran kelompok (group thiking) dapat mengidentifikasi permasalahan nyata dan menyelesaikannya. Aspek yang kedua : berpikir lateral, pendekatan berbeda dalam pemecahan masalah, mengidentifikasi ide bodoh, gila atau liar dapat mencetuskan ide (pengetahuan baru) pada inovator lain yang mungkin akan mengeluarkan ide yang tidak gila, liar, bodoh dan dapat menyelesaikan permasalahan.

7 TEKNOLOGI UNTUK MENEMUKAN PENGETAHUAN : MENGGUNAKAN DATA MINING UNTUK MENCIPTAKAN PENGETAHUAN EKSPLISIT BARU Teknologi menemukan pengetahuan sangat powerful bagi organisasi yang ingin memperoleh keunggulan kompetitif. Knowledge discovery in databases (KDD) adalah proses untuk menemukan dan menginterpretasikan pola dari data, melibatkan penerapan algoritma untuk menginterpretasikan pola-pola yang digeneralisasi oleh algoritma ini (Fayyed et al. 1996), nama lain KDD yaitu data mining (DM).

8 Teknik data mining : Asosiasi : hubungan hal tertentu dalam suatu transaksi data dgn hal dlm transaksi yg sama digunakan utk memprediksi pola. Klasifikasi : metode-metode nya ditujukan utk pembelajaran fungsi-fungsi berbeda yg memetakan masing-masing data terpilih ke dlm salah satu dari kelompok kelas yg telah ditetapkan sebelumnya. Analisis pengelompokkan (cluster analysis) mengambil data yg belum dikelompokkan dan menggunakan teknik-teknik otomatis utk menempatkan data tersebut ke dlm berbagai klp. Analisis prediksi (prediction anlysis) berhubungan dengan teknik-teknik regresi. Analisis pola sekuensial (sequential pattern analysis) mencoba utk menemukan pola-pola serupa dalam transaksi data selama suatu periode bisnis.

9 BEBERAPA BIDANG PENERAPAN DATA MINING
Bisnis Ritel Data mining menawarkan informasi prediktif yang sangat berharga kepada bisnis ritel (secara umum) dan toko barang kebutuhan sehari-hari (secara spesifik) dari sejumlah besar data. Penempatan berdasarkan afinitas, berdasarkan pada identifikasi produk yang mungkin ingin dibeli oleh pelanggan yang sama. Contoh : jika anda ingin membeli obat flu, anda mungkin juga akan membeli tisu. Oleh karena itu secara pemasaran masuk akal jika kita menempatkan kedua barang tsb scr berdekatan. Penjualan silang (cross-selling) merupakan konsep yang terkait. Pengetahuan ttg produk mana yg sering terjual bersamaan dpt digunakan dgn cara memasarkan produk komplementernya. Toko yang menjual brg kebutuhan sehari-hari melakukannya dgn menentukan posisi lokasi rak produk tsb. Strategi-strategi ini telah lama digunakan oleh toko-toko ritel yang cerdik. Namun, data mining menyediakan kemampuan utk mengidentifikasi afinitas produk yg tidak terduga dan kesempatan utk penjualan silang.

10 BEBERAPA BIDANG PENERAPAN DATA MINING
Perbankan Industri perbankan merupakan salah satu pengguna penggalian data yang paling awal. Bank telah berpindah ke teknologi untuk mencari tahu apa yang memotivasi pelanggannya, dan apa yang akan memelihara bisnis mereka (manajemen hubungan pelanggan/CRM). CRM meliputi aplikasi teknologi utk memantau layanan bagi pelanggan, sebuah fungsi yg ditingkatkan melalui dukungan data mining. Memahami nilai yg diberikan pelanggan kpd perusahaan membuat perusahaan mampu secara rasional mengevaluasi apakah pengeluaran tambahan diperlukan utk menjaga agar pelanggan tdk lari.

11 BEBERAPA BIDANG PENERAPAN DATA MINING
Manajemen Kartu Kredit Perangkat data mining yang digunakan oleh bank meliputi penentuan skor kredit (credit scoring), yaitu analisis yang memberikan nilai kepada pemohon kredit berdasarkan prediksi pelunasan pinjaman tepat waktu. Kuncinya adalah gudang data yang terkonsolidasi, mencakup semua produk, termasuk deposito, tabungan, pinjaman, kartu kredit, asuransi, tunjangan hari tua, program pensiun, saham dan produk-produk lain yg disediakan oleh bank.

12 BEBERAPA BIDANG PENERAPAN DATA MINING
Asuransi Para ahli dalam “industri penipuan” biasanya menggunakan lebih dari satu kartu identitas utk menipu perusahaan-perusahaan asuransi, khususnya di bidang asuransi mobil. InfoGlide mengkhususkan diri dlm produk-produk yg mengidentifikasi penipuan asuransi. Sistem Fraud-Investigator dari InfoGlide menggunakan mesin pencari kesamaan, menganalisis informasi dalam klaim-klaim perusahaan utk memeriksa adanya kesamaan. Dengan menghubungkan nama, nomor telepon, jalan, ulang tahun, dan informasi lain yang sedikit berbeda, pola-pola yang mengindikasikan penipuan dapat diidentifikasi. Mesin pencari kesamaan ini didapati mampu mengidentifikasi penipuan tujuh kali lebih banyak drpd sistem exact-match. Manajemen sumber daya manusia Analisis data mining digunakan untuk mengidentifikasi orang-orang yg dpt meninggalkan perusahaan kecuali mereka mendapatkan tambahan kompensasi atau fasilitas. Sehingga dapat menciptakan program utk mengurangi biaya dan meningkatkan produktivitas.

13 MERANCANG SISTEM MENEMUKAN PENGETAHUAN
Dengan mengadopsi proses standar lintas industri untuk penggalian data (cross-industry standard process for data mining - CRISP-DM) yg digunakan scr luas di kalangan industri. Model ini terdiri atas 6 tahap yg merupakan sebuah proses siklis: Pemahaman bisnis (business understanding). Pemahaman bisnis meliputi penetapan tujuan bisnis, penilaian situasi terkini, penetapan tujuan penggalian data dan pengembangan rencana proyek. Pemahaman data (data understanding). Begitu tujuan bisnis dan rencana proyek ditetapkan, pemahaman data mempertimbangkan data yg dibutuhkan. Langkah ini bisa meliputi pengumpulan data awal, deskripsi data, eksplorasi data dan verifikasi kualitas data. Persiapan data (data preparation). Setelah sumber data yg tersedia diidentifikasi, sumber data tsb perlu diseleksi, dibersihkan, dibangun ke dlm wujud yg dikehendaki dan dibentuk.

14 Pembuatan model (modeling)
Pembuatan model (modeling). Metode penggalian data, seperti visualisasi (penggambaran data dan penetapan hubungan) serta analisis pengelompokkan (untuk mengidentifikasi variabel mana yg berhubungan satu sama lain) bermanfaat bagi analisis awal. Evaluasi (evaluation). Hasil model sebaiknya dievaluasi dlm konteks tujuan bisnis yg ditetapkan pada tahap awal (pemahaman bisnis). Hal ini mengarahkan pada identifikasi kebutuhan lain (kerap kali melalui pengenalan pola), sering kali kembali ke tahap-tahap CRISP-DM sebelumnya. Pelaksanaan (deployment). Penggalian data dapat digunakan baik utk membuktikan hipotesis sebelumnya, ataupun utk penemuan pengetahuan (pengidentifikasian hubungan yg tdk terduga dan bermanfaat). Melalui pengetahuan yg ditemukan dlm tahap awal proses CRISP-DM, model yg kuat dpt diperoleh yg mgkn kemudian dt diterapkan pada kegiatan bisnis utk berbagai keperluan, termasuk memprediksi atau mengidentifikasi situasi-situasi penting.

15 SOAL REVIEW Mengapa memahami permasalahan bisnis penting dalam menemukan pengetahuan? Jelaskan bagaimana teknik sosialisasi membantu menemukan pengetahuan tacit! Jelaskan 6 langkah dalam proses CRISP-DM!