Model simulasi kejadian diskrit berbeda dari tipe model lainnya. Model simulasi kejadian diskrit menggabungkan banyak variabel acak sehingga hasil (output) model merupakan variabel acak juga. Sebagai hasilnya, perkiraan output dalam penjalanan simulasi tertentu dapat sangat berbeda dari karakteristik model sebenarnya. Karena itu menggunakan output simulasi kejadian diskrit untuk menjawab pertanyaan pemodelan yang merupakan perilaku dan karakteristik sistem nyata bisa menjadi pekerjaan yang sangat sulit. Output model simulasi seperti ini bisa dengan mudah disalahinterpresentasikan.
Dalam berbagai studi simulasi, waktu dan dana besar biasanya dikelurkan saat pengembangan model dan pembuatan program, tapi sangat sedikit usaha yagn dilakukan dalam menganalisis output simulasi dengan tepat. Ada beberapa alasan kenapa analisis data output belum dilakukan dengan benar. Pertama, pengguna sering membayangkan bahwa simulasi hanya latihan dalam pemrograman komputer, bahkan untuk yang sangat kompleks. Akibatnya, banyak studi simulasi dimulai dengan pembangunan dan pengkodean model heuristik dan diakhiri dengan penjalanan tunggal mode untuk menghasilkan “jawaban”. Padahal, simulasi adalah percobaan contoh statistik berbasis komputer. Oleh karena itu, jika hasil simulasi tidka mempunyai arti, teknik statistik harus digunakan untuk merancang dan menganalisis percobaan simulasi. Alasan kedua adalah output proses semua simulasi maya bersifat dinamis dan otokorelasi. Oelh karena itu teknik statistik klasik yang didasarkan pada pengamatan IID (Identics and independent distribution) tidak secara langsung dapat diaplikasikan. Masih ada juga beberapa permasalahan analisis output dimana tidak ada solusi lengkap yang dapat diterima, dan metode yang tersedia biasanya terlalu kompleks untuk digunakan. Kegagalan lainnya adalah biaya waktu komputer yang dibutuhkan untuk mengumpulkan jumlah cukup data output. Bahkan kadang-kadang ada situasi dimana prosedur statistik yang tersedia sesuai, tetapi biaya mengumpulkan data yang dibutuhkan prosedur itu terlalu mahal. Permasalahan terakhir ini memang sudah mulai mendapatkan penyelesaian karena kebanyakan analis mempunyai mikrokomputer atau stasiun kerja dengan kecepatan tinggi. Komputer seperti ini sudah tidak terlalu mahal dan dapat dijalankan sepanjang malam atau selama akhir pekan untuk menghasilkan data output simulasi yang sangat besar pada biaya marjinal nol.
Tujuan Analisis Output
Dari awal kita sudah memahami bahwa langkah awal dan penting dalam analisis simulasi adalah mendefinisikan dengan jelas pertanyaan model simulasi yang diharapkan untuk dijawab. Analis harus selalu mempunyai pemahaman yang jelas pertanyaan apa yang harus dijawab ketika analisis diselesaikan dan menggunakan pertanyaan sebagai arahan melakukan analisis data, pengembangan model, validasi dan analisis output. Tujuan dari analisis output oleh karenanya adalah menjawab pertanyaan yang diajukan di awal pembentukan model dengan benar. Bentuk pertanyaan mengindikasikan pengujian hipotesis, selang kepercayaan atau pendugaan parameter.
Kita kembali ke simulasi sistem komputer time-shared. Kita asumsikan bahwa waktu aktif server adalah 24 jam sehari. Pertanyaan-pertanyaan yang mungkin perlu untuk dijawab analis adalah:
1. berapa lama seorang pengguna harus menunggu untuk terkoneksi dengan sistem?
2. berapa persen pengguna yang menunggu?
3. berapa peluang bahwa pengguna akan menunggu lebih dari 1 menit untuk terkoneksi?
4. berapa rata-rata pengguna yang menunggu terkoneksi?
5. berapa rata-rata waktu seorang pengguna terkoneksi dalam setiap koneksi yang dibuat?
6. apakah dengan menambah jumlah port akan dapat mengurangi waktu menunggu koneksi pengguna secara signifikan?
7. apakah dengan memperbesar memori CPU akan dapat mengurangi waktu menunggu koneksi pengguna secara signifikan?
8. apakah dengan mempercepat transmisi akan dapat mengurangi waktu menunggu koneksi pengguna secara signifikan?
9. berapa waktu rata-rata port kosong?
10. berapa banyak waktu menunggu akan naik jika pemanggilan pengguna bertambah 10%?
Dan banyak lagi pertanyaan yang mungkin diajukan sesuai dengan kebutuhan analisis. Jika model dirancang dengan benar, setiap pertanyaan itu akan dapat dijawab tetapi mungkin membutuhkan data yang berbeda yang harus dikumpulkan selama penjalanan simulasi. Untuk menjawab pertanyaan itu dengan beanr, analisis harus memutuskan berapa lama simulasi akan dijalankan, mengontrol laju kedatangan dan waktu terkoneksi, dan keakuratan statistik jawaban (tingkat kesalahan yang biasa disebut dengan signifikansi dalam statistik).
Permasalahan Analisis Output Model Simulasi
Untuk menggambarkan permasalahan analisis output model simulasi kita kembali ke model sistem komputer time-shared. Kita mengasumsikan (berdasarkan data historis atau perhitungan lainnya) bahwa laju pemanggilan pengguna untuk koneksi ke sistem adalah 75 per jam dan waktu rata-rata terkoneksi 35 menit. Kedua waktu ini (pemanggilan dan koneksi) berdisribusi secara eksponensial. Hasil penjalanan model simulasi ditunjukkan Tabel 1.
Kapanpun kita melakukan analisis data statistik, asumsi tentang proses darimana data itu ditarik dan pengamatannya harus dibuat. Jika asumsi yang dibuat tidak benar, maka akan dihasilkan kesimpulan karakteristik dan perilaku proses yang tidak benar. Ketika menganalisis data statistik adalah umum menggunakan asumsi:
1. pengamatan saling bebas.
2. waktu proses bervariasi.
3. untuk pengamatan dalam jumlah besar (lebih besar atau sama dengan 30), rata-rata sampel menyebar normal.
Kamis, 06 Januari 2011
Diskriminan
ANALISIS DISKRIMINAN
Pengertian:
Analisis diskriminan adalah salah satu teknik statistik yang bisa digunakan pada hubungan dependensi (hubungan antarvariabel dimana sudah bisa dibedakan mana variabel respon dan mana variabel penjelas).
Tujuan:
Memperoleh fungsi diskriminan, yaitu fungsi yang mampu digunakan membedakan suatu objek masuk ke dalam populasi tertentu berdasarkan pengamatan terhadap objek tersebut
Fungsi:
• Merupakan kombinasi dari beberapa peubah, satu peubah saja umumnya tidak mencukupi
• Dari banyak peubah, menggunakan fungsi diskriminan diperoleh sebuah indeks
• Berdasarkan kriteria tertentu, dengan indeks ini kita mengklasifikasikan objek
Contoh:
Dengan melihat gejala-gejala yang nampak pada seseorang, dokter bisa menduga penyakit apa yang diderita orang tersebut
Pendekatan Fisher:
a = S-1(m1 - m2)
dan kita akan mengelompokkan x ke P1 jika a’x ³ h, dan kebalikannya kita masukkan x ke dalam P2, dengan h = a’(m1 + m2) / 2. Dengan kata lain, x akan dimasukkan ke populasi yang paling dekat dengannya.
Cara lain untuk melakukan klasifikasi adalah menggunakan konsep jarak terhadap vektor rataan populasi yang paling dekat. Artinya jika ada suatu pengamatan baru x = (x1, x2), maka pengamatan atau objek baru ini akan kita masukkan ke dalam populasi ke-1 (P1) hanya jika jarak x terhadap vektor rataan populasi ke-1 lebih dekat daripada jarak x terhadap vektor rataan populasi ke-2. Jarak antara x terhadap vektor rataan diperoleh menggunakan formula mahalanobis, yaitu:
Analisis Diskriminan untuk k Populasi yang Menyebar Normal:
• Ada konsep sebaran prior
• Seringkali juga perlu mempertimbangkan biaya salah klasifikasi
• Mencari fungsi yang meminimumkan expected cost of missclassification
Analisis Diskriminan Linear:
• aturan yang paling sederhana pada klasifikasi bisa dinyatakan dalam fungsi kuadrat jarak yaitu
• dt(x) = (x - mt)’S-1(x - mt) – 2 ln(pt)
Menduga Tingkat Salah Klasifikasi
Dengan cara:
• Error Rate
• Validasi silang
• Posterior probability error rate
Analisis Diskriminan Kuadratik
Multivariate normal namun matriks ragam-peragamnya tidak sama
Penyeleksian Peubah pada Analisis Diskriminan
Dimulai dengan memilih satu peubah yang paling penting, dan dilanjutkan dengan pemilihan peubah penting lain satu demi satu menggunakan suatu kriteria tertentu.
Pengertian:
Analisis diskriminan adalah salah satu teknik statistik yang bisa digunakan pada hubungan dependensi (hubungan antarvariabel dimana sudah bisa dibedakan mana variabel respon dan mana variabel penjelas).
Tujuan:
Memperoleh fungsi diskriminan, yaitu fungsi yang mampu digunakan membedakan suatu objek masuk ke dalam populasi tertentu berdasarkan pengamatan terhadap objek tersebut
Fungsi:
• Merupakan kombinasi dari beberapa peubah, satu peubah saja umumnya tidak mencukupi
• Dari banyak peubah, menggunakan fungsi diskriminan diperoleh sebuah indeks
• Berdasarkan kriteria tertentu, dengan indeks ini kita mengklasifikasikan objek
Contoh:
Dengan melihat gejala-gejala yang nampak pada seseorang, dokter bisa menduga penyakit apa yang diderita orang tersebut
Pendekatan Fisher:
a = S-1(m1 - m2)
dan kita akan mengelompokkan x ke P1 jika a’x ³ h, dan kebalikannya kita masukkan x ke dalam P2, dengan h = a’(m1 + m2) / 2. Dengan kata lain, x akan dimasukkan ke populasi yang paling dekat dengannya.
Cara lain untuk melakukan klasifikasi adalah menggunakan konsep jarak terhadap vektor rataan populasi yang paling dekat. Artinya jika ada suatu pengamatan baru x = (x1, x2), maka pengamatan atau objek baru ini akan kita masukkan ke dalam populasi ke-1 (P1) hanya jika jarak x terhadap vektor rataan populasi ke-1 lebih dekat daripada jarak x terhadap vektor rataan populasi ke-2. Jarak antara x terhadap vektor rataan diperoleh menggunakan formula mahalanobis, yaitu:
Analisis Diskriminan untuk k Populasi yang Menyebar Normal:
• Ada konsep sebaran prior
• Seringkali juga perlu mempertimbangkan biaya salah klasifikasi
• Mencari fungsi yang meminimumkan expected cost of missclassification
Analisis Diskriminan Linear:
• aturan yang paling sederhana pada klasifikasi bisa dinyatakan dalam fungsi kuadrat jarak yaitu
• dt(x) = (x - mt)’S-1(x - mt) – 2 ln(pt)
Menduga Tingkat Salah Klasifikasi
Dengan cara:
• Error Rate
• Validasi silang
• Posterior probability error rate
Analisis Diskriminan Kuadratik
Multivariate normal namun matriks ragam-peragamnya tidak sama
Penyeleksian Peubah pada Analisis Diskriminan
Dimulai dengan memilih satu peubah yang paling penting, dan dilanjutkan dengan pemilihan peubah penting lain satu demi satu menggunakan suatu kriteria tertentu.
Klasifikasi
Klasifikasi merupakan proses untuk menemukan sekumpulan model yang menjelaskan dan membedakan kelas-kelas data, sehingga model tersebut dapat digunakan untuk memprediksi nilai suatu kelas yang belum diketahui pada sebuah objek (Agny Ismaya, 2005). Di dalam klasifikasi diberikan sejumlah record yang dinamakan training set, yang terdiri dari beberapa atribut, atribut dapat berupa kontinyu ataupun kategoris, salah satu atribut menunjukkan kelas untuk record. Tujuan dari klasifikasi adalah untuk:
1. Menemukan model dari training set yang membedakan record kedalam kategori atau kelas yang sesuai, model tersebut kemudian digunakan untuk mengklasifikasikan record yang kelasnya belum diketahui sebelumnya pada test set.
2. Mengambil keputusan dengan memprediksikan suatu kasus, berdasarkan hasil klasifikasi yang diperoleh . Untuk mendapatkan model, kita harus melakukan analisis terhadap data latih (training). Sedangkan data uji (test set) digunakan untuk mengetahui tingkat akurasi dari model yang telah dihasilkan. Klasifikasi dapat digunakan untuk memprediksi nama atau nilai kelas dari suatu obyek data.
Proses klasifikasi data dapat dibedakan dalam 2 tahap, yaitu :
1. Pembelajaran / Pembangunan Model
Tiap – tiap record pada data latih dianalisis berdasarkan nilai – nilai atributnya, dengan suatu algoritma klasifikasi untuk mendapatkan model.
2. Klasifikasi
Pada tahap ini, data uji digunakan untuk mengetahui tingkat akurasi dari model yang dihasilkan. Jika tingkat akurasi yang diperoleh sesuai dengan nilai yang ditentukan, maka model tersebut dapat digunakan untuk mengklasifikasikan record – record data baru yang belum pernah dilatihkan atau diujikan sebelumnya.
Didalam Klasifikasi sebagaimana telah dijelaskan, ada beberapa teknik klasifikasi yang digunakan, anataralain: pohon keputusan, rule based, neural network, support vector machine, naive bayes, dan nearest neighbour. Dan pada praktikum ini akan menggunakan teknik pohon keputusan, karena beberapa alasan:
1. Dibandingkan dengan classifier JST atau bayesian, sebuah pohon keputusan mudah diinterpretasi/ ditangani oleh manusia.
2. Sementara training JST dapat menghabiskan banyak waktu dan ribuan iterasi, pohon keputusan efisien dan sesuai untuk himpunan data besar.
3. Algoritma dengan pohon keputusan tidak memerlukan informasi tambahan selain yang terkandung dalam data training (yaitu, pengetahuan domain dari distribusi-distribusi pada data atau kelas-kelas).
4. Pohon keputusan menunjukkan akurasi klasifikasi yang baik dibandingkan dengan teknikteknik yang lainnya.
Tipe Simpul Pada Tree
Tree mempunyai 3 tipe simpul (Arun George Eapen), yaitu:
1. Simpul akar dimana tidak ada masukan edge dan 0 atau lebih keluaran edge (tepi),
2. Simpul internal, masing-masing 1 masukan edge dan 2 atau lebih edge keluaran,
3. Simpul daun atau simpul akhir, masing-masing 1 masukan edge dan tidak ada edge keluaran.
1. Menemukan model dari training set yang membedakan record kedalam kategori atau kelas yang sesuai, model tersebut kemudian digunakan untuk mengklasifikasikan record yang kelasnya belum diketahui sebelumnya pada test set.
2. Mengambil keputusan dengan memprediksikan suatu kasus, berdasarkan hasil klasifikasi yang diperoleh . Untuk mendapatkan model, kita harus melakukan analisis terhadap data latih (training). Sedangkan data uji (test set) digunakan untuk mengetahui tingkat akurasi dari model yang telah dihasilkan. Klasifikasi dapat digunakan untuk memprediksi nama atau nilai kelas dari suatu obyek data.
Proses klasifikasi data dapat dibedakan dalam 2 tahap, yaitu :
1. Pembelajaran / Pembangunan Model
Tiap – tiap record pada data latih dianalisis berdasarkan nilai – nilai atributnya, dengan suatu algoritma klasifikasi untuk mendapatkan model.
2. Klasifikasi
Pada tahap ini, data uji digunakan untuk mengetahui tingkat akurasi dari model yang dihasilkan. Jika tingkat akurasi yang diperoleh sesuai dengan nilai yang ditentukan, maka model tersebut dapat digunakan untuk mengklasifikasikan record – record data baru yang belum pernah dilatihkan atau diujikan sebelumnya.
Didalam Klasifikasi sebagaimana telah dijelaskan, ada beberapa teknik klasifikasi yang digunakan, anataralain: pohon keputusan, rule based, neural network, support vector machine, naive bayes, dan nearest neighbour. Dan pada praktikum ini akan menggunakan teknik pohon keputusan, karena beberapa alasan:
1. Dibandingkan dengan classifier JST atau bayesian, sebuah pohon keputusan mudah diinterpretasi/ ditangani oleh manusia.
2. Sementara training JST dapat menghabiskan banyak waktu dan ribuan iterasi, pohon keputusan efisien dan sesuai untuk himpunan data besar.
3. Algoritma dengan pohon keputusan tidak memerlukan informasi tambahan selain yang terkandung dalam data training (yaitu, pengetahuan domain dari distribusi-distribusi pada data atau kelas-kelas).
4. Pohon keputusan menunjukkan akurasi klasifikasi yang baik dibandingkan dengan teknikteknik yang lainnya.
Tipe Simpul Pada Tree
Tree mempunyai 3 tipe simpul (Arun George Eapen), yaitu:
1. Simpul akar dimana tidak ada masukan edge dan 0 atau lebih keluaran edge (tepi),
2. Simpul internal, masing-masing 1 masukan edge dan 2 atau lebih edge keluaran,
3. Simpul daun atau simpul akhir, masing-masing 1 masukan edge dan tidak ada edge keluaran.
Market Basket Analysis (MBA)
Asociation dalam data mining adalah pekerjaan untuk menentukan mana atribut yang akan didapatkan bersamaan. Dalam dunia bisnis lazim dikenal istilah affinity analysis. Tugas dari asociation rule adalah mencari aturan yang tidak mengcover untuk mengukur hubungan antara dua atau lebih atribut.
Market Basket Analysis merupakan salah satu contoh penerapan Association Rule. Untuk menyampaikan ide mendasar dari Market Basket Analysis, dimulai dengan melihat gambar keranjangan belanjaan yang berisi bermacam-macam barang-barang yang dibeli oleh seseorang disebuah supermarket. Keranjang ini berisi bermacam-macam barang-barang seperti roti, susu, sereal, telur, mentega, gula, dan sebagainya. Sebuah keranjang memberitahukan kepada kita tentang apa saja yang dibeli oleh seorang konsumen dalam satu waktu. Sebuah daftar belanjaan yang lengkap yang diperoleh dari semua konsumen memberikan kita informasi yang sangat banyak, dan ini dapat menjelaskan barang-barang apa saja yang paling penting dari bisnis penjualan yaitu ”apa barang yang dibeli oleh konsumen dan kapan”.
Tiga Level Market Basket Data
Market Basket Data adalah data transaksi yang menjelaskan tiga perbedaan entitas yang mendasar yaitu :
1. Customers
2. Orders/pembelian
3. Items (barang-barang)
Support dan Confidence
Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support (nilai penunjang) yaitu persentase kombinasi item tersebut dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan assosiatif. Aturan assosiatif biasanya dinyatakan dalam bentuk : {roti,mentega} → {susu} (support = 40%, confidence = 50%)Yang artinya : ”50% dari transaksi di database yang memuat item roti dan mentega juga memuat item susu. Sedangkan 40% dari seluruh transaksi yang ada di database memuat ketiga item itu”. Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan assosiatif yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence).
Metode Dasar Association Rule
Metodologi dasar analisis asosiasi terbagi menjadi dua tahap :
1. Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database, yang dapat dirumuskan sebagai berikut: Support = P(A = jumlah transaksi yang memuat A dan B / total jumlah transaksi
2.Pembentukan aturan assosiatif
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A→ B dengan menggunakan rumus berikut : Confidence = P(B / A) = : Support P(AP(A)
3. Lift / Improvement Ratio
Lift Ratio adalah parameter penting selain support dan confidence dalam association rule. Lift Ratio mengukur seberapa penting rule yang teleh terbentuk berdasarkan nilai support dan confidence. Lift Ratio merupakan nilai yang menunjukkan kevalidan proses transaksi dan memberikan informasi apakah benar produk A dibeli bersamaan dengan produk B.
Lift / Improvement Ratio dapat dihitung dengan rumus
SupportAB/Support(A).Support(B)
Pemanfaatan Aturan Asosiasi
Sesuai namanya, aturan asosiasi yang dihasilkan dalam proses Market Basket Analysis umumnya digunakan pada bisnis retail. Untuk bagian pemasaran, peningkatan penjualan dapat dicapai dengan mengorganisasikan ulang item-item sehingga item-item yang terjual bersama-sama selalu ditemukan bersama. Hal ini akan memicu pembelian dan membantu memastikan pelanggan untuk membeli sebuah item tidak lupa untuk membelinya karena tidak melihatnya. Organisasi retail juga dapat memberikan kupon diskon untuk pembelian item B jika pelanggan membeli item A. Selain dalam bisnis retail, Market Basket Analysis juga dapat diaplikasikan dalam bidang-bidang yang lain. Market Basket Analysis dapat digunakan dalam spam filtering, fraud detection (pendeteksi kecurangan, dalam klaim asuransi misalnya), analisis pembelian kartu kredit, analisis pola panggilan telepon, analisis penggunaan layanan telekomunikasi, dan sebagainya.
Market Basket Analysis merupakan salah satu contoh penerapan Association Rule. Untuk menyampaikan ide mendasar dari Market Basket Analysis, dimulai dengan melihat gambar keranjangan belanjaan yang berisi bermacam-macam barang-barang yang dibeli oleh seseorang disebuah supermarket. Keranjang ini berisi bermacam-macam barang-barang seperti roti, susu, sereal, telur, mentega, gula, dan sebagainya. Sebuah keranjang memberitahukan kepada kita tentang apa saja yang dibeli oleh seorang konsumen dalam satu waktu. Sebuah daftar belanjaan yang lengkap yang diperoleh dari semua konsumen memberikan kita informasi yang sangat banyak, dan ini dapat menjelaskan barang-barang apa saja yang paling penting dari bisnis penjualan yaitu ”apa barang yang dibeli oleh konsumen dan kapan”.
Tiga Level Market Basket Data
Market Basket Data adalah data transaksi yang menjelaskan tiga perbedaan entitas yang mendasar yaitu :
1. Customers
2. Orders/pembelian
3. Items (barang-barang)
Support dan Confidence
Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support (nilai penunjang) yaitu persentase kombinasi item tersebut dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan assosiatif. Aturan assosiatif biasanya dinyatakan dalam bentuk : {roti,mentega} → {susu} (support = 40%, confidence = 50%)Yang artinya : ”50% dari transaksi di database yang memuat item roti dan mentega juga memuat item susu. Sedangkan 40% dari seluruh transaksi yang ada di database memuat ketiga item itu”. Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan assosiatif yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence).
Metode Dasar Association Rule
Metodologi dasar analisis asosiasi terbagi menjadi dua tahap :
1. Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database, yang dapat dirumuskan sebagai berikut: Support = P(A = jumlah transaksi yang memuat A dan B / total jumlah transaksi
2.Pembentukan aturan assosiatif
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A→ B dengan menggunakan rumus berikut : Confidence = P(B / A) = : Support P(AP(A)
3. Lift / Improvement Ratio
Lift Ratio adalah parameter penting selain support dan confidence dalam association rule. Lift Ratio mengukur seberapa penting rule yang teleh terbentuk berdasarkan nilai support dan confidence. Lift Ratio merupakan nilai yang menunjukkan kevalidan proses transaksi dan memberikan informasi apakah benar produk A dibeli bersamaan dengan produk B.
Lift / Improvement Ratio dapat dihitung dengan rumus
SupportAB/Support(A).Support(B)
Pemanfaatan Aturan Asosiasi
Sesuai namanya, aturan asosiasi yang dihasilkan dalam proses Market Basket Analysis umumnya digunakan pada bisnis retail. Untuk bagian pemasaran, peningkatan penjualan dapat dicapai dengan mengorganisasikan ulang item-item sehingga item-item yang terjual bersama-sama selalu ditemukan bersama. Hal ini akan memicu pembelian dan membantu memastikan pelanggan untuk membeli sebuah item tidak lupa untuk membelinya karena tidak melihatnya. Organisasi retail juga dapat memberikan kupon diskon untuk pembelian item B jika pelanggan membeli item A. Selain dalam bisnis retail, Market Basket Analysis juga dapat diaplikasikan dalam bidang-bidang yang lain. Market Basket Analysis dapat digunakan dalam spam filtering, fraud detection (pendeteksi kecurangan, dalam klaim asuransi misalnya), analisis pembelian kartu kredit, analisis pola panggilan telepon, analisis penggunaan layanan telekomunikasi, dan sebagainya.
Analisis Regresi
Regresi Linier
1. Regresi Linier Sederhana
Jika kita menghadapi persoalan yang berkaitan variable berpasangan, maka kita dapat menyalesaikannya dengan menggunakan analisis regresi sederhana. Pada analisis ini, kita bekerja mengguanakan 2 (dua) kelompok data. Regresi linier sederhana mengamati pengaruh satu variabel bebas (independent variable) terhadap variabel tidak bebas (dependent variable). Secara matematis regresi linier sederhana dapat dituliskan dalam bentuk persamaan sebagai berikut :
Ŷ = a + bX
dimana : Ŷ = variabel yang diramalkan (dependent variable)
X = variabel yang diketahui (Independent variable)
a = besarnya nilai Ŷ pada saat nilai X = 0
b = besarnya perubahan nilai Ŷ apabila nilai X bertambah satu satuan, disebut koefisien regresi apabila dua variable x dan y mempunyai hubungan ( korelasi ), maka perubahan variable yang satu (x) akan memepengaruhi variable yang lain (y).apabila model atau fungsi sudah diketahui, misalnya y = a + bx, dengan x adalah variable yang sudah diketahui, maka nilai variable y dapat dihitung.
Tujuan Analisis ini adalah memeperkirakan atau menaksir besarnya efek kuantitatif dari suatu kejadian terhadap kejadian lain. Misalnya :
- Sebuah perusahaan menambah biaya iklan untuk meningkatkan penjualan produknya
- Peningkatan pendapatan seseorang akan mengakibatkan peningkatan konsumsi
- Pengurangan impor beras diharapkan dapat meningkatkan harga beras dalam negeri
2. Regresi Linier Berganda
Regresi linier berganda pada dasarnya sama dengan regresi sederhana yang telah di kemukakan diatas, perbedaannya hanya pada jumlah variabel bebasnya saja. Regresi linier berganda mengamati pengaruh lebih dari satu variabel bebas (independent variable) terhadap variabel tidak bebas (dependent variable), minimal ada dua buah variabel bebas (independent variable). Analisis Linier Berganda adalah suatu metode statistik umum yang digunakan untuk meneliti hubungan antara sebuah variable dependent dengan beberapa variable independent. Tujuan analisis regresi linier berganda adalah menggunakan variable independentyang diketahui, untuk meramalkan variable dependent. Misalnya : penjualan sebuah produk dapat dipengaruhi oleh biaya promosi, biaya produksi, biaya transportasi, gaji karyawan dan lain-lain. Jumlah pengeluaran rumah tangga dipengaruhi oleh pendapatan, jumlah keluarga. Secara matematis regresi linier berganda dapat dituliskan dalam persamaan berikut :
Ŷ = a + b1X1 + b2X2 + b3X3 + … + bnXn
dimana : Y = variabel yang diramalkan (dependent variable)
X1, X2, X3, …, Xn = variabel yang diketahui (independent variable)
b1, b2, b3,…, bn = koefisien regresi
Regresi Non Linier
Regresi non linier adalah suatu metode untuk mendapatkan model non linier yang menyatakan veriabel dependen dan independen. Apabila hubungan fungsi antara variabel bebas X dan variabel tidak bebas Y bersifat non linier, maksudnya jika data asli Xi dan Yi ditebarkan pada diagram tebar (scater diagram) tidak mengikuti garis lurus tetapi mengikuti suatu bentuk kurva tertentu, katakanlah kurva eksponensial, maka analisis regresi yang cocok untuk menerangkan hubungan antara X dan Y tersebut adalah analisis regresi non linier sederhana.
Tansformasi Bentuk Nonlinier ke Bentuk Linier
Untuk mendapatkan linieritas dari hubungan non linier, dapat melekukan transformasi pada variabel dependen atau variabel independen atau keduanya. Jika melakukan pengubahan pada variabel independen, maka linieritas bisa didapat tanpa adanya efek dari distribusi variabel dependen. Jadi jika variabel dependen didistribusikan secara normal dengan varians konstan untuk masing-masing X, maka variabel ini akan tetap berdistribusi normal.
1. Regresi Linier Sederhana
Jika kita menghadapi persoalan yang berkaitan variable berpasangan, maka kita dapat menyalesaikannya dengan menggunakan analisis regresi sederhana. Pada analisis ini, kita bekerja mengguanakan 2 (dua) kelompok data. Regresi linier sederhana mengamati pengaruh satu variabel bebas (independent variable) terhadap variabel tidak bebas (dependent variable). Secara matematis regresi linier sederhana dapat dituliskan dalam bentuk persamaan sebagai berikut :
Ŷ = a + bX
dimana : Ŷ = variabel yang diramalkan (dependent variable)
X = variabel yang diketahui (Independent variable)
a = besarnya nilai Ŷ pada saat nilai X = 0
b = besarnya perubahan nilai Ŷ apabila nilai X bertambah satu satuan, disebut koefisien regresi apabila dua variable x dan y mempunyai hubungan ( korelasi ), maka perubahan variable yang satu (x) akan memepengaruhi variable yang lain (y).apabila model atau fungsi sudah diketahui, misalnya y = a + bx, dengan x adalah variable yang sudah diketahui, maka nilai variable y dapat dihitung.
Tujuan Analisis ini adalah memeperkirakan atau menaksir besarnya efek kuantitatif dari suatu kejadian terhadap kejadian lain. Misalnya :
- Sebuah perusahaan menambah biaya iklan untuk meningkatkan penjualan produknya
- Peningkatan pendapatan seseorang akan mengakibatkan peningkatan konsumsi
- Pengurangan impor beras diharapkan dapat meningkatkan harga beras dalam negeri
2. Regresi Linier Berganda
Regresi linier berganda pada dasarnya sama dengan regresi sederhana yang telah di kemukakan diatas, perbedaannya hanya pada jumlah variabel bebasnya saja. Regresi linier berganda mengamati pengaruh lebih dari satu variabel bebas (independent variable) terhadap variabel tidak bebas (dependent variable), minimal ada dua buah variabel bebas (independent variable). Analisis Linier Berganda adalah suatu metode statistik umum yang digunakan untuk meneliti hubungan antara sebuah variable dependent dengan beberapa variable independent. Tujuan analisis regresi linier berganda adalah menggunakan variable independentyang diketahui, untuk meramalkan variable dependent. Misalnya : penjualan sebuah produk dapat dipengaruhi oleh biaya promosi, biaya produksi, biaya transportasi, gaji karyawan dan lain-lain. Jumlah pengeluaran rumah tangga dipengaruhi oleh pendapatan, jumlah keluarga. Secara matematis regresi linier berganda dapat dituliskan dalam persamaan berikut :
Ŷ = a + b1X1 + b2X2 + b3X3 + … + bnXn
dimana : Y = variabel yang diramalkan (dependent variable)
X1, X2, X3, …, Xn = variabel yang diketahui (independent variable)
b1, b2, b3,…, bn = koefisien regresi
Regresi Non Linier
Regresi non linier adalah suatu metode untuk mendapatkan model non linier yang menyatakan veriabel dependen dan independen. Apabila hubungan fungsi antara variabel bebas X dan variabel tidak bebas Y bersifat non linier, maksudnya jika data asli Xi dan Yi ditebarkan pada diagram tebar (scater diagram) tidak mengikuti garis lurus tetapi mengikuti suatu bentuk kurva tertentu, katakanlah kurva eksponensial, maka analisis regresi yang cocok untuk menerangkan hubungan antara X dan Y tersebut adalah analisis regresi non linier sederhana.
Tansformasi Bentuk Nonlinier ke Bentuk Linier
Untuk mendapatkan linieritas dari hubungan non linier, dapat melekukan transformasi pada variabel dependen atau variabel independen atau keduanya. Jika melakukan pengubahan pada variabel independen, maka linieritas bisa didapat tanpa adanya efek dari distribusi variabel dependen. Jadi jika variabel dependen didistribusikan secara normal dengan varians konstan untuk masing-masing X, maka variabel ini akan tetap berdistribusi normal.
contoh WARALABA
WARALABA/FRANCHISE ULTRA DISC
Kita semua tahu bahwa pembajakan hak cipta seseorang adalah haram hukumnya, karena selain merugikan para artis yang terlibat di dalamnya, juga merugikan pemroduksi serta para pelaku bisnis yang terlibat di dalamnya. Untuk itu, dalam rangka meningkatkan kesadaran hukum masyarakat Indonesia akan kerugian yang ditimbulkan oleh pembajakan pembajakan CD/DVD, maka waralaba Ultra Disc, waralaba rental DVD dan CD original menawarkan kerjasama bagi para investor dalam bentuk waralaba/franchise, bagi hasil atau bentuk kerjasama lainnya.
Dengan program waralaba, franchise Ultra Disc juga mem berikan :
1. Sistem dan program, dengan melakukan standarisasi dalam penanganan sistem kerja usaha serta menyediakan sistem program penyewaan dan pengembangan.
2. Pelatihan karyawan dan manajerial, pengawasan dan pengontrolan toko secara keseluruhan baik sebelum ataupun sesudah toko berjalan.
3.Promosi,baik yang bersifat nasional ataupun lokal.
4. Penyediaan film (VCD dan DVD original), sebanyak +/- 2000-3000 film dengan penyediaan film film baru. Selain itu, display outletpun juga memiliki standar tertentu.
SYARAT - SYARAT
1. Menyediakan lokasi
a. Luas ruangan ± 20 - 100 m2
b. Lokasi berada dekat keramaian atau dalam area perumahan
c. Memiliki area parkir yang dapat menampung minimal 3 mobil
d. Kapasitas tegangan listrik minimal 3.500 Watt
e. Memiliki fasilitas telepon
f. Memiliki fasilitas toilet
2. Standarisasi peralatan toko
a. Papan billboard atau neon sign
b. Warna eksterior dan interior
c. Penerangan yang memadai
d. Rak display, meja kasir, laci penyimpanan, rak TV, tempat poster, dll
e. Seperangkat komputer lengkap dengan modem
f. Printer dot matrik
g. Barcode scanner
h. TV, DVD Player dan sound system
i. Pendingin ruangan (AC)
j. Aksesoris toko lainnya
3. Legalitas
a. Franchise fee untuk jangka waktu 5 (lima) tahun.
b. Ijin - ijin Usaha
- SITU (Surat Ijin Tempat Usaha)
- SIUP (Surat Ijin Usaha Perdagangan)
- NPWP (Nomor Pokok Wajib Pajak)
- Surat - surat ijin sesuai dengan kebijakan daerah
c. Pajak – pajak yang timbul
- Pajak reklame
- Pajak penghasilan
- Pajak - pajak lainnya sesuai dengan kebijakan daerah
4. Biaya Operasional
a. Gaji Karyawan, lembur, THR, bonus
b. Listrik, telepon
c. Menyediakan Kas Kecil
Franchisor Name : Ultra Disc Category : Entertainment Origin of Franchise : Local Year of Establish : 1998 Franchise Establish : 2002 Number of Outlets : 140 Franchise Fee : Rp. 15.000.000 include barang (disc) Year of Contract : 5 Initial Investment : By lokasi, renovasi dari franchisee, namun standard design dari franchisor
Hak Franchisor: Berhak menerima royalty atas pendapatan penyewaan yang diterima oleh pihak kedua sebesar 5%,produk film adalah milik pihak pertama yang dapat menambah atau mengurangi jumlah dan kuantitas film outlet,pihak pertama berhak menetukan harga jual,sewa dan system diskon sesuai dengan harga pasar,penyewaan VCD 50% untuk pihak pertama 50% untuk pihak kedua,penyewaan DVD 75% untuk pihak pertama 25% untuk pihak kedua.
Kewajiban Franchisor: Pihak pertama wajib menyediakan produksi VCD dan DVD orisinal,memberikan bantuan system,penempatan display,logo dan pelatihan karyawan,menanggung seluruh biaya sehubungan dengan retur,melakukan kegiatan promosi.
Hak Franchisee: Mendapat ijin pemakaian logo,merk,konsep toko dan system penyewaan,mendapatkan semua produk VCD dan DVD orisinal,berhak mendapat bantuan system,penempatan display, logo dan pelatihan karyawan.
Kewajiban Franchisee: Membayar royalty atas pendapatan penyewaan yang diterima kepada franchisor,setuju atas standarisasi yang ditetapkan franchisor,membayar franchise fee kepada franchisor sebesar Rp 15 juta,dilarang menyediakan film baik orisinal maupun bajakan,menjaga keutuhan kualitas dan kuantitas produk.
Kita semua tahu bahwa pembajakan hak cipta seseorang adalah haram hukumnya, karena selain merugikan para artis yang terlibat di dalamnya, juga merugikan pemroduksi serta para pelaku bisnis yang terlibat di dalamnya. Untuk itu, dalam rangka meningkatkan kesadaran hukum masyarakat Indonesia akan kerugian yang ditimbulkan oleh pembajakan pembajakan CD/DVD, maka waralaba Ultra Disc, waralaba rental DVD dan CD original menawarkan kerjasama bagi para investor dalam bentuk waralaba/franchise, bagi hasil atau bentuk kerjasama lainnya.
Dengan program waralaba, franchise Ultra Disc juga mem berikan :
1. Sistem dan program, dengan melakukan standarisasi dalam penanganan sistem kerja usaha serta menyediakan sistem program penyewaan dan pengembangan.
2. Pelatihan karyawan dan manajerial, pengawasan dan pengontrolan toko secara keseluruhan baik sebelum ataupun sesudah toko berjalan.
3.Promosi,baik yang bersifat nasional ataupun lokal.
4. Penyediaan film (VCD dan DVD original), sebanyak +/- 2000-3000 film dengan penyediaan film film baru. Selain itu, display outletpun juga memiliki standar tertentu.
SYARAT - SYARAT
1. Menyediakan lokasi
a. Luas ruangan ± 20 - 100 m2
b. Lokasi berada dekat keramaian atau dalam area perumahan
c. Memiliki area parkir yang dapat menampung minimal 3 mobil
d. Kapasitas tegangan listrik minimal 3.500 Watt
e. Memiliki fasilitas telepon
f. Memiliki fasilitas toilet
2. Standarisasi peralatan toko
a. Papan billboard atau neon sign
b. Warna eksterior dan interior
c. Penerangan yang memadai
d. Rak display, meja kasir, laci penyimpanan, rak TV, tempat poster, dll
e. Seperangkat komputer lengkap dengan modem
f. Printer dot matrik
g. Barcode scanner
h. TV, DVD Player dan sound system
i. Pendingin ruangan (AC)
j. Aksesoris toko lainnya
3. Legalitas
a. Franchise fee untuk jangka waktu 5 (lima) tahun.
b. Ijin - ijin Usaha
- SITU (Surat Ijin Tempat Usaha)
- SIUP (Surat Ijin Usaha Perdagangan)
- NPWP (Nomor Pokok Wajib Pajak)
- Surat - surat ijin sesuai dengan kebijakan daerah
c. Pajak – pajak yang timbul
- Pajak reklame
- Pajak penghasilan
- Pajak - pajak lainnya sesuai dengan kebijakan daerah
4. Biaya Operasional
a. Gaji Karyawan, lembur, THR, bonus
b. Listrik, telepon
c. Menyediakan Kas Kecil
Franchisor Name : Ultra Disc Category : Entertainment Origin of Franchise : Local Year of Establish : 1998 Franchise Establish : 2002 Number of Outlets : 140 Franchise Fee : Rp. 15.000.000 include barang (disc) Year of Contract : 5 Initial Investment : By lokasi, renovasi dari franchisee, namun standard design dari franchisor
Hak Franchisor: Berhak menerima royalty atas pendapatan penyewaan yang diterima oleh pihak kedua sebesar 5%,produk film adalah milik pihak pertama yang dapat menambah atau mengurangi jumlah dan kuantitas film outlet,pihak pertama berhak menetukan harga jual,sewa dan system diskon sesuai dengan harga pasar,penyewaan VCD 50% untuk pihak pertama 50% untuk pihak kedua,penyewaan DVD 75% untuk pihak pertama 25% untuk pihak kedua.
Kewajiban Franchisor: Pihak pertama wajib menyediakan produksi VCD dan DVD orisinal,memberikan bantuan system,penempatan display,logo dan pelatihan karyawan,menanggung seluruh biaya sehubungan dengan retur,melakukan kegiatan promosi.
Hak Franchisee: Mendapat ijin pemakaian logo,merk,konsep toko dan system penyewaan,mendapatkan semua produk VCD dan DVD orisinal,berhak mendapat bantuan system,penempatan display, logo dan pelatihan karyawan.
Kewajiban Franchisee: Membayar royalty atas pendapatan penyewaan yang diterima kepada franchisor,setuju atas standarisasi yang ditetapkan franchisor,membayar franchise fee kepada franchisor sebesar Rp 15 juta,dilarang menyediakan film baik orisinal maupun bajakan,menjaga keutuhan kualitas dan kuantitas produk.
Langganan:
Postingan (Atom)