Slide Estimasi dan Forecasting

Assalamu'alaikum saudara/i ku yang baik hati. berikut ini adalah pembahsan mengenai metode ESTIMASI Data Mining dalam bentuk slide.

untuk postingan dalam bentuk Pendahuluan, sudah diposting pada postingan sebelumnya.

berikut ini slide nya :

ESTIMASI dan FORECASTING

Baik, sekian dulu sharing-sharingnya, Wassalamu'alaikum ;)

Pengertian Estimasi dan Regresi Linear Sederhana (Simple Linear Regression)

Assalamu'alaikum saudara/i yang baik hati..

kali ini pembahasan kita mengenai pengertian ESTIMASI dalam Data Mining. ini saya posting karena saya baru tau dan baru mulai memahami apa sih sebenernya DATA MINING itu, hahaha... ;)

baik berikut ini adalah penjabarannya :

<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<  >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>

#Pengertian Estimasi

Metode estimasi adalah metode yang digunakan untuk memperkirakan suatu hal dari sejumlah sample yang kita miliki (yg tidak kita ketahui).
Estimasi hampir sama dengan klasifikasi. Perbedaanya hanyalah pada variable target. Estimasi lebih kearah numeric pada variable targetnya. 

#Algoritma Metode Estimasi (Regresi Linear Sederhana)

Analisis regresi linier sederhana adalah hubungan secara linear antara satu variabel independen (X) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan.. Data yang digunakan biasanya berskala interval atau rasio.

Contoh Penggunaan Analisis Regresi Linear Sederhana dalam Produksi antara lain :

1.      Hubungan antara Lamanya Kerusakan Mesin dengan Kualitas Produk yang dihasilkan.

2.      Hubungan Jumlah Pekerja dengan Output yang diproduksi.

3.      Hubungan antara suhu ruangan dengan Cacat Produksi yang dihasilkan.

Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini :

Y = a + bX

Dimana :
Y = Variabel Response atau Variabel Akibat (Dependent)
X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)
a = konstanta
b = koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh Predictor.

Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini :

a =   (Σy) (Σx²) – (Σx) (Σxy)
.                n(Σx²) – (Σx)²

b =   n(Σxy) – (Σx) (Σy)
.                n(Σx²) – (Σx)²

Contoh Latar Belakang, Tujuan, dan Rumusan Masalah tentang Data Mining dengan Metode Estimasi (Algoritma Regresi Linear Sederhana)

Assalamu'alaikum saudara/i yang baik hati :)

selamat pagi saudara/i, berikut ini merupakan contoh latar belakang tentang metode estimasi menggunakan algoritma SLR (Simple Linear Regression) atau dalam bahasa indonesianya adalah Regresi Linear Sederhana.

langsung aja nih contohnya... cuma contoh lho ya, bukan buat di PLAGIAT :)

<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<< >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>

1.1  Latar Belakang

Perkembangan teknologi saat ini telah melahirkan perkembangan banyak data, termasuk data-data tentang suhu. Teknologi saat ini mampu menyimpan dan mengumpulkan berbagai tipe data. Untuk menangani jumlah data yang besar ini, maka lahirlah sebuah metode baru, yaitu data mining.

Data mining digunakan untuk mencari pengetahuan apa yang dapat digali dari informasi yang diambil dari data-data yang jumlahnya besar. Dari informasi inilah kita akan mencari pengetahuan yang bisa diambil dari data-data tersebut yang pada kesempatan ini akan menggunakan algoritma linear regression atau regresi linear.

Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk menguji sejauh mana hubungan sebab akibat antara Variabel Faktor Penyebab (X) terhadap Variabel Akibatnya. Faktor Penyebab pada umumnya dilambangkan dengan X atau disebut juga dengan Predictor sedangkan Variabel Akibat dilambangkan dengan Y atau disebut juga dengan Response. Regresi Linear Sederhana atau sering disingkat dengan SLR (Simple Linear Regression) juga merupakan salah satu Metode Statistik yang dipergunakan dalam produksi untuk melakukan prediksi tentang karakteristik kualitas maupun Kuantitas.

1.2  Tujuan
Untuk memenuhi tugas mata kuliah Data Mining.
Untuk menambah pengetahuan tentang Metode Estimasi.

1.3  Rumusan Masalah
Apa yang dimaksud dengan Estimasi?
Apa fungsi dan tujuan dari Estimasi?
Bagaimana penerapan Estimasi dalam kehidupan?