Download
organisasi dss serta topik topik pengembangannya group decision support vector machine svm n.
Skip this Video
Loading SlideShow in 5 Seconds..
Organisasi DSS serta Topik-Topik Pengembangannya & Group Decision Support Vector Machine (SVM) PowerPoint Presentation
Download Presentation
Organisasi DSS serta Topik-Topik Pengembangannya & Group Decision Support Vector Machine (SVM)

Organisasi DSS serta Topik-Topik Pengembangannya & Group Decision Support Vector Machine (SVM)

724 Views Download Presentation
Download Presentation

Organisasi DSS serta Topik-Topik Pengembangannya & Group Decision Support Vector Machine (SVM)

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. SistemPendukungKeputusan / DecisionSupportSystem Organisasi DSS sertaTopik-TopikPengembangannya&Group Decision Support Vector Machine (SVM) Oleh : Imam Cholissodin S.Si., M.Kom

  2. Content • ContohKasus • KonsepOrganizational DSS (ODSS) • Arsitektur ODSS • Membangun ODSS • Intelligent DSS (Active, Symbiotics) • DSS yang DapatBerevolusiSendiri • ArahPengembanganRiset DSS • DSS MasaDepan • Group Decision Support Vector Machine (SVM) • Case Study • LatihanIndividu + TugasKelompok

  3. ContohKasus • ContohKasus : Kabinet di PemerintahanMesir • 32 kementerian, setiapkementerianbertanggungjawabpada 1 departemen. • DiketuaiseorangPerdanaMenteri. • 4 Komite yang dibantudenganstaf. • IDSC (Information and Decision Support Center) untukkabinet, tujuannya : • Mengembangkaninformasidansistemdukunganbagikabinet. • Mendukungpengadaaninformasiterkelolabagi user danpusatpendukungkeputusanpada 32 kementerian. • Mengembangkan, mendukung, mengawaliprojekInformation Systems(IS) yang dapatmempercepatpengembanganPemerintahanMesir.

  4. Konsep Organizational DSS (ODSS) • Karakteristik ODSS : • Fokuspadatugas/ aktifitas/ keputusanorganisasional/ masalahperusahaan. • ODSS memotongfungsi-fungsiorganisasi/ layer hirarki. • ODSS melibatkanteknologiberbasiskomputerdanjugateknologikomunikasi.

  5. Arsitektur ODSS Central Information System Database Model base Model Management Database Management Case Management Dialog Management Local Area Network/ Wide Area Network Workstations/PCs User User User User

  6. Membangun ODSS • Merupakankombinasidari SDLC (System Development Life Cycle) dan proses berulang (iterative process). Dibagimenjadi 4 fase : • Pendahuluan • Kebutuhanakanmasukan. • Mendapatkandukungandaripihakmanajemen. • Membangunrencanayang diperlukan. • MengembangkanDesainKonseptual • Faseinimenghasilkancetakbirusistem. • MengembangkanSistem • Mengembangkanmodeldandatabasesistem. • MengimplementasikandanMengelolaSistem • Memprogramdanmengupdatesistem. • Mendokumentasikanmoduldan database. • Melatih user.

  7. Progress Kelompok • Demo/progres final project setiapkelompok.

  8. Intelligent DSS (Active, Symbiotics) • Jenis (Active, Symbiotics) DSS : • DSS regulerbertindakpasifdalaminteraksimanusia-mesin. • Dalamperkembangannya DSS harusmampumengambilinisiatifsendiritanpaperludiberiperintahtertentu. • Mampumenanggapipermintaandanperintahyang takstandar. Jenis DSS inilah yang disebutdengan active atau symbiotic DSS.

  9. DSS yang DapatBerevolusiSendiri • DSS yang memberiperhatianpadabagaimanaiadigunakan, danlaluberadaptasisecaraotomatispadaevolusiusernya. Kemampuaninidicapaidenganmenambahkankomponenekstra : mekanismeintelijen yang bisaberevolusisendiri. Tujuannyaadalahmembangun DSS berperilakukhusus yang dapatberadaptasiterhadapevolusikebutuhan user secaraotomatis. Diperlukankemampuan : • Menu dinamisyang menyediakanhirarki yang berbedauntukmemenuhikebutuhan user yang berbeda. • Antarmukauser dinamisyang menyediakanrepresentasi output yang berbedauntuk user yang berbeda pula. • Sistemmanajemenberbasis model intelijenyang dapatmemilih model yang sesuaiuntukmemenuhipreferensi/acuan yang berbeda.

  10. ArahPengembanganRiset DSS • Di bawahiniadalahbeberapapoindaririset yang telahdilakukan (1) : • SekaranginiDSS berlakupasifmenanggapipertanyaan “what-if” yang diajukan. Selanjutnyakombinasi DSS/ES dapatbertindaklebihproaktif. • Saatini DSS takkreatif, tapi di masadepan DSS harusmenyediakancarabaruuntukmendefinisikan model, menjelaskanstrukturmasalah, memanajemenkerancuandankekomplekan, danmenyelesaikanklasbarukeputusandalamkontekspengambilankeputusan yang baru. ES bisamemberikankontribusiutamadalamhalini. • DSS berpusatpadakeputusan (decision-centered) tapibukanpada decision-paced (langkahpengambilankeputusan). DSS di masadepanharusmendukungalasan-alasanpemilihankelaskeputusantertentu.

  11. ArahPengembanganRiset DSS • Di bawahiniadalahbeberapapoindaririset yang telahdilakukan (2) : • PeningkatanDSS haruslebihmemberiperhatianpadamasalah-masalah yang takterstruktur, karenahaltersebutberdampakpadaefisiensidankeefektifanorganisasisecarakeseluruhan. Komputasisyarafdapatditambahkanberkenaandenganmasalahkerancuan. • DSS di masadepanharusmampuuntukmembuatberbagaiaksialternatifdaridirinyasendiri, ataupaling tidakmenghasilkanpeneluranide. • RisetDSS harusmelebarkanperspektifnya, berhubungandengankeefektifanorganisasidanperencanaanstrategis. Perspektifbaruiniakandidukungolehpenambahankemampuankreatifitasdaninovasi, menghasilkan DSS yang proaktifdalammembuatperubahanlebihdarisekedarmengantisipasiperubahan.

  12. ArahPengembanganRiset DSS • Di bawahiniadalahbeberapapoindaririset yang telahdilakukan (3) : • Risetharusdilakukanpadainteraksidiantaraindividudangrup. Masalahsosialdanetikjugaharuslebihdiperhatikan. • Komponenmanusiadalam DSS harusdicermatiuntukmelihatdampak DSS padasaatpembelajaran. • Integrasi DSS dengan ES, CBIS (Computer Based Information System) lainnya, danteknologikomputer yang berbedalainnya (misal: komunikasi) akanmenjadiwilayahrisetutama. • TeoriDSS harusditingkatkan. Teori-teoriharusdikembangkanpadatopik-topiksepertipengukurankualitaskeputusan, pembelajaran, dankeefektifan.

  13. DSS MasaDepan • DSS berbasis PC akanterustumbuhutamanyauntukdukunganpersonal. • UntukDSS di institusi yang mendukungpengambilankeputusanberurutandansalingberhubungan, kecenderungankedepanadalahmenjadiDSS terdistribusi. • Untukdukungankeputusansalingberhubungan yang terkonsentrasi, group DSS akanlebihlazim di masadepan. • Produk-produkDSS akanmulaimenggabungkantooldanteknik-teknikAI. • Semuakecenderungan di atasakanmenujupadasatutitikpadapengembanganberkelanjutanpadakemampuansistem yang lebih user-friendly.

  14. Group Decision Support Vector Machine (SVM) • Konsep Group Decision Support System : • Pengambilankeputusangrup (atau workgroup – kelompokkerja) mengacupada 2 ataulebih orang (sampai 25 orang) yang misinyaadalahmenyelesaikantugastertentudanbekerjasebagaisatu unit. • Keputusantersebutbisapermanenatausementara, bisapadasatulokasiataubermacamlokasi, dapatbekerjapadawaktubersamaanatauwaktu yang berbeda (Efraim Turban dkk, 2007). • Dalamhalinisetiap orang tersebutdisebutsebagaiagen yang nantimasing-masingakanmemberikanhasilkeputusanuntukmembentukkeputusandalambentukGroups Decisionsesuaidenganmetode yang merekagunakan. • Hasilmetodepengambilankeputusanbisadipengaruhiolehpolapikir, caramengambilkeputusandanpertimbangan yang digunakan yang pastinyaakanberbedadarisatumetodedenganmetode yang lainnya. • Mendaftarsemuakeputusanawaldariberbagaipihak (dalamhalinisetiapmetodemenghasilkankeputusanmasing-masing), makasistemakanmengkombinasi/ mempertimbangkansemuakeputusantersebutuntukmenghasilkansatukeputusanakhir (final decision).

  15. Group Decision Support Vector Machine (SVM) • Review Konsep SVM : • KonsepKlasifikasidengan Support Vector Machine (SVM) adalahmencarihyperplaneterbaik yang berfungsisebagaipemisahduakelas data. • Ide sederhanadari SVM adalahmemaksimalkan margin, yang merupakanjarakpemisahantarakelas data. • SVM mampubekerjapada dataset yang berdimensitinggidenganmenggunakan kernel trik. • SVM hanyamenggunakanbeberapatitik data terpilih yang berkontribusi (Support Vector) untukmembentuk model yang akandigunakandalam proses klasifikasi. • Macam-Macam Training untuk SVM : • Chunking (Quadratic Programming). • Osuna (Dekomposisi). • Sequential Minimum Optimation (SMO). • Least Square (LS) danlainnya.

  16. Group Decision Support Vector Machine (SVM) • Review Konsep SVM : • Titikdata : xi = {x1,x2,….,xn} ϵ Rn • Kelas data : yiϵ {-1,+1} • Pasangan data dankelas : • Maksimalkanfungsiberikut : • Hitungnilai w dan b : • Fungsikeputusanklasifikasi sign(f(x)) : Keterangan: N (banyaknya data), n (dimensi data ataubanyaknyafitur), Ld (Dualitas Lagrange Multipier), αi (nilaibobotsetiaptitik data), C (nilaikonstanta), m (jumlah support vector/titik data yang memilikiαi > 0), K(x,xi) (fungsi kernel).

  17. Group Decision Support Vector Machine (SVM) • BeberapaMacamFungsi Kernel Support Vector Machine (SVM) : • Kernel Linier digunakanketika data yang akandiklasifikasidapatterpisahdengansebuahgaris/hyperplane. • Kernel non-Linier digunakanketika data hanyadapatdipisahkandengangarislengkungatausebuahbidangpadaruangdimensitinggi (Kernel Trik, No.2 sampai 6).

  18. Group Decision Support Vector Machine (SVM) • Visualisasi Support Vector Machine (SVM) : • Kernel Linier : • Kernel non-Linier : (w.x) + b = +1 margin (w.x) + b = -1 Hyperplane y = +1 Support Vector kelas -1 Support Vector kelas +1 y = -1 w (w.x) + b = 0 Hyperplane High-dimensional Feature Space Φ(x) Input Space x

  19. Group Decision Support Vector Machine (SVM) • Karakteristik Support Vector Machine (SVM) : • SVM memerlukan proses pelatihandenganmenyimpanhasil support vektor yang didapatkanuntukdigunakankembalipadasaat proses prediksi/testing. • SVM selalumemberikan model yang samadansolusi yang samadengan margin maksimal. • SVM dapatmemisahkan data yang distribusikelasnyabersifat linier maupun non linier. • SVM tidakdipengaruhiolehdimensi data yang tinggi, sehinggatidakada proses reduksidimensididalamnya. • Memori yang digunakandalam SVM dipengaruhiolehbanyaknya data, bukanbesarnyadimensi data.

  20. Group Decision Support Vector Machine (SVM) • Ensemble Machine Learning : • Mengapamenggunakansatudecision learning jikakitadapatmenggunakanbanyak? • Puluhan, bahkanratusanalgoritmadecision learning telahtersedia, banyak yang "diterima", tetapitidakadaalgoritma yang optimal. • Ensemble : mengkombinasikanbanyakprediktor. • (Weighted) kombinasidaribeberapaprediktor. • Machine Learning dapatberupadaritipe yang samaataupunberbeda. • Ilustrasilogikametode Ensemble : Various options for getting help : “Who want to be a millionaire?”

  21. Group Decision Support Vector Machine (SVM) • Simple Ensemble : • Mengambilsuaraterbanyak (Majority vote/Unweighted average). • Mengambilbobot rata-rata terbaikdaribeberapaprediktor(Weighted average). • Misalnya : Kelas +1, -1, Weight alpha : • Men-trainhasildaribeberapaprediktor, yaitudenganmemperlakukansetiapindividudariprediktorsebagaifitur :

  22. Group Decision Support Vector Machine (SVM) • Ensemble Learning : • Menggabungkanbeberapahasilkeputusandari data kedalamkeputusantunggal. Hasil keputusan 1 Algoritma 1 combine Hasil keputusan 2 Algoritma 2 Final Decision Hasil keputusan 3 Data Algoritma 3 ……….. ……….. ………….….. Hasil keputusan n Algoritma n

  23. Group Decision Support Vector Machine (SVM) • Framework SVM ensemble untukfinancial distress prediction (FDP) : • Prediksikondisidistress (tidakwajar) dalamkeuangan (Jie Sun & Hui Li, 2012). Initial feature set feature set 1 feature set 2 feature set n Result Langkah 1 Parameter search Parameter search Parameter search Parameter search Feature selection Combination …. Polynomial SVM Base classifier 1 Base classifier 2 Base classifier q Classifier m Classifier k Classifier l Classifier 1 Classifier i Classifier j Sigmoid SVM Linear SVM RBF SVM Langkah 2 …. …. …. Selection of base classifiers for SVM ensemble through accuracy and diversity analysis Langkah 3 …. Langkah 4

  24. Case Study (1 of 14) • Misalkandalamcase study inimenggunakanframeworkberikut: Linier SVM Data Training Data Testing + + - - - + - + - + - Ensemble …. WP …. SAW …. Decision 1 …. Decision n Combine sebagai fitur Final Decision (SAW)

  25. Case Study(2 of 14) • Perhatikan dataset berikut : • Data Training : tabelbobotkriteriaproduk smartphone sebagaiberikut. Penyelesaian: Berdasarkan Data Training di atas, tentukan persamaan Hyperplane-nya dengan Linier SVM, lalu uji kelas Data Testing xt1 = (140,5), xt2 = (160,2), xt3 = (135,7), xt4 = (145,6) dan xt5 = (200,2)!

  26. Case Study(3 of 14) • Penyelesaian: • Formulasiyang digunakanadalahuntukmeminimalkannilai margin : • Sehinggadidapatkanbeberapapersamaanberikut :

  27. Case Study(4 of 14) • Penyelesaian: • Sehinggadidapatkanbeberapapersamaanberikut : • Membentuk persamaan matrik : Support Vector (SV)

  28. Case Study(5 of 14) • Penyelesaian: • Membentuk persamaan matrik : • Sehingga didapatkan persamaan hyperplane : Review materi : “Matematika Komputasi Lanjut” untuk menghitung invers matrik! • w•x + b = 0 • w1x1 + w2x2 + b = 0 • 0.04x1 + 0.8x2 - 9 = 0

  29. Case Study(6 of 14) • Penyelesaian: • Sehingga didapatkan persamaan hyperplane : • w•x + b = 0 • w1x1 + w2x2 + b = 0 • 0.04x1 + 0.8x2 - 9 = 0 • x2 • x1

  30. Case Study(7 of 14) • Penyelesaian: • Sehingga didapatkan persamaan hyperplane : • Ujikelas data xt1 = (140,5) danlainnya. • Diketahui : f(x) = 0.04x1 + 0.8x2 - 9 • Kelas= sign(f(x)) • w•x + b = 0 • w1x1 + w2x2 + b = 0 • 0.04x1 + 0.8x2 - 9 = 0

  31. Case Study(8 of 14) • Hasilpenentuankelas Data Testing : • Data Testing (kelas +) : Diketahuitingkatprioritasbobotduakriteria smartphone yaitu, Berat(C1) = 10, UkuranLayar (C2) = 5, dengantabelbobotkriteriaproduk smartphone sebagaiberikut. Penyelesaian WP : Diketahuitingkatprioritasbobotsetiapkriteriadandiasumsikan user akanmembeli smartphone yang mempunyaitingkatprioritasbobotyaitu, Berat (C1) = 10, UkuranLayar(C2) = 5. Sehinggadidapatkanperbaikanbobot (Wj) sebagaiberikut: • Menentukan hasil keputusan akhir penentuan smartphone terbaik menggunakan metodeWeighted Product (WP) & Simple Additive Weighting (SAW)?

  32. Case Study(9 of 14) • Penyelesaian WP : • Menghitung vektor Si, dimana data yang ada akan dikalikan tetapi sebelumnya dilakukan pemangkatan dengan bobot dari masing-masing kriteria. • Menghitungvektor Videngancaramembagihasilmasing-masingvektor SidenganjumlahseluruhSi.

  33. Case Study (10 of 14) • Penyelesaian SAW : • Menghitung NilaiRating Ternormalisasi (Rij) + Kriteria Benefit : C2 - Kriteria Cost : C1

  34. Case Study (11 of 14) • Penyelesaian SAW : • Menghitung NilaiRating Ternormalisasi (Rij) • MenghitungNilaiPreferensi (Vi)

  35. Case Study (12 of 14) • Kombinasihasidarimetode WP dan SAW sebagaifitur: • HasilWP & SAW : • Final Decision (MisalmenggunakanSAW) : • Menghitung Nilai Rating Ternormalisasi (Rij) : + Kriteria Benefit : Cwp, Csaw - Kriteria Cost : -

  36. Case Study (13 of 14) • Final Decision (MisalmenggunakanSAW) : • Menghitung Nilai Rating Ternormalisasi (Rij) : • MenghitungNilaiPreferensi (Vi) + Kriteria Benefit : Cwp, Csaw - Kriteria Cost : -

  37. Case Study (14 of 14) • Final Decision (MisalmenggunakanSAW) : • MenghitungNilaiPreferensi (Vi) • Setelah menghitung nilai Vi untuk tiap-tiap smartphone, maka sistem akan memilih nilai tertinggi sebagai alternatif terbaik dalam mengambil keputusan. Sehingga rekomendasi smartphone yang didapat adalah Hp. 6,Hp.7,Hp.5, dan Hp.8 sesuai dengan urutan tertinggi nilai Vi.

  38. LatihanIndividu • Berdasarkan case study di atas, selesaikan final decision menggunakanmetodeWeighted Product (WP) dantentukanalternatifterbaiknya! Note : Misal diketahui tingkat prioritas bobot setiap kriteria yaitu, Berat (Cwp) = 1, Ukuran Layar (Csaw) = 4.

  39. TugasKelompok • Buatlahcontohkasusyang unik+ penyelesaiannyamenggunakanframeworkpada slide 30 sesuaidengankreatifitaskelompokanda. (Min. 1 soal, Min. 2 kriteria, Min. 4 data) ! Note : Kerjakandalam file *.doc/docx

  40. Progress Final Project • Bagian 1 of 3 (Minggu 12) : • Abstrak • Pendahuluan • Bagian 2 of 3 (Minggu 13) : • UraianMetode & UraianObjekPenelitian • Proses Manualisasidari Case Study • Design Antarmuka • Bedah Paper 3 • Bagian 3 of 3 (Minggu 14) : • Implementasi • Ujicoba • EvaluasiEjicoba

  41. Selesai