BAHASA INGGRIS BISNIS 2

Absence Number : 18

Section : 11 – 20

1.       Question :

Skating (is/are) becoming more popular every day

Answer :

Skating is becoming more popular every day

Reason :

It’s about Subject Verb Agreement. The word “skating” is not “are” but “is” because the word “skating” is singular

2.       Question :

(He/him) is going to New York on vacation

Answer :

He is going to New York on vacation

Reason :

It’s about Pronouns.

The subject before “is” is “he” not “him” because the word before “is” should be a subject pronoun.

3.       Question :

They appreciate (to have/having) this information.

Answer :

They appreciate having this information

Reason :

It’s about Verb as Complement. The verb “appreciate” is not followed word “to have” but “having” because the word “appreciate” is verb that are always followed by the gerund.

4.       Question :

George asked (me/my) to call him last night

Answer :

George asked me to call him last night

Reason :

It’s about Pronouns with Verbs as Complements. The verb is not followed word “my” but “me” because  after the word “me” is infinitive  ( to +verb) is “to call”.  It should be followed by complement form pronoun noun.

5.       Question :

James need …….. (see) a doctor soon

Answer :

James need to see a doctor soon

Reason :

It’s about The Verb Need. The subject “James” as living thing as subject. So, after the word “need” should verb be a infinitive is “to see”

6.       LISTENING

7.       Question :

You are going to school tomorrow, …… ?

Answer :

You’re going to school tomorrow, aren’t you ?

Reason :

It’s about Tag Question. The main clause is used is affirmative with subject is “You” and followed  be is “are”. So, tag should be negative is “aren’t you” without change tense.

8.       Question :

I must write them a letter, and she …. Too

Answer :

I must write them a letter, and she must too

Reason :

It’s about affrimative Agreement. Form of main clause use auxiliary is “must”, in the simple statement should use the same tense is “ must” and followed by “too” because before “must” should be followed by noun.

9.       Question :

We do not plan to attend the concert, and …. Do they.

Answer :

We don’t play to attend the concert , and neither do they

Reason :

It’s about Negative Agreement. The simple statement use “neither”  because after the subject is “ do” followed by object is noun.

10.   Question :

We can’t study in the library, and they …… either.

Answer :

We can’t study in the library, and they can’t either

Reason :

It’s about Negative Agreement

The main clause use auxiliary negative is “can not”, in the simple statement after the subject should use the same tense is “ can not” and followed by “either”

Animasi 2 Dimensi Menggunakan Adobe Flash CS6

Berikut ini adalah tutorial cara membuat animasi dengan menggunakan adobe flash cs6

Pada animasi ini kami mengambil tema tentang perusakan sumber daya alam yaitu menangkap ikan dengan menggunakan bahan peledak sehingga ikan ikan mati dan populasinya berkurang.

    

Pertama kita buka aplikasi adobe flash cs6 kemudian pilih actionscript 3.0 dan setelah itu klik ok. Apabila sudah di klik, maka akan muncul tampilan new file dengan sebuah layer kosong seperti gambar dibawah ini.

Untuk membuat video kita membutuhkan 5 layer sebagai objek di video, yaitu : awan, gelombang, perahu, gelombang kedua dan background. Layer ini juga berfungsi sebagai pemisah antara layer lain sehingga tidak saling tertindih satu sama lain. Contohnya layer bisa dilihat pada gambar dibawah

Setelah itu kita masukkan masing masing gambar sesuai nama layer yang sudah kita buat tadi. kemudian kita atur posisi atau letak dari masing-masing gambar sesuai dengan keinginan kita. Contohnya pada gambar berikut

Kemudian kita buat pergerakan pada objek agar terlihat lebih hidup dan dapat di katakan sebagai animasi. Lalu tambahkan gambar bom lalu setiap 5 detik pada timeline kita rubah posisi bom sehingga menuju dasar laut agar seolah bom itu dilempar kearah laut.

Pada setelah selesai kita buat pergerakan ombak dengan cara klik 2 kali pada objek, kemudian atur kecepatan dengan memilih waktu pada kotak timeline.Semakin panjang timeline maka pergerakan semakin lambat.kemudian klik kanan pada awal timeline lalu pilih insert keyframe dan create classic tween.kemudian klik pada timeline terakhir lalu pindahkan objek ketemoat yang diinginkan.

Kemudian klik scene 1 untuk kembali ke tampilan layout.Lalu klik control+enter untuk melihat hasilnya atau dengan cara pilih menu control kemudian klik test scene.

ANALISA WEBSITE

Selamat Datang di Gatry’s World. Kali ini saya mendapatkan tugas Desain & Manajemen Jaringan Komputer , yaitu menganalisa akses jaringan ke komputer dari salah satu web Universitas Gunadarma. Kali ini saya mengambil sub domain dari www.bapsi.gunadarma.ac.id.

Ada beberapa cara untuk menganalisa, yaitu sebagai berikut.

I.                     Speedtest

Pertama-tama, saya akan mengecek kecepatan koneksi internet melalui www.speedtest.net . Berikut adalah hasilnya.

Dari data tersebut diperoleh bahwa kecepatan download 31,92 Mbps memiliki ecepatan cukup baik

II.                   Cek IP adress melalui CMD

Sebelum melakukan perintah tersebut, silahkan buka aplikasi CMD dengan klik kanan pilih Run As Administrator kemudian klik.

Lalu ketikan perintah netsch int ip reset dan akan perintah Restart , silahkan Restart Laptop/PC.

Kemudian buka kembali aplikasi CMD , untuk mengecek IP Adress dengan mengetik perintah nslookup bapsi.gunadarma.ac.id

\ 

Dari hasil tersebut diperoleh beberapa data, yaitu nama, address, aliases. Kita akan menggunakan IP Adress untuk membantu proses analisa.

III.                 Menganalisa melalui SimilarWeb

Secara singkat, SimilarWeb merupakan platform penyedia untuk analisa dan perbandingan website. Dengan bantuan SimilarWeb kita akan menganalisa traffic dari website www.bapsi.gunadarma.ac.id

Dari data tersebut diperoleh pengunjung website bapsi.gunadarma.ac.id sebanyak 2K atau 2000 pengunjung.

Hasil tersebut menyebutkan bahwa website Bapsi Universitas Gunadarma juga dilirik oleh Malaysia sebanyak 8,92% mengunjungi website tersebut.

Untuk Indonesia, sebanyak 91,08% juga rajin mengunjungi website tersebut

IV.                Cek Respon Time\

Untuk mengecek respon time silahkan ketikkan perintah ping (ipadress). Dari data tersebut diperoleh PING , yaitu TTL =54, Min = 6 ms, Max = 14 ms, dan Average = 8 ms.

Semoga info yang telah saya sampaikan berguna untuk kalian yang ingin mencobanya. Kurang lebihnya mohon dimaafkan karena saya juga masih tahap belajar.

Happy Studying .

METODE BACKWARD CHAINING

 Merupakan kebalikan dari forward chaining dimana mulai dengan sebuah hipotesa (sebuah objek) dan meminta informasi untuk meyakinkan atau mengabaikan. Backward chaining inference engine sering disebut: ‘Object-Driven/Goal-Driven‘.

Contoh 1 :

Diketahui sistem pakar dengan aturan-aturan sebagai berikut :

R1       : IF suku bunga turun THEN harga obligasi naik

R2       : IF suku bunga naik THEN harga obligasi turun

R3       : IF suku bunga tidak berubah THEN harga obligasi tidak berubah

R4       : IF dolar naik THEN suku bunga turun

R5       : IF dolar turun THEN suku bunga naik

R6       : IF harga obligasi turun THEN beli obligasi

METODE FORWARD CHAINING

Kadang disebut:data-driven karena inference engine menggunakan informasi yang ditentukan oleh user untuk memindahkan ke seluruh jaringan dari logika ‘AND’ dan ‘OR’ sampai sebuah terminal ditentukan sebagai objek. Bila inference engine tidak dapat menentukan objek maka akan meminta informasi lain. Aturan (Rule) di mana menentukan objek, membentuk path (lintasan) yang mengarah ke objek. Oleh karena itu, hanya satu cara untuk mencapai satu objek adalah memenuhi semua aturan.

Forward chaining: Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri dulu (IF dulu). Dengan kata lain penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.

Apabila diketahui bahwa dolar turun, maka untuk memutuskan apakah akan membeli obligasi atau tidak dapat ditunjukkan sebagai berikut:

·                     Penyelesaian dengan Forward Chaining

Inferential Engine Forward and Backward

Motor Inferensi (Inference engine) merupakan pusat pengambilan keputusan pada Sistem Pakar dengan penyesuaian fakta-fakta pada memori dengan basis pengetahuan untuk mendapatkan kesimpulan dan jawaban. Inference engine merupakan otak dan pemikir dari suatu Sistem Pakar. Dalam inference engine ini sistem melakukan suatu penalaran yang dilandasi oleh basis pengetahuan (didapat dari pakar) yang dimiliki sistem sehingga menghasilkan sebuah keputusan.

Proses penalaran ada dua macam dan biasanya lebih disebut dengan proses chaining (forward chaining dan backward chaining). Kedua metode ini mempunyai kelebihan tersendiri, semuanya itu tergantung terutama dari kondisi permasalahan yang dihadapi dan basis pengetahuan. Metode forward Chaining dan backward chaining merupakan dua teknik penalaran yang biasa digunakan dalam sistem pakar. 

A.    Metode forward Chaining

Kadang disebut:data-driven karena inference engine menggunakan informasi yang ditentukan oleh user untuk memindahkan ke seluruh jaringan dari logika ‘AND’ dan ‘OR’ sampai sebuah terminal ditentukan sebagai objek. Bila inference engine tidak dapat menentukan objek maka akan meminta informasi lain. Aturan (Rule) di mana menentukan objek, membentuk path (lintasan) yang mengarah ke objek. Oleh karena itu, hanya satu cara untuk mencapai satu objek adalah memenuhi semua aturan.

Forward chaining: Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri dulu (IF dulu). Dengan kata lain penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.

B.     Metode backward Chaining

Merupakan kebalikan dari forward chaining dimana mulai dengan sebuah hipotesa (sebuah objek) dan meminta informasi untuk meyakinkan atau mengabaikan. Backward chaining inference engine sering disebut: ‘Object-Driven/Goal-Driven‘.

Kedua teknik penalaran di atas (forward dan backward chaining) dipengaruhi oleh tiga macam teknik penelusuran (searching) yaitu:

1. Teknik Depth-First Search

Adalah teknik penelusuran data pada node-node secara vertical dan sudah terdefinisi, misalnya kiri ke kanan, keuntungan pencarian dengan teknik ini adalah bahwa penelurusan masalah dapat di gali secara mendalam sampai di temukannya kapasitas suatu solusi yang optimal.

Kekurangan teknik penelesuran ini adalah membutuhkan waktu yang sangat lama untuk ruang lingkup masalah yang besar.

Gambar Teknik Depth First Search

2. Teknik Breadth-First Search

Adalah teknik penelusuran data pada semua node dalam satu level atau salah satu tingkatan sebelum ke level atau tingkatan di bawahnya. Keuntungan pencarian daengan teknik ini adalah sama dengan depth first search, hanya saja penelusuran dengan tehnik ini mempunyai nilai tambah, dimana semua node akan di cek secara menyeluruh pada setiap tingkatan node. Kekurangan teknik penelusuran ini terletak pada waktu yang dibutuhkan yang sangat lama apabila solusi berada dalam posisi node terakhir sehingga menjadi tidak efisien. Kekurangan dalam implementasi juga perlu di pertimbangkan, misalnya teknik penelusuran menjadi tidak interaktif antara suatu topik dengan topik yang lain atau harus melompat dari satu topik ke topik yang lain sebelum topik tersebut selesai di telusuri.

Gambar Teknik Breadth First Search

3. Teknik Best-First Search

Adalah teknik penelusuran yang menggunakan pengetahuan akan suatu masalah untuk melakukan panduan pencarian ke arah node tempat dimana solusi berada. Pencarian jenis ini dikenal juga sebagai heuristic. Pendekatan yang dilakukan adalah mencari solusi yang terbaik berdasarkan pengetahuan yang dimiliki sehingga penelusuran dapat ditentukan harus di mulai dari mana dan bagaimana menggunakan proses terbaik untuk mencari solusi. Keuntungan jenis pencarian ini adalah mengurangi beban komputasi karena hanya solusi yang memberikan harapan saja yang diuji dan akan berhenti apabila solusi sudah mendekati yang terbaik. Ini merupakan model yang menyerupai cara manusia mengambil solusi yang dihasilkan merupakan solusi yang mutlak benar.

Gambar Teknik Best First Search

DECISSION TREE / POHON KEPUTUSAN

Pengertian

Pohon keputusan adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia. Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi.

Metode ini pada dasarnya merupakan :

·         >Skema atau rangkaian keadaan dan kemungkinan hasilnya (probability outcomes).

·         >Cara untuk menderhanakan dan memecahkan pengambilan keputusan yang rumit dan kompleks.

·         >Angka-angka yang terletak pada cabang-cabang tersebut merupakan probabilitas kesempatan akan      munculnya keputusan yang ada di cabang tersebut dalam pilihan.

·         >Expected values/hasil estimasi adalaha sebuah estimasi hasil dari sebuah keputusan tertentu.

Manfaat Pohon Keputusan

Pohon keputusan adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia. Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi
antara sejumlah calon variabel input dengan sebuah variabel target. Pohon keputusan memadukan antara
eksplorasi data dan pemodelan, sehingga  sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika
dijadikan sebagai model akhir dari beberapa teknik lain. Sering terjadi tawar menawar antara keakuratan
model dengan transparansi model. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk
memprediksi anggota mana yang berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja.

Model Pohon Keputusan

Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Contoh dari pohon keputusan dapat dilihat di Gambar berikut ini.

Model Pohon Keputusan (Pramudiono,2008)

Disini setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. Contoh di Gambar 1 adalah identifikasi pembeli komputer,dari pohon keputusan tersebut diketahui bahwa salah satu kelompok yang potensial membeli komputer adalah orang yang berusia di bawah 30 tahun dan juga pelajar. Setelah sebuah pohon keputusan dibangun maka dapat digunakan untuk mengklasifikasikan record yang belum ada kelasnya. Dimulai dari node root, menggunakan tes terhadap atribut dari recordyang belum ada kelasnya tersebut lalu mengikuti cabang yang sesuai dengan hasil dari tes tersebut, yang akan membawa kepada internal node (node yang memiliki satu cabang masuk dan dua atau lebih cabang yang keluar), dengan cara harus melakukan tes lagi terhadap atribut atau node daun. Record yang kelasnya tidak diketahui kemudian diberikan kelas yang sesuai dengan kelas yang ada pada node daun. Pada pohon keputusan setiap simpul daun menandai label kelas. Proses dalam pohon keputusan yaitu mengubah bentuk data (tabel) menjadi model pohon (tree) kemudian mengubah model pohon tersebut menjadi aturan (rule).

Kelebihan Pohon Keputusan

Kelebihan dari metode pohon keputusan adalah:

§  Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik.

§  Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode pohon keputusan maka sample diuji hanya berdasarkan kriteria atau kelas tertentu.

§  Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang sama. Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu tahap yang lebih konvensional

§  Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon keputusan dapat menghindari munculnya permasalahan ini dengan menggunakan criteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.

Kekurangan Pohon Keputusan

§  Terjadi overlap terutama ketika kelas-kelas dan criteria yang digunakan jumlahnya sangat banyak. Hal tersebut juga dapat

menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memori yang diperlukan.

§  Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon keputusan yang besar.

§  Kesulitan dalam mendesain pohon keputusan yang optimal.

§  Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat tergantung pada bagaimana pohon tersebut didesain.

REFERENSI :

https://fairuzelsaid.wordpress.com/2009/11/24/data-mining-konsep-pohon-keputusan/

http://dua7an.blogspot.co.id/2013/12/tentang-pohon-keputusan-decision-tree.html