Multiple Sclerosis

multiple sclerosis?? apaan tuh??

td lg googling ttg mata buram,, tiba2 nyangsang ke sini then q baca2 tentang penyakit ini,,

Penyakit ini termasuk kategori serius, seumur hidup, dan menyebabkan kecacatan pada sistem syaraf pusat penderitanya. Sistem syaraf pusat tersebut terdiri dari otak, tulang belakang dan optik (mata). MS merupakan penyakit kronis yang berkembang terus dan akan mempengaruhi kualitas hidup seseorang. “Gejala yampak itu seperti penglihatan kabur, kesemutan kaki atau tangan, tidak dapat kencing, dan kehilangan keseimbangan,” kata spesialis syarat dari FKUI Prof Dr Jusuf Misbach SpS (K) FAAN.”Gejalanya biasanya bergantian. Misalnya mata kabur, awalnya di sebelah kanan, tapi nanti hilang, terus nanti di lain waktu timbulnya di mata sebelah kiri. Begitu juga dengan kesemuatan, bisa semula tangan kiri, di kemudian waktu yang tangan kanan,” urai Misbach. Karena seperti penyakit mata kalau timbul di mata, untuk gejala awal, orang biasanya tidak langsung ke dokter syaraf, melainkan ke dokter mata. ” (upz,,jadi takut… koq ak ngerasain hal2 itu?! Insya Allah nggak deh..)

me and my self only,, i love my self

Complete enough my blue!!!!!!!! i hate today!!!!!!! i just wanna  say,,  ‘NOTHING!!!’,, i don’t know what to say,, i don’t belive anyone..

Think it over, intan!!!

Got the time? q nulis ini start jam 12:05 pm,,, tapi blom ngantuk,, kirain pulang khum bisa ninggalin pikiran ttg TA… but,,, i still thinking of it.. come on intan,, think the problem now.. thinking n searching!!!

Dari tadi kepikiran mau prediksi apa??!

1. Prediksi tentang prestasi co-ass dari tahun ke tahun dengan pengclusteran,,,
2. Prediksi dampak yang ditimbulkan dari tiap kelompok kasus penyakit gigi,, misalnya.. kalo co-ass lagi perawatan endo,, (walah.. gaya eung kya anak2 fkg bahasanya,, naon ceuna endo?!) kalo nggak salah mah itu rawat akar,, nah,, nanti dari kumpulan data masalah endo,, bisa diprediksi kemungkinan yang akan datang,, apa perawatan selanjutnya yang terbaik..
3. apa lagi ya?!…. (still thingking @ 12:10)

Asal-Usul Data Mining

Artikel ini q kutip dari file ppt-nya mas Taufiq Hidayat, MCS.

Machine Learning/ Pengenalan Pola + Statistik/ai + DBS = Data Mining

Kenapa data harus di mining?

Karena data kalo kelamaan bisa numpuk dan cuma tersimpan di data warehouse (gudang data). Sayang kan kalo data cuma numpuk tanpa arti,, jadi sampah aja n menuh-menuhin space hdd?! Padahal, di dalam tumpukan or timbunan data itu ada banyak informasi yang bermanfaat. Nah, dengan data mining bisa dihasilkan informasi pada tumpukan data tersebut tanpa harus nganalisa secara manual,, dibandingin gitu antar data,, disort dan search satu2,,, kapan kelarnya???? Lama!!! udah gitu, kalo manual mah kemungkinan ada data yang kelewat untuk dianalisis.

Nahlo,,, prediksi tentang apa nih?

Ummphhh,, kira2 kasusnya apa ya?????? statement ini dkk menghantui pikirankyu… hehe,, takuttt Insya Allah jadi ambil topik data mining,, dengan modal : 75% nekad + 25% semangat = … Hufh,, Ya Allah, ak bingung.. tapi kalo kelamaan bingung n berpikir terus2an bisa2 waktu abis buat berpikir… Bismillah,, ak TA Data Mining!!! Semangattttt!!!!! Planing,,, mau mining prestasi co-ass di RSGM dkt kostn ak,, (ada deh namanya… secret! hihiiii) nanti ak pake metode prediksi,, itu teh nanti dicari variable2nya terus diolah pake algoritma yang sesuai (heheeee… masih jauh untuk pahami algoritmanya,, tp ak bakal belajar untuk ini!!!) and akan dihasilkan pola hasil prediksi yang menginformasikan prestasi/ kualitas co-ass tiap angkatan,, Ya Allah,, smoga lancar.. Amin… ^_^

Metode Data Mining 1 — Prediksi

• Menggunakan beberapa variable untuk memprediksi suatu nilai yang akan datang
• Proses2 yang ada di metode prediksi :
  1. Klasifikasi :  Proses untuk menemukan model/fungsi yang menjelaskan/membedakan konsep (kelas data) untuk memprediksi kelas dari objek yang labelnya tidak diketahui
     • contoh : Mendeteksi Penipuan – memprediksi kasus kecurangan credit card
     • pendekatan :
       1. Dengan transaksi credit card, lihat informasi dari atribut account holder : kapan customer membeli, dengan cara apa dia membayar, sesering apa membayar tepat waktu?
       2. Namai/tandai setiap transaksi,, mana yang curang dan mana yang baik —> atribut class
       3. Pelajari model utk class transaksi
       4. Model nomor 3 digunakan untuk mendeteksi kecurangan dengan meneliti setiap transaksi credit card apad tiap account.
  2. Decision Tree : salah satu model klasifikasi yang mudah diinterpretasikan
     • contoh :
       1. identifikasi pada pembeli komputer
  3. Analisis Time Series
  4. Regresi : Memetakan data dengan prediksi atribut bernilai real
     • contoh :
       1. Prediksi jumlah penjualan produk baru pada pengeluaran iklan
       2. Prediksi kecepatan memutar pada fungsi temperatur, tekanan udara
  5. Prediksi
  6. Jaringan Saraf Tiruan

NeKaDDddddd ambiL Data MiniNg

Kmaren tuh ak k Bandung dgN tujuan utama sekretariaT IF UNIKOM,,, udahlah tuh setelah ngantri sebentar,, finally q isi daftar surat pengajuan TA,, q isilah,,, Ups,, ada kolom buat isi topik yang mu qt ambil… tanpa pikir paNjang,, i wrote ‘Data Mining’ ^_^

hohooo.. intan,,intan,, modal NEKAD!!! surat ntu mu ak tujuin ke RSGM UNPAD yg lokasinya setempongan dari kostn… (asik kan kalo dekeddd,, hihiiiii) masalahnya yg dah q pikirin kasus yang bukan data mining,, itu lho yg dah pernah q tulis disini.. tentang pembayaran biar terkomputerisasi (kya ATM kecil2an tp cuma ngeluarin kertas aja tanda bukti… ) Dasar intan,,, udaH ngisi daftar n diserahin k teteh sekre baru deh mikir..

Eng ing eng,,, baru aja beberapa langkah dari gerbang lorong UNIKOM,, q kepikiran.. kyanya bisa deh database co-ass d mining dari tahun ke tahun gitu.. coz,, q inget data mining kn dibagi dua tuh,, ada deskripsi ada prediksi.. nah,, bisa nih pake yang prediksi.. (sotoy pisan c intan mah,, hihiiiii) jadi teh maksudnya mah hasil mining itu bisa menampilkan pola2 yang berisi prediksi kualitas co-ass di sana dari taun ke taun,, gini lho,, kan kalo cuma ngeliat draft yang hard copy kadang suka males kan nganalisisnya,,, nanti mah kalo udah ketemu polanya,, inysa Allah bisa ketauan tuh tingkat kemajuannya.. and kalo misalnya kalo kualitas lagi keliatan kurang bagus,, pihak fkg kan bisa diskusiin hal ini dan ngehasilin keputusan,, cara apa nih yang dilakui supaya meningkat lagi… gituuuu… heheee,,, baru cuap-cuap ci,, masalahnya.. q butuh programer data mining.. coz codingku cetekkkkk,,, eitz,, tapi ak bakal berusaha analisis semampu ak lho,, jadi kan nggak sia2 jebol dari kungkungan (apa lagi kungkungan,, bahasa mana tuh?!) IT selama 4 taun,,, hehe… DOAKAN SAYA YA!!! ^_^

Miss u MQ-102.7 fm

Inget Bandung, inget Mq fm.. kalo ada ang belum tau tentang Mq fm, Mq fm teh radio islami yang ada di bandung,, mateb pisan dah,, Subhanallah,, kalo yang dengerin Mq fm,, hati mah bakal terasa nyaman n damai,,, insya Allah isinya berbobot.. tapi, ada acara yg bikin mupeng,,, yaitu ‘Rumahku Syurgaku’, jadi pengen b’keluarga (ups!)

di jakarta ada nggak ya radio seperti,, smoga aja ad,, amin..

Mq fm jadi alasan juga kenapa q betah d bandung,, smuanya memang atas kehendak Allah Swt, seringggg… banget waktu q lagi gundah coz suatu masalah,, suddenly ad tausiyah yang menjawab n mengobati kegundahanku.. ^_^ (Subhanallah, Alhamdulillah, Allahu Akbar!)

Smoga Mq dan orang2 yang terlibat d dalamnya plusss pendengarnya dirahmati Allah Swt,,, Amin..

KDD (Knowledge Discovery in Database)

Berhubungan dengan teknik integrasi & penemuan ilmiah, inteprerasi dan visualisasi dari pola2, proses untuk mencari dan mengidentifikasi pola dalam data, dimana pola yang ditemukan bersifat sah, baru, dapat bermanfaat dan dapat dimengerti.

Tahap2nya :

1. Data Cleaning :
   • membuang noise (kesalahan yang terjadi secara acak/ karena variasi dalam pengukuran variable)
   • membuang inconsistence data
   • menangani missing value (nilai yang hilang)
   • “Pada umumnya dalam database memiliki isian yang tidak sempurna, seperti data hilang, invalid data, atribut yang tidak relevan Atribut yang tidak relevan sebaiknya dibuang, karena akan mengurangi akurasi dari hasil mining” (indo-dm)
     
2. Data Integration : menggabungkan database dari beberapa sumber yang berbeda
   • “Integrasi data perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang dan bahkan menyesatkan pengambilan aksi nanatinya. Contoh, intergrasi data berdasarkan jenis produk ternyata menggabungkan produk dari kategori yang berbeda maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada.”(indo-dm)
3. Data Selection : menyeleksi data yang dibutuhkan dan sesuai dengan analisis proses data mining yang disimpan dalam suatu berkas yang terpisah dari database operasional, menciptakan himpunan data target, memilih himpunan data tersebut
4. Data Transformation : mengubah data menjadi bentuk yang sesuai dengan data mining
   • “Beberapa teknik dami membutuhkan format yang khusus sebelum bisa diaplikasikan. Contoh, teknik analisis asosiasi dan clustering hanya bisa menerima input data kategorial. Karena itu, data berupa angka numerik yang berlanjut perlu dibagi-bagi menjadi beberapa interval (proses binning). Disini juga dilakukan pemilihan data yang diperlukan oleh teknik yang dipakai. ” (indo-dami)
5. Data mining : mengolah data menjadi pola2 informasi
6. Pattern Evaluation : mengevaluasi pola2 untuk mendapatkan pola yang bernilai
7. Knowledge Presentation : mempresentasikan pengetahuan dari pola2 tersebut