Apa itu Physical Model?

By

    Physical Data Model (PDM) adalah sebuah model skema yang berfungsi untuk mengimplentasikan Conceptual Data Model atau konsep pertama sebuah basis data agar siap di implementasikan menjadi basis data yang sebenarnya. Dalam tahapan tersebut hal ini perlu dilakukan untuk proses konsep sebuah model basis data.

    Penggunaan PDM secara sederhana bermaksud untuk membuat jadwal yang berukuran besar pada proyek besar menjadi lebih sederhana sehingga penjadwalan dapat lebih mudah untuk dikelola dan mengatasi kompleksitas proyek yang besar.
 

Comments

Post a Comment

Popular posts from this blog

QUIS 5

By
Image
Link : Download File Pdf (E-mail UBP) PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS BUANA PERJUANGAN   2024   INTEGRASI PEMBERSIHAN DATA   Cari IPS setiap semester permahasiswa . ini bisa memudahkan untuk normalisasi data .     Tahap pertama sebelum melakukan pencarian IPS yaitu memasukan dataset terlebih dahulu . Dataset didapat dari API yang diberikan oleh dosen . Berikut adalah source codenya .   import requests   import pandas as pd     # Fungsi untuk mengambil data dari API   def get_data_from_api ( url , headers ):       response = requests.get ( url , headers=headers)       if response.status_code == 200 :           data = response.json ()           return pd.DataFrame (data[ 'data' ])       else :           print ( f "Gagal mengambil data. Status code: { response.status_code } : { response.text } " )           return pd.DataFrame ()     # Headers untuk request API   headers = { ' api -key' : &q
Read more

Apa itu SEMMA

By
  SEMMA merupakan singkatan dari Sample, Explore, Modify, Model, Assess dan  merupakan framework yang digunakan dalam proses data mining.  Kerangka  SEMMA diperkenalkan oleh SAS Institute sebagai alternatif  kerangka  CRISP-DM.  Berikut tahapan kerangka SEMMA .  1. Sampel : Pilih sampel yang representatif dari data yang tersedia.  Fase ini mengumpulkan data yang berisi subset  data lengkap yang relevan untuk dianalisis.  2. Eksplorasi : Mengeksplorasi dan menganalisis data untuk memahami karakteristiknya.  Ini mencakup visualisasi data, statistik deskriptif, dan teknik eksplorasi data lainnya untuk mengidentifikasi pola, anomali, dan tren yang menarik.  3. Perubahan : Memproses dan mengubah data untuk mempersiapkannya untuk analisis lebih lanjut.  Hal ini dapat mencakup normalisasi, memasukkan data yang hilang, atau menyesuaikan fitur untuk meningkatkan kualitas data.  4. Model : Membangun model atau algoritme yang sesuai untuk menganalisis data dan mengekstrak informasi  berguna.  T
Read more

Mengenal CRISP-DM

By
  CRISP-DM adalah singkatan dari Cross-Industry Standard Process for Data Mining, yang merupakan kerangka  umum  untuk menggambarkan tahapan  proses data mining.  Kerangka kerja ini terdiri dari enam fase utama.  1. Memahami Masalah : Memahami tujuan dan persyaratan bisnis  yang ingin dicapai melalui analisis data.  2. Pemahaman Data : Kumpulkan data yang relevan untuk dianalisis dan dipahami struktur, kualitas, dan karakteristiknya.  3. Persiapan Data : Mempersiapkan data untuk dianalisis dengan membersihkan, mengubah, dan mengintegrasikan seperlunya.  4. Pemodelan : Pilih model atau algoritme yang sesuai, latih model atau algoritme tersebut berdasarkan data yang telah disiapkan, dan evaluasi performanya.  5. Evaluasi : Mengevaluasi model yang  dibuat untuk memastikan model tersebut memenuhi tujuan bisnis dan kriteria kinerja yang ditentukan.  6. Implementasi : Menerapkan hasil analisis ke  lingkungan produksi dan mengkomunikasikan hasil dan resolusi kepada pemangku kepentingan.   CR
Read more