RESEARCH FIELDS

BIDANG PENELITIAN
BIDANG PENAMBANGAN
DATA
DATA MINING FIELD
 Tugas Data Mining
Enam Tugas (task) Data Mining:
Deskripsi
Estimasi
Prediksi
Regresi
Klasifikasi
Pengelompokan (Clustering)
Asosiasi
 Deskripsi
Tugas ini menuntut DM untuk mampu
mengungkapkan pola atau
kecenderungan pada data

Dengan kemampuannya
menjalankan tugas deskripsi maka
DM mampu menunjukkan field-field
mana yang perlu/tidak perlu
dipertimbangkan
 Estimasi dan Prediksi
Estimasi memiliki persamaan maupun perbedaan
dengan Prediksi
Persamaan antara keduanya adalah dalam hal
memperkirakan sesuatu hal
Bila yang diperkirakan berbentuk numerik, misalnya
berat badan seseorang, jumlah hutang seseorang,
luas sebuah lahan, maka hal ini disebut Estimasi
Bila yang diperkirakan berbentuk kategorial,
misalnya pangkat seseorang, status perkawinan
seseorang, asal-usul kota kelahiran seseorang,
maka hal ini disebut Prediksi
 Klasifikasi
Pada hakekatnya klasifikasi adalah
juga hal memperkirakan
Lalu, apa bedanya dengan Prediksi?
Pada prediksi variabel peramal
(variabel independen)nya seluruhnya
bersifat numerik
Pada klasifikasi variabel peramal
(variabel independen)nya dapat berupa
kombinasi numerik dan kategori
Pengelompokan(clustering)
Pengelompokan (clustering)
merupakan tugas deskripsi yang
banyak digunakan dalam
mengidentifikasi sebuah himpunan
terbatas pada kategori atau cluster
untuk mendeskripsikan data yang
ditelaah.
 Asosiasi
Asosiasi didasarkan pada Affinity Analysis,
yaitu studi terhadap karakteristik atau
atribut yang sering muncul bersama-sama
Af Affinity Analysis sering juga disebut
Market Basket Analysis, yang digunakan
untuk mengungkap asosiasi antara
beberapa atribut (yang masih tersembunyi)
Analisis ini akan menghasilkan aturan
(Rules) yang diharapkan dapat
mengungkap relasi antara dua atau lebih
atribut
BIDANG PENELITIAN
PENGOLAHAN CITRA
IMAGE PROCESSING FIELD
 Operasi Pengolahan Citra
1. Perbaikan kualitas citra (image enhancement)
2. Pemugaran citra (image restoration)
3. Pemampatan citra (image compression)
4. Segmentasi citra (image segmentation)
5. Pengorakan citra (image analysis)
6. Rekonstruksi citra (image reconstruction)
 1. Perbaikan Kualitas Citra
Bertujuan untuk memperbaiki kualitas citra dengan cara
memanipulasi parameter-parameter
Contoh operasi perbaikan citra :
1. Perbaikan kontras gelap/terang (contrast stretching)
2. Pengubahan kecerahan gambar (image brightness)
3. Perbaikan tepian objek (edge enhancement)
4. Penajaman (sharpening)
5. Pemberian warna semu (pseudocoloring)
Intensity slicing and color coding, Gray level to color
transformations, Filtering approach
6. Pelembutan Citra (Image Smoothing)
7. Koreksi geometrik
 2. Pemugaran Citra
Bertujuan menghilangkan atau meminimumkan
cacat pada citra.
Contoh :
1. Penghilangan kesamaran (deblurring)
2. Penghilangan derau (noise filtering)
Menghilangkan noise: average
filtering /median filtering
 3. Pemampatan Citra
Bertujuan agar citra dapat direpresentasikan
dalam bentuk yang lebih kompak sehingga
memerlukan memori yang lebih sedikit.
Huffman coding, Run-Length encoding,
Quatization, Fractal
Wavelet discrete, transformasi continuous
discrete
 4. Segmentasi Citra
Bertujuan untuk memecah suatu citra ke dalam
beberapa segmen dengan suatu kriteria
tertentu.
Segmentasi berkaitan dengan pengenalan pola.
Algoritma boundary following
 5. Pengorakan Citra
Bertujuan mengekstraksi ciri-ciri tertentu yang membantu dalam
identifikasi objek.
Contoh :
1. Pendeteksian tepi objek (edge detection)
Robert, Prewitt, Canny, Sobel
2. Ekstraksi batas (boundary)
chain code, transformasi Hough
3. Penipisan pola (Thinning)
Stentiford thinning Algorithm
Zhang Suen thinning Algorithm
Hilditch thinning Algorithm
Rosenfeld thinning Algorithm
Simple Edge Detection thinning Algorithm
Canny Edge
4. Representasi daerah (region)
 6. Rekonstruksi Citra
Bertujuan untuk membentuk ulang objek dari
beberapa citra hasil proyeksi.

Operasi rekonstruksi citra banyak digunakan

dalam bidang medis, misalnya foto rontgen
dengan sinar x digunakan untuk membentuk ulang
gambar organ tubuh.
CONTOH PENELITIAN
 Contoh penelitian informatika
dengan teknik soft computing
Identifikasi retina menggunakan neural
network (pengolahan citra)
Optimasi pengepakan pallet dalam
kontainer menggunakan algoritma
genetika (optimasi dan pencarian)
Implementasi fuzzy logic untuk peramalan
pemakaian beban listrik (data mining)
Implementasi bayesian belief network
untuk sistem keamanan jaringan (jaringan)
DATA
 Tugas
A. Carilah jurnal informatika yang menggunakan metode
komputasi (computing method), boleh hard computing atau
soft computing atau keduanya lalu tentukan:
1. Bidang penelitian (data mining/pengolahan citra/ optimasi/
jaringan/game/dll). Jika menghasilkan aplikasi sebutkan basisnya
(web/android/desktop atau lainnya)
2. Permasalahan
3. Metode pengembangan sistemnya
(waterfall/rapid/spiral/agile/prototype, atau lainnya)
4. Data yang digunakan
5. Metode/algoritma yang digunakan
6. Metode pengujian yang digunakan
7. Software yang digunakan baik untuk modeling ataupun pengujian
(ms-excel/spss/matlab/weka/rapidmine/atau lainnya)
8. Kesimpulan

B. Berikan contoh data sekunder untuk penelitian