Contoh Studi Kasus Serta Alur dari ERD normalisasi

By

 

Kasus :

       Sebuah perguruan tinggi akan menyelanggarakan Kuliah Kerja Nyata (KKN). KKN kali ini berada di 5 kecamatan, Setiap kecamatan memiliki 4 sampai 6 desa. Setiap desa dapat berisi 15-17 mahasiswa dari berbagai program studi. Namun setelah memilih desa mahasiswa TIDAK DAPAT merubah desa yang telah di pilih. sistem juga harus mencatan nilai dari setiap mahasiswa di akhir pelaksanaan KKN. (ERD yang sudah di normalisasi)



ERD dengan aturan minimal 3Normal Form(3NF)








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