SUPPORT VECTOR MACHINE FOR MULTICLASS CLASSIFICATION OF REDUNDANT INSTANCES

SUPPORT VECTOR MACHINE HAS BECOME ONE OF THE MOST IMPORTANT CLASSIFICATION TECHNIQUES IN PATTERN RECOGNITION, MACHINE LEARNING, AND DATA MINING.

AN EFFICIENT MACHINE LEARNING PREDICTION METHOD FOR VEHICLE DETECTION: DATA ANALYTICS FRAMEWORK

THE RISE IN POPULATION HAS LED TO A CORRESPONDING INCREASE IN THE NUMBER OF VEHICLES ON THE ROADWAYS.

STREAMLINING STOCK PRICE ANALYSIS: HADOOP ECOSYSTEM FOR MACHINE LEARNING MODELS AND BIG DATA ANALYTICS

INTEGRATING MACHINE LEARNING MODELS WITHIN THIS ECOSYSTEM ALLOWS FOR ADVANCED ANALYTICS AND PREDICTIVE MODELING.

COGNITIVE APPROACH USING SFL THEORY IN CAPTURING TACIT KNOWLEDGE IN BUSINESS INTELLIGENCE

THE COMPLEXITY OF BUSINESS INTELLIGENCE (BI) PROCESSES NEED TO BE EXPLORED IN ORDER TO ENSURE THE BI SYSTEM PROPERLY TREATS THE TACIT KNOWLEDGE AS PART OF THE DATA SOURCE IN THE BI FRAMEWORK.

TACIT KNOWLEDGE FOR BUSINESS INTELLIGENCE FRAMEWORK: A PART OF UNSTRUCTURED DATA?

IDEA TO CAPTURE KNOWLEDGE FROM DIFFERENT SOURCES CAN BE VERY BENEFICIAL TO BUSINESS INTELLIGENCE (BI).

Data Analitik dan Data Analisis serta Data Science

Four Types of Data Analytics. Sumber: Intellipaat
Beberapa orang percaya bahwa Data analitik dan Data Analisis memiliki makna yang sama. Dari situ terkadang beberapa orang menggunakannya secara bergantian. Secara teknis ini tidak benar. Sebenarnya ada perbedaan yang jelas antara keduanya. Jadi mari kita bahas perbedaan yang tidak begitu jelas antara istilah analisis dan analitik karena meskipun memiliki kesamaan kata-kata, namun memiliki pengertian berbeda.
Pertama kita akan mulai dengan analisis.
Pertimbangkan yang berikut ini.

Anda memiliki kumpulan data yang besar dan berisi data dari beragam jenis yang berbeda. Agar menghindari risiko kesalahan atau agar tidak kewalahan dalam memahami data tersebut, kemudian anda memisahkan setiap data yang anda peroleh sehingga lebih mudah untuk mencerna potongan-potongan data dan mempelajarinya secara individu dan memeriksa bagaimana mereka berhubungan dengan bagian lain. Sampai di sini, dapat kita simpulkan bahwa anda sedang melakukan Analisis pada data yang anda peroleh.

Namun satu hal penting yang perlu diingat adalah bahwa Anda melakukan analisis pada hal-hal yang telah terjadi di masa lalu. Misalnya seperti melakukan analisis untuk menjelaskan bagaimana akhir dari pencapaian target penjualan atau bagaimana historis penurunan curah hujan musim panas lalu.
Semua ini berarti kita melakukan analisis untuk menjelaskan bagaimana dan atau mengapa sesuatu terjadi.

Sekarang mengenai Analitik (Analytics).
Analytics umumnya mengacu pada masa depan, alih-alih menjelaskan peristiwa masa lalu. Dengan kata lain adalah mengeksplorasi potensi masa depan. Analytics pada dasarnya adalah penerapan penalaran logis dan komputasi untuk bagian komponen yang diperoleh dalam analisis. Dalam melakukan kegiatan analitik ini, Anda mencari pola dalam mengeksplorasi apa yang dapat Anda lakukan di masa depan.

Di sini analitik bercabang menjadi dua bidang. Kualitatif dan Kuantitatif.

Analitik kualitatif biasanya menggunakan intuisi dan pengalaman Anda bersama dengan analisis untuk merencanakan langkah bisnis Anda berikutnya (yang seringnya digabungkan bersamaan dengan teknik analisis kuantitatif dengan cara menerapkan rumus dan algoritma ke angka yang telah Anda kumpulkan dari analisis Anda).

Misalnya, katakanlah Anda adalah pemilik toko pakaian online. Anda unggul dalam persaingan dan memiliki pemahaman yang baik tentang apa kebutuhan dan keinginan pelanggan Anda. Anda telah melakukan analisis yang sangat rinci dari artikel pakaian wanita dan merasa yakin tentang tren mode mana yang akan diikuti. Anda dapat menggunakan intuisi ini untuk memutuskan gaya pakaian mana yang akan mulai dijual. Ini akan menjadi analisis kualitatif tetapi Anda mungkin tidak tahu kapan harus memperkenalkan koleksi baru. 

Dalam hal mengandalkan data penjualan sebelumnya dan data pengalaman pengguna, Anda dapat memperkirakan pada bulan apa yang terbaik untuk melakukannya dengan dasar perhitungan kuantitatif. Yang mana, analisis kuantitatif melibatkan angka dan perhitungan spesifik. Dalam hal ini, Anda melakukan analisis kualitatif untuk menjelaskan bagaimana atau mengapa, serta melakukan analisis kuantitatif dengan data masa lalu untuk menjelaskan bagaimana penjualan menurun musim panas lalu untuk memperbaikinya di masa yang akan datang.

Kemudian bagaimana hubungannya dengan Data Sains? Data Sains adalah hasil yang diperoleh atau kegiatan dari (katakanlah) ahli statistik yang mengikuti teknologi modern. Untuk lebih jelasnya bisa dibaca pada postingan: Terminologi Ilmu Data (Data Science) dalam Kegiatan Bisnis

Ilmu Data (Data Science) dalam Kegiatan Bisnis

Four Types of Data Science Jobs sumber: Udacity
Mengapa data sangat penting? Apa yang begitu penting tentang data dan hubungannya dengan bisnis yang sehat? Seiring dengan berjalannya sebuah perusahaan, apakah dengan ketersediaan data atau tidak, sangat dapat disimpulkan bahwa data adalah dasar dari setiap perusahaan yang sukses. Selain itu, pihak manajemen level dalam suatu perusahaan sadar bahwa dengan mendapatkan data yang spesifik akan sangat membantu perusahaan dalam bersaing.

Dalam sebuah perusahaan terdapat tim yang bekerja sebagai pengolah data. Kita sebut saja Tim Data. Tim data memiliki satu tujuan yaitu ingin menyelesaikan masalah dalam bisnis perusahaan. Tim akan melakukan sejumlah besar pekerjaan pada data yang tersedia sesuai dengan masalah yang timbul pada perusahaan.

Simple Business Glossary Example. sumber: Ewsolutions

Kemudian dalam tim data tersebut, terdapat tim business intelligence yang menyajikan dashboard bisnis atau dapat dikatakan penyajian data mengenai apa yang telah terjadi pada masa yang telah lalu.

Business Intelligence Dashboard. sumber: Ducenit

Tim data ini kemudian menggunakan beberapa teknik bisnis analitik atau alat analisis data untuk mengembangkan model yang dapat memprediksi hasil di masa yang akan datang.


Agar tidak membingungkan, mari kita bahas mengenai Data Science terlebih dahulu.
Salah satu penyebab kebingungan mengenai Data Science dewasa ini salah satunya disebabkan oleh evolusi terus-menerus dari berbagai cabang ilmu yang mempelajari data yang melahirkan banyak istilah terminologi ilmu yang mempelajari mengenai data. Salah satunya adalah data science atau ilmu data. Seseorang yang memiliki gelar ahli statistik dua puluh lima tahun yang lalu memiliki tanggung jawab untuk mengumpulkan dan membersihkan beberapa data set dengan menerapkan berbagai metode statistik. Namun dengan pertumbuhan data dan peningkatan teknologi yang cukup signifikan, ahli statistik ini pada akhirnya mampu mengekstrak pola dari data yang ada atau yang telah dianalisa.

Business and Data Science Buzzwords. source: Udemy Course

Ekstraksi pola ini misalnya, berawal dari ahli statistik yang mengembangkan model matematis dengan tujuan untuk melakukan perkiraan yang lebih tepat dan akurat. Kemudian beberapa tahun setelahnya, ahli statistik yang sama, dengan model matematika dan metode statistik baru yang mampu melakukan perkiraan yang lebih akurat melahirkan Datamining. 

Business and Data Science Buzzwords. source: Udemy Course

Kemudian dihasilkan data lebih berkualitas untuk melakukan prediksi. Terminologi Analitik Prediktif pun membuat ahli statistik menjadi seorang ilmuwan data atau Data Scientist yang telah mengikuti teknologi modern.

Business and Data Science Buzzwords. source: Udemy Course