KONSEP DATA MINING

Pendahuluan

Perkembangan data mining(DM) yang pesat tidak dapat lepas dari perkembangan teknologi informasi yang memungkinkan data dalam jumlah besar terakumulasi. Sebagai contoh, toko swalayan merekam setiap penjualan barang dengan memakai alat POS(point of sales). Database data penjualan tsb. bisa mencapai beberapa GB setiap harinya untuk sebuah jaringan toko swalayan berskala nasional. Perkembangan internet juga punya andil cukup besar dalam akumulasi data.

Tetapi pertumbuhan yang pesat dari akumulasi data itu telah menciptakan kondisi yang sering disebut sebagai “rich of data but poor of information” karena data yang terkumpul itu tidak dapat digunakan untuk aplikasi yang berguna. Tidak jarang kumpulan data itu dibiarkan begitu saja seakan-akan “kuburan data” (data tombs).

DM adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual. Patut diingat bahwa kata mining sendiri berarti usaha untuk mendapatkan sedikit barang berharga dari sejumlah besar material dasar. Karena itu DM sebenarnya memiliki akar yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent), machine learning, statistik dan database. Beberapa teknik yang sering disebut-sebut dalam literatur DM antara lain : clustering, classification, association rule mining, neural network, genetic algorithm dan lain-lain.

Yang membedakan persepsi terhadap DM adalah perkembangan teknik-teknik DM untuk aplikasi pada database skala besar. Sebelum populernya DM, teknik-teknik tersebut hanya dapat dipakai untuk data skala kecil saja.

Proses Data Mining

Tahap-Tahap Data Mining :

Karena DM adalah suatu rangkaian proses, DM dapat dibagi menjadi beberapa tahap yang diilustrasikan di Gambar 1[4]:

1. Pembersihan data (untuk membuang data yang tidak konsisten dan noise)

2. Integrasi data (penggabungan data dari beberapa sumber)

3. Transformasi data (data diubah menjadi bentuk yang sesuai untuk di-mining)

4. Aplikasi teknik DM

5. Evaluasi pola yang ditemukan (untuk menemukan yang menarik/bernilai)

6. Presentasi pengetahuan (dengan teknik visualisasi)

Gambar 1 : Tahap-Tahap Data Mining

Tahap-tahap tsb. bersifat interaktif di mana pemakai terlibat langsung atau dengan perantaraan knowledge base.

Data Warehouse

Biasanya perusahaan-perusahaan memakai database dalam operasi sehari-harinya seperti pencatatan transaksi jual-beli, administrasi pengiriman barang, inventori, penggajian dsb yang lazim disebut dengan OLTP (online transaction processing). Dengan makin besarnya kebutuhan akan analisa data untuk mempertahankan keunggulan dalam kompetisi, banyak perusahaan yang juga membangun database tersendiri yang khusus digunakan untuk menunjang proses pengambilan keputusan (decision making) atau lazim juga disebut dengan OLAP (online analytical processing).

Berbeda dengan OLTP yang hanya memakai operasi query yang sederhana dan berulang-ulang, query untuk OLAP biasanya lebih rumit , bersifat adhoc, dan tidak melibatkan operasi data update. OLAP juga tidak memakai data operasi sehari-hari begitu saja, tetapi memakai data yang sudah terangkum dengan model data yang disebut data cube. Data cube adalah presentasi data multidimensi seperti jenis barang, waktu, lokasi dsb. Ilustrasi dari data cube ditunjukkan di Gambar 2.

Gambar 2: Data Cube Pada Data Warehouse

Dimensi pada data cube dapat dibuat bertingkat, contohnya dimensi lokasi dapat dibagi menjadi kota, propinsi dan negara. Sedangkan dimensi waktu mencakup jam, hari, minggu, bulan, tahun dsb. Dengan ini pemakai dapat dengan mudah mendapat rangkuman informasi dari tingkatan dimensi yang lebih luas/umum seperti negara atau tahun dengan operasi yang disebut roll-up seperti ditunjukkan di Gambar 2. Sebaliknya dengan operasi drill-down, pemakai dapat menggali informasi dari tingkatan dimensi yang lebih detil seperti data harian atau data di lokasi yang spesifik.

Data cube yang tersedia pada data warehouse memungkinkan pemakai untuk menganalisa data operasi sehari-hari dengan berbagai sudutpandang, dan sangat berguna untuk mengevaluasi suatu asumsi bisnis. Akan tetapi untuk mendapatkan informasi yang tidak diketahui secara eksplisit diperlukan satu tahap lagi yaitu aplikasi teknik DM. Disini data warehouse merupakan data mentah untuk DM. Data warehouse sendiri secara periodik diisi data dari OLTP setelah menjalani pembersihan dan integrasi data. Karena itu ada pula anggapan bahwa DM adalah tahap lanjut dari OLAP.

Teknik-Teknik Data Mining

Dengan definisi DM yang luas, ada banyak jenis teknik analisa yang dapat digolongkan dalam DM. Karena keterbatasan tempat, disini penulis akan memberikan sedikit gambaran tentang tiga teknik DM yang paling populer.

Association Rule Mining

Association rule mining adalah teknik mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif dari analisa pembelian di suatu pasar swalayan adalah bisa diketahui berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tsb. pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support yaitu persentase kombinasi item tsb. dalam database dan confidence yaitu kuatnya hubungan antar item dalam aturan assosiatif.

Algoritma yang paling populer dikenal sebagai Apriori dengan paradigma generate and test, yaitu pembuatan kandidat kombinasi item yang mungkin berdasar aturan tertentu lalu diuji apakah kombinasi item tsb memenuhi syarat support minimum. Kombinasi item yang memenuhi syarat tsb. disebut frequent itemset, yang nantinya dipakai untuk membuat aturan-aturan yang memenuhi syarat confidence minimum[1]. Algoritma baru yang lebih efisien bernama FP-Tree[5].

Classification

Classification adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Model itu sendiri bisa berupa aturan “jika-maka”, berupa decision tree, formula matematis atau neural network.

Gambar 3: Decision Tree

Decision tree adalah salah satu metode classification yang paling populer karena mudah untuk diinterpretasi oleh manusia. Contoh dari decision tree dapat dilihat di Gambar 3. Disini setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. Contoh di Gambar 3 adalah identifikasi pembeli komputer, dari decision tree tsb. diketahui bahwa salah satu kelompok yang potensial membeli komputer adalah orang yang berusia di bawah 30 tahun dan juga pelajar.

Algoritma decision tree yang paling terkenal adalah C4.5[7], tetapi akhir-akhir ini telah dikembangkan algoritma yang mampu menangani data skala besar yang tidak dapat ditampung di main memory seperti RainForest[3]. Metode-metode classification yang lain adalah Bayesian, neural network, genetic algorithm, fuzzy, case-based reasoning, dan k-nearest neighbor.

Proses classification biasanya dibagi menjadi dua fase : learning dan test. Pada fase learning, sebagian data yang telah diketahui kelas datanya diumpankan untuk membentuk model perkiraan. Kemudian pada fase test model yang sudah terbentuk diuji dengan sebagian data lainnya untuk mengetahui akurasi dari model tsb. Bila akurasinya mencukupi model ini dapat dipakai untuk prediksi kelas data yang belum diketahui.

Clustering

Berbeda dengan association rule mining dan classification dimana kelas data telah ditentukan sebelumnya, clustering melakukan penge-lompokan data tanpa berdasarkan kelas data tertentu. Bahkan clustering dapat dipakai untuk memberikan label pada kelas data yang belum diketahui itu. Karena itu clustering sering digolongkan sebagai metode unsupervised learning.

Prinsip dari clustering adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster. Clustering dapat dilakukan pada data yan memiliki beberapa atribut yang dipetakan sebagairuang multidimensi. Ilustrasi dari clustering dapat dilihat di Gambar 4 dimana lokasi, dinyatakan dengan bidang dua dimensi, dari pelanggan suatu toko dapat dikelompokkan menjadi beberapa cluster dengan pusat cluster ditunjukkan oleh tanda positif (+).

Banyak algoritma clustering memerlukan fungsi jarak untuk mengukur kemiripan antar data, diperlukan juga metode untuk normalisasi bermacam atribut yang dimiliki data.

Beberapa kategori algoritma clustering yang banyak dikenal adalah metode partisi dimana pemakai harus menentukan jumlah k partisi yang diinginkan lalu setiap data dites untuk dimasukkan pada salah satu partisi, metode lain yang telah lama dikenal adalah metode hierarki yang terbagi dua lagi : bottom-up yang menggabungkan cluster kecil menjadi cluster lebih besar dan top-down yang memecah cluster besar menjadi cluster yang lebih kecil. Kelemahan metode ini adalah bila bila salah satu penggabungan/pemecahan dilakukan pada tempat yang salah, tidak dapat didapatkan cluster yang optimal. Pendekatan yang banyak diambil adalah menggabungkan metode hierarki dengan metode clustering lainnya seperti yang dilakukan oleh Chameleon[6].

Gambar 4: Clustering

Akhir-akhir ini dikembangkan juga metode berdasar kepadatan data, yaitu jumlah data yang ada di sekitar suatu data yang sudah teridentifikasi dalam suatu cluster. Bila jumlah data dalam jangkauan tertentu lebih besar dari nilai ambang batas, data-data tsb dimasukkan dalam cluster. Kelebihan metode ini adalah bentuk cluster yang lebih fleksibel. Algoritma yang terkenal adalah DBSCAN[2].

CLOUD COMPUTING DAN CONTOH IMPLEMENTASINYA

KOMPUTASI MODERN

Pendahuluan

Komputasi sebenarnya dapat diartikan sebagai cara untuk menemukan pemecahan masalah dari data input dengan menggunakan suatu algoritma. Hal ini ialah apa yang disebut dengan teori komputasi, suatu sub-bidang dari ilmu komputer dan matematika. Selama ribuan tahun, perhitungan dan komputasi umumnya dilakukan denganmenggunakan pena dan kertas, atau kapur dan batu tulis, atau dikerjakan secara mental, kadang-kadang dengan bantuan suatu tabel. Namun sekarang, kebanyakan komputasi telah dilakukan dengan menggunakan komputer.

Secara umum iIlmu komputasi adalah bidang ilmu yang mempunyai perhatian pada penyusunan model matematika dan teknik penyelesaian numerik serta penggunaan komputer untuk menganalisis dan memecahkan masalah-masalah ilmu (sains). Dalam penggunaan praktis, biasanya berupa penerapan simulasi komputer atau berbagai bentuk komputasi lainnya untuk menyelesaikan masalah-masalah dalam berbagai bidang keilmuan, tetapi dalam perkembangannya digunakan juga untuk menemukan prinsip prinsip baru yang mendasar dalam ilmu.

Bidang ini berbeda dengan ilmu komputer (computer science), yang mengkaji komputasi, komputer dan pemrosesan informasi. Bidang ini juga berbeda dengan teori dan percobaan sebagai bentuk tradisional dari ilmu dan kerja keilmuan. Dalam ilmu alam, pendekatan ilmu komputasi dapat memberikan berbagai pemahaman baru, melalui penerapan model-model matematika dalam program komputer berdasarkan landasan teori yang telah berkembang, untuk menyelesaikan masalah-masalah nyata dalam ilmu tersebut.

John Von Neumann, Sang Penggagas Komputasi Modern

John von Neumann (1903-1957) adalah ilmuan yang meletakkan dasar-dasar komputer modern. Dalam hidupnya yang singkat, Von Neumann telah menjadi ilmuwan besar abad 21. Von Neumann meningkatkan karya-karyanya dalam bidang matematika, teori kuantum, game theory, fisika nuklir, dan ilmu komputer. Beliau juga merupakan salah seorang ilmuwan yang sangat berpengaruh dalam pembuatan bom atom di Los Alamos pada Perang Dunia II lalu.

Von Neumann dilahirkan di Budapest, Hungaria pada 28 Desember 1903 dengan nama Neumann Janos. Dia adalah anak pertama dari pasangan Neumann Miksa dan Kann Margit. Di sana, nama keluarga diletakkan di depan nama asli. Sehingga dalam bahasa Inggris, nama orang tuanya menjadi Max Neumann. Pada saat Max Neumann memperoleh gelar, maka namanya berubah menjadi Von Neumann. Setelah bergelar doktor dalam ilmu hukum, dia menjadi pengacara untuk sebuah bank. Pada tahun 1903, Budapest terkenal sebagai tempat lahirnya para manusia genius dari bidang sains, penulis, seniman dan musisi.

Von Neumann juga belajar di Berlin dan Zurich dan mendapatkan diploma pada bidang teknik kimia pada tahun 1926. Pada tahun yang sama dia mendapatkan gelar doktor pada bidang matematika dari Universitas Budapest. Keahlian Von Neumann terletak pada bidang teori game yang melahirkan konsep seluler automata, teknologi bom atom, dan komputasi modern yang kemudian melahirkan komputer. Kegeniusannya dalam matematika telah terlihat semenjak kecil dengan mampu melakukan pembagian bilangan delapan digit (angka) di dalam kepalanya.

Setelah mengajar di Berlin dan Hamburg, Von Neumann pindah ke Amerika pada tahun 1930 dan bekerja di Universitas Princeton serta menjadi salah satu pendiri Institute for Advanced Studies.

Dipicu ketertarikannya pada hidrodinamika dan kesulitan penyelesaian persamaan diferensial parsial nonlinier yang digunakan, Von Neumann kemudian beralih dalam bidang komputasi. Sebagai konsultan pada pengembangan ENIAC, dia merancang konsep arsitektur komputer yang masih dipakai sampai sekarang. Arsitektur Von Nuemann adalah komputer dengan program yang tersimpan (program dan data disimpan pada memori) dengan pengendali pusat, I/O, dan memori.

Komputasi Modern

Komputasi bisa diartikan sebagai cara untuk menyelesaikan sebuah masalah dari inputan data dengan menggunakan algoritma.

Teknologi komputasi adalah aktivitas penggunaan dan pengembangan teknologi komputer, perangkat keras, dan perangkat lunak komputer. Ia merupakan bagian spesifik komputer dari teknologi informasi.

Konsep dasar arsitektur komputer modern adalah konsep sebuah sistem yang menerima intruksi-intruksi dan menyimpannya dalam sebuah memory. Konsep ini pertama kali digagasi oleh John Von Neumann. Beliau di lahirkan di Budapest, ibukota Hungaria pada 28 Desember 1903 dengan nama Neumann Janos. Karya – karya yang dihasilkan adalah karya dalam bidang matematika, teori kuantum, game theory, fisika nuklir, dan ilmu komputer. Beliau juga merupakan salah seorang ilmuwan yang sangat berpengaruh dalam pembuatan bom atom di Los Alamos pada Perang Dunia II lalu. Kepiawaian John Von Neumann teletak pada bidang teori game yang melahirkan konsep automata, teknologi bom atom dan komputasi modern yang kemudian melahirkan komputer.

Pengertian : Komputasi sebetulnya bisa diartikan sebagai cara untuk menemukan pemecahan masalah dari data input dengan menggunakan suatu algoritma. Komputasi merupakan suatu sub-bidang dari ilmu komputer dan matematika. Selama ribuan tahun, perhitungan dan komputasi umumnya dilakukan dengan menggunakan pena dan kertas, atau kapur dan batu tulis, atau dikerjakan secara mental, kadang-kadang dengan bantuan suatu tabel. Namun sekarang, kebanyakan komputasi telah dilakukan dengan menggunakan komputer. Komputasi yang menggunakan komputer inilah yang disebut dengan Komputasi Modern. Komputasi modern menghitung dan mencari solusi dari masalah yang ada, yang menjadi perhitungan dari komputasi modern adalah : 1.Akurasi (bit, Floating poin) 2. Kecepatan (Dalam satuan Hz) 3. Problem volume besar (Down sizing atau paralel) 4. Modeling (NN dan GA) 5. Kompleksitas (Menggunakan teori Big O).

CLOUD COMPUTING

Pendahuluan

Saat ini dengan cepatnya perkembangan IT telah membuat proses dan strategis bisnis berubah dengan cepat. Tidak ada lagi management perusahaan yang tidak peduli dengan persaingan produk dari rival bisnisnya, Penggunaan perangkat IT sudah menjadi keharusan saat ini, yang dapat dilihat dari anggaran belanja sampai dengan implementasi IT di sebuah perusahaan. IT sudah dipandang sebagai salah satu senjata untuk bersaing di kompetisi global, kecenderungan ini terlihat dari tidak digunakannya lagi IT sebagai pelengkap dari proses bisnis perusahaan, namun IT dijadikan sebagai bagian dari proses bisnisnya.

Dahulu sangat sulit menyakinkan pimpinan perusahaan untuk menjadikan IT sebagai suatu solusi yang dapat membantu visi-misi dan proses bisnis apalagi menyamakan strategi IT dengan visimisi dan strategi bisnis perusahaan. Sejak era tahun 2000an disaat sudah banyak solusi yang diberikan oleh vendor IT di dunia dengan konsep one stop solutions nya, muncul permasalahan baru yaitu besarnya dana / anggaran yang dibutuhkan untuk mengimplementasikan teknologinya sampai dengan pembiayaan maintenance yang dibutuhkan. Belum lagi dipusingkan dengan kurangnya skill SDM yang menguasai teknologi baru tersebut. Kecenderungan saat ini teknologi semakin perkembang dengan cepat, perangkat keras / lunak muncul dengan versi atau model terbaru, hal ini juga berdampak pada permasalahan teknis dan non teknis seharihari dilapangan semakin kompleks. Jangan sampai perangkat yang mahal dan terbaru tidak dapat optimal karena permasalahan klasik dan teknis lainnya.

Solusi Sistem Enterprise seperti ERP dengan SAPnya telah menjadi solusi bagi perusahaan untuk meningkatkan efisiensi dan keakuratan bisnis dalam proses produk yang dihasilkan. Harapan management setelah mengimplementasikan sistem integrasi enterprise ini dapat meningkat seperti fungsi control, monitoring dan pengambilan keputusan.

Paradigma Baru

Karena tuntutan kebutuhan akan informasi yang semakin cepat, tata kelola ICT dalam manajemen di suatu perusahaan akan semakin kompleks baik dari sisi teknis atau non teknis lainnya. Tuntutan ini memunculkan ”lahan bisnis” baru bagi para provider, munculnya solusi outsourching yang mempercayakan sistem ICT perusahaan dihandle dan dimaintenance oleh pihak ketiga (vendor). Dahulu Model dianggap paling tepat untuk solusi perusahaan yang tidak mempunyai dana lebih dalam implementasi IT dan tidak mempunyai divisi khusus IT /EDP. Namun dalam perkembangan dilapangan provider ini mulai bergeser ke services content atau pemain layanan data & Internet (ISP) mulai melirik pangsa pasar ini.

Era akhir tahun 90an dan awal tahun 200an, terdapat solusi yang ditawarkan pada vendor perangkat lunak, Konsep ini dahulu dikenal dengan ASP (Application Service Provider), menurut Kamus Komputer ASP ini merupakan suatu usaha yang menawarkan akses berupa penggunaan aplikasi perangkat lunak kepada pengguna individu maupun perkantoran melalui sarana Internet. Pada dasarnya ASP adalah suatu Independent Software Vendor (ISV) atau ISP yang memanfaatkan Internet sebagai sarana penyampaian sehingga program aplikasinya bias berfungsi.

Saat ini telah banyak digunakan sebagai solusi integrasi sistem dengan lebih efisien, efisien disisi biaya dan maintenancenya. Di indonesia sendiri sudah banyak yang memanfaatkan ASP Kantor pajak Wajib Pajak dapat menyampaikan SPT secara elektronik (e-Filling), Cargo Garuda Indonesia dan sebagainya.

Ada banyak keuntungan dengan menggunakan ASP, diantaranya ;

1. Sangat membantu bagi perusahaan SOHO dan yang baru startup, sangat terasa keuntungannya dengan rendahnya biaya instalasi, dan waktu yang pendek dalam implementasi

2. Membayar sesuai dengan yang kita gunakan, hal ini akan membuat lebih murah dalam layanan yang diinginkan user

3. Dengan Model ini kita dapat mengeliminasi kebutuhan akan infrasturktur IT yang mahal dan rumit.

Era Cloud Computing

Perkembangan IT saat ini menuju dengan konsep-kosenp social networkingnya, openess, share, colaborations, mobile, easy maintenance, one click, terdistribusi / tersebar, scalability, Concurency dan Transparan, Saat ini terdapat trend teknologi yang masih terus digali dalam penelitian-penelitian para pakar IT di dunia, yaitu Cloud Computing. Akses data dari mana saja dan menggunakan perangkat fixed atau mobile device menggunakan internet cloud sebagai tempat menyimpan data, applications dan lainnya yang dapat dengan mudah mengambil data, download applikasi dan berpindah ke cloud lainnya, hal ini memungkinkan kita dapat memberikan layanan aplikasi secara mobile di masa depan. Trend ini akan memberikan banyak keuntungan baik dari sisi pemberi layanan (provider) atau dari sisi user.

Trend saat ini adalah dapat memberikan berbagai macam layanan secara teristribusi dan pararel secara remote dan dapat berjalan di berbagai device, dan teknologinya dapat dilihat dari berbagai macam teknologi yang digunakan dari proses informasu yang dilakukan secara otsourching sampai dengan penggunaan eksternal data center [3]. Cloud Computing merupakan model yang memungkinkan dapat mendukung layanan yang disebut ”Everything-as-a-service” (XaaS) [6]. Dengan demikian dapat mengintegrasikan virtualized physical sources, virtualized infrastructure, seperti juga sebaik virtualized middleware platform dan aplikasi bisnis yang dibuat untuk pelanggan didalam cloud tersebut.

Ada beberapa keuntungan yang dapat dilihat dari perkembangan Cloud Computing ini, seperti :

1. Lebih efisien karena menggunakan anggaran yang rendah untuk sumber daya

2. Membuat lebih eglity, dengan mudah dapat berorientasi pada profit dan perkembangan yang cepat

3. Membuat operasional dan manajemen lebih mudah, dimungkinkan karena system pribadi atau perusahaan yang terkoneksi dalam satu cloud dapat dimonitor dan diatur dengan mudah

4. Menjadikan koloborasi yang terpecaya dan lebih ramping

5. Membantu dalam menekan biaya operasi biaya modal pada saat kita meningkatkan reliability dan kritikal sistem informasi yang kita bangun.

Struktur Cloud Computing

Terdapat tiga komponen platform = computer desktop, mobile devices dan cloud, dengan memperhatikan masalah kemudahan dan keamanan, dimungkinkan dapat dengan mudah para user untuk pindah dari satu aplikasi ke aplikasi lain dimana saja.

Software as a services (SaaS): perkembangan dari web 2.0, perpaduan dengan online application SAAS, Dapat memungkinkan kolaborasi dan integrasi manajemen tools semua devices.

Interkoneksi Sel

Grid computing muncul untuk menyatukan banyak CPU yang bekerja secar pararel untuk menyelesaikan suatu pekerjaan tertentu. Integrasi CPU ini bias saja dilakukan dalam sebuah network lokal atau internetworking yang tersebar di seluruh dunia.

Interkoneksi ini membentuk cel-cel yang saling terintegrasi secara private atau public atau kedua-duanya.

Infrastructure as a Service (IaaS), Platform as a Service (PaaS), Software as a Service (SaaS),

Human as a Service (HaaS) [6].

CONTOH IMPLEMENTASI APLIKASI MENGGUNAKAN CLOUD COMPUTING

Salesforce.com

Contoh aplikasi berbasis cloud computing adalah salesforce.com, Google Docs. salesforce.com adalah aplikasi Customer Relationship Management (CRM) berbasis software as services, dimana kita bisa mengakses aplikasi bisnis: kontak, produk, sales tracking, dashboard, dll.

Google Docs adalah aplikasi word processor, spreadsheet, presentasi semacam Microsoft Office, yang berbasis di server. Terintegrasi dengan Google Mail, file tersimpan dan dapat di proses dari internet.

Perbedaan dan Persamaan Mobile,Grid dan Cloud computing

Mobile Computing

Mobile computing adalah sebuah teknologi yang memungkinkan penggunanya bisa memanfaatkan kemampuan komputer secara optimal, meski dalam posisi berpindah-pindah. Banyak kalangan menilai bahwa mobile computing akan menggeser keberadaan desktop atau PC yang selama ini kita kenal.

Perbedaan

• Merupakan sekumpulan peralatan (hardware), data, dan perangkat lunak aplikasi yang bermobilisasi/berpindah lokasi.
• Dapat melakukan aktivitas komputasi di mana saja, kapan saja, siapa saja.

Laptop merupakan salah satu perangkat mobile computing yang paling banyak digunakan.

Grid Computing

Grid computing adalah lingkungan komputasi tersebar, dimana berbagai server (produser) menawarkan jasa sumber daya komputasi yang bisa diakses oleh klien (konsumer) sesuai kebutuhan. Sistem tersebut melakukan koordinasi terhadap sumberdaya komputasi yang tidak berada dibawah suatu kendali terpusat. Seandainya sumber daya yang digunakan berada dalam satu cakupan domain administratif, maka komputasi tersebut belum dapat dikatakan komputasi grid.

Perbedaan

• Menggunakan PC pada umumnya untuk menjalankannya, sehingga terpaku pada satu lokasi.
• Grid computing menggunakan standard dan protokol yang bersifat terbuka (tidak terpaut pada suatu implementasi atau produk tertentu).

Cara kerja Grid Computing

Cloud Computing

Istilah “Cloud Computing” mungkin masih asing dan belum banyak di dengar dalam berbagai media, karena memang masih tergolong istilah baru yang meski sebenarnya konsepnya sudah berlangsung lama. Cloud yang secara bahasa berarti awan. Dalam dunia IT, awan ini adalah sebuah internet. Cloud computing itu sendiri adalah sebuah paradigma komputasi di mana kapabilitas IT disediakan sebagai layanan berbasis internet.

Perbedaan

• Menggunakan PC pada umumnya untuk menjalankannya, sehingga terpaku pada satu lokasi.
• Penggunaan teknologi komputer berbasis Internet sehingga pemakaian komputer makin murah dan hemat energi.

Struktur alur komputasi pada cloud Computing

Dari ketiga proses komputasi modern tersebut terdapat kesamaan diantaranya adalah :

• Ketiganya membutuhkan media pengolah data modern untuk menjalankannya seperti PC,laptop maupun handphone.
• Merupakan paradigma baru dari teknologi untuk proses komputasi dalam memecahkan sebuah masalah serta menemukan solusinya.

sumber :

http://www.byon.co.id/about/?act=detail&p_id=15

http://komputasi.inn.bppt.go.id/semiloka06/Eko_M_Budi.pdf

http://irenkdesign.wordpress.com/2008/11/30/cloun-computing-tren-baru-di-dunia-it/

TUGAS GRAFIK KOMPUTER II

Nama : Putri Resti D.
NPM : 50406567

tugas berupa file .max dan dapat di jalankan menggunakan 3d max. Tugas tersebut dapat di download dengan meng-klik disini.

MATRIKS

c=imread('reita.jpg');
asci=uint8(c)
asci(:,:,1)

LAPLACIAN

l2_1=fft(double(l));
figure(1)
clf(subplot(3,2,1),imshow(l));
title('Original image');
hold on;
subplot(3,2,2),imshow(l1);
title('Gray scale image ');

% creat filter matrix(3x3 window)
h=fspecial('prewitt');
l_pre=uint8(round(filter2(h,l1)));
l_pre_1=fft(double(l_pre));
subplot(3,2,3),imshow(l_pre)
title('Prewitt filtered image');

% creat filter matrix(3x3 window)
h=fspecial('sobel');
l_sobel=uint8(round(filter2(h,l1)));
l_sobel_1=fft(double(l_sobel));
subplot(3,2,4),imshow(l_sobel)
title('Sobel filtered image');

h=fspecial('log',5);
l_log=uint8(round(filter2(h,l1)));
l_log_1=fft(double(l_log));
subplot(3,2,5),imshow(l_log)
title('5x5 Laplacian of Guassian Filtered Image');

h=fspecial('log',3);
l_log3=uint8(round(filter2(h,l1)));
l_log3_1=fft(double(l_log3));
subplot(3,2,6),imshow(l_log3)
title('3x3 Laplacian of Guassian Filtered Image');

%suitable images are TIFF images ,png,jpgonly bmp is not suitable.
figure(2)
subplot(3,2,1),imshow(l2);
subplot(3,2,2),imshow(l2);
subplot(3,2,3),imshow(l_pre_1);
subplot(3,2,4),imshow(l_sobel_1);
subplot(3,2,5),imshow(l_log_1);
subplot(3,2,6),imshow(l_log3_1);

MATLAB Putri 4ia03

Histogram

gambar=imread(‘gambarkoe.jpg’); %--------membaca file gambar
red=gambar(:,:,1); %memanggil matriks gambar yang hanya berisi piksel warna merah
green=gambar(:,:,2);% memanggil matriks gambar yang hanya berisi pikselwarna merah
blue=gambar(:,:,3); %memanggil matriks gambar yang hanya berisi pikselwarna merah
merahgray2=0.3*red+0.5*green+0.2*blue ;
imhist(red)
imhist(green)
imhist(blue)
imhist(gray)



Rgb2gray Histogram


[nama_file1,nama_path1]=
uigetfile(... {’*.bmp;*.jpg
’,’File Citra
(*.bmp,*.jpg)’;
’*.bmp’,’ File Bitmap
(*.bmp)’; ... ’*.jpg’,’File jpeg (*.jpg)’; ’*.*’,’
Semua File (*.*)’},...
’Buka File Citra
Host/Asli’); if ˜isequal(nama_file1,0)
handles.citra1=imread
(fullfile(nama_path1,nama_file1));
x=rgb2gray(handles.citra1);
guidata(hObject,handles); hold on;
axes(handles.sb_citra_asli);
imshow(x); hold on;
axes(handles.sb_hist_asli);
imhist(x); else
return; end set(handles.text9,
’string’ ,nama_file1);
set(handles.text10,’string’ ,
size(handles.citra1,1));
set(handles.text12,’string’ ,
size(handles.citra1,2));
x=rgb2gray(handles.citra1);
handles.citra2=histeq(x);
guidata(hObject,handles);
hold on;
axes(handles.sb_citra_perataan);
imshow(handles.citra2); hold on;
axes(handles.sb_hist_perataan);
imhist(handles.citra2);

RGB Histogram


uigetfile(...
{’*.bmp;*.jpg’,’File Citra
(*.bmp,*.jpg)’;
’*.bmp’,’File Bitmap
(*.bmp)’; ... ’*.jpg’,’File
jpeg (*.jpg)’;
’*.*’,’Semua File (*.*)’},...
’Buka File Citra
Host/Asli’);
if ˜isequal(nama_file1, 0)
handles.citra1=
imread(fullfile
(nama_path1,nama_file1));
[x,map]=rgb2ind(handles.citra1,256);
guidata(hObject,handles);
hold on; axes(handles.sb_citra_asli);
imshow(handles.citra1);
R=handles.citra1(:,:,1);
hold on;
axes(handles.sb_hist_red);
imhist(R); G=handles.citra1(:,:,2);
hold on;
axes(handles.sb_hist_green);
imhist(G);
B=handles.citra1(:,:,3);
hold on; axes(handles.sb_hist_blue);
imhist(B);
else return; end
set(handles.text10,’string’,nama_file1);
set(handles.text12,’string’
,size(handles.citra1,1));
set(handles.text14,’string’
,size(handles.citra1,2));