organisasi dss serta topik-topik pengembangannya & group decision support vector machine...
DESCRIPTION
Sistem Pendukung Keputusan / Decision Support System. Organisasi DSS serta Topik-Topik Pengembangannya & Group Decision Support Vector Machine (SVM). Oleh : Imam Cholissodin S.Si., M.Kom. Content. Contoh Kasus Konsep Organizational DSS (ODSS) Arsitektur ODSS Membangun ODSS - PowerPoint PPT PresentationTRANSCRIPT
Organisasi DSS sertaTopik-Topik Pengembangannya
&Group Decision Support Vector Machine (SVM)
Oleh : Imam Cholissodin S.Si., M.Kom
Sistem Pendukung Keputusan /Decision Support System
Content1. Contoh Kasus2. Konsep Organizational DSS (ODSS)3. Arsitektur ODSS4. Membangun ODSS5. Intelligent DSS (Active, Symbiotics)6. DSS yang Dapat Berevolusi Sendiri7. Arah Pengembangan Riset DSS8. DSS Masa Depan9. Group Decision Support Vector Machine (SVM)10. Case Study11. Latihan Individu + Tugas Kelompok
Contoh Kasus• Contoh Kasus : Kabinet di Pemerintahan Mesir
– 32 kementerian, setiap kementerian bertanggung jawab pada 1 departemen.
– Diketuai seorang Perdana Menteri. – 4 Komite yang dibantu dengan staf.
• IDSC (Information and Decision Support Center) untuk kabinet, tujuannya :– Mengembangkan informasi dan sistem dukungan bagi
kabinet.– Mendukung pengadaan informasi terkelola bagi user dan
pusat pendukung keputusan pada 32 kementerian.– Mengembangkan, mendukung, mengawali projek Information
Systems (IS) yang dapat mempercepat pengembangan Pemerintahan Mesir.
Konsep Organizational DSS (ODSS)
• Karakteristik ODSS :– Fokus pada tugas/ aktifitas/ keputusan
organisasional/ masalah perusahaan.– ODSS memotong fungsi-fungsi organisasi/ layer
hirarki.– ODSS melibatkan teknologi berbasis komputer dan
juga teknologi komunikasi.
Arsitektur ODSS
Model baseDatabase
CentralInformation
System
Local Area Network/ Wide Area Network
Workstations/PCs
DatabaseManagement
ModelManagement
Case Management
Dialog Management
User User User User
Membangun ODSS• Merupakan kombinasi dari SDLC (System Development Life Cycle)
dan proses berulang (iterative process). Dibagi menjadi 4 fase :– Pendahuluan
• Kebutuhan akan masukan.• Mendapatkan dukungan dari pihak manajemen.• Membangun rencana yang diperlukan.
– Mengembangkan Desain Konseptual• Fase ini menghasilkan cetak biru sistem.
– Mengembangkan Sistem• Mengembangkan model dan database sistem.
– Mengimplementasikan dan Mengelola Sistem• Memprogram dan mengupdate sistem.• Mendokumentasikan modul dan database.• Melatih user.
Progress Kelompok• Demo/progres final project setiap
kelompok.
Intelligent DSS (Active, Symbiotics)
• Jenis (Active, Symbiotics) DSS : – DSS reguler bertindak pasif dalam interaksi manusia-mesin.– Dalam perkembangannya DSS harus mampu mengambil
inisiatif sendiri tanpa perlu diberi perintah tertentu.– Mampu menanggapi permintaan dan perintah yang tak
standar.
Jenis DSS inilah yang disebut dengan active atau symbiotic DSS.
DSS yang Dapat Berevolusi Sendiri• DSS yang memberi perhatian pada bagaimana ia digunakan, dan
lalu beradaptasi secara otomatis pada evolusi usernya. Kemampuan ini dicapai dengan menambahkan komponen ekstra : mekanisme intelijen yang bisa berevolusi sendiri. Tujuannya adalah membangun DSS berperilaku khusus yang dapat beradaptasi terhadap evolusi kebutuhan user secara otomatis. Diperlukan kemampuan :– Menu dinamis yang menyediakan hirarki yang berbeda untuk
memenuhi kebutuhan user yang berbeda.– Antarmuka user dinamis yang menyediakan representasi
output yang berbeda untuk user yang berbeda pula.– Sistem manajemen berbasis model intelijen yang dapat
memilih model yang sesuai untuk memenuhi preferensi/acuan yang berbeda.
Arah Pengembangan Riset DSS
• Di bawah ini adalah beberapa poin dari riset yang telah dilakukan (1) :– Sekarang ini DSS berlaku pasif menanggapi pertanyaan “what-
if” yang diajukan. Selanjutnya kombinasi DSS/ES dapat bertindak lebih proaktif.
– Saat ini DSS tak kreatif, tapi di masa depan DSS harus menyediakan cara baru untuk mendefinisikan model, menjelaskan struktur masalah, memanajemen kerancuan dan kekomplekan, dan menyelesaikan klas baru keputusan dalam konteks pengambilan keputusan yang baru. ES bisa memberikan kontribusi utama dalam hal ini.
– DSS berpusat pada keputusan (decision-centered) tapi bukan pada decision-paced (langkah pengambilan keputusan). DSS di masa depan harus mendukung alasan-alasan pemilihan kelas keputusan tertentu.
Arah Pengembangan Riset DSS
• Di bawah ini adalah beberapa poin dari riset yang telah dilakukan (2) :– Peningkatan DSS harus lebih memberi perhatian pada masalah-
masalah yang tak terstruktur, karena hal tersebut berdampak pada efisiensi dan keefektifan organisasi secara keseluruhan. Komputasi syaraf dapat ditambahkan berkenaan dengan masalah kerancuan.
– DSS di masa depan harus mampu untuk membuat berbagai aksi alternatif dari dirinya sendiri, atau paling tidak menghasilkan peneluran ide.
– Riset DSS harus melebarkan perspektifnya, berhubungan dengan keefektifan organisasi dan perencanaan strategis. Perspektif baru ini akan didukung oleh penambahan kemampuan kreatifitas dan inovasi, menghasilkan DSS yang proaktif dalam membuat perubahan lebih dari sekedar mengantisipasi perubahan.
Arah Pengembangan Riset DSS
• Di bawah ini adalah beberapa poin dari riset yang telah dilakukan (3) :– Riset harus dilakukan pada interaksi diantara individu dan grup.
Masalah sosial dan etik juga harus lebih diperhatikan.– Komponen manusia dalam DSS harus dicermati untuk
melihat dampak DSS pada saat pembelajaran.– Integrasi DSS dengan ES, CBIS (Computer Based Information
System) lainnya, dan teknologi komputer yang berbeda lainnya (misal: komunikasi) akan menjadi wilayah riset utama.
– Teori DSS harus ditingkatkan. Teori-teori harus dikembangkan pada topik-topik seperti pengukuran kualitas keputusan, pembelajaran, dan keefektifan.
DSS Masa Depan• DSS berbasis PC akan terus tumbuh utamanya untuk dukungan
personal.• Untuk DSS di institusi yang mendukung pengambilan keputusan
berurutan dan saling berhubungan, kecenderungan ke depan adalah menjadi DSS terdistribusi.
• Untuk dukungan keputusan saling berhubungan yang terkonsentrasi, group DSS akan lebih lazim di masa depan.
• Produk-produk DSS akan mulai menggabungkan tool dan teknik-teknik AI.
• Semua kecenderungan di atas akan menuju pada satu titik pada pengembangan berkelanjutan pada kemampuan sistem yang lebih user-friendly.
Group Decision Support Vector Machine (SVM)
• Konsep Group Decision Support System :– Pengambilan keputusan grup (atau workgroup – kelompok kerja)
mengacu pada 2 atau lebih orang (sampai 25 orang) yang misinya adalah menyelesaikan tugas tertentu dan bekerja sebagai satu unit.
– Keputusan tersebut bisa permanen atau sementara, bisa pada satu lokasi atau bermacam lokasi, dapat bekerja pada waktu bersamaan atau waktu yang berbeda (Efraim Turban dkk, 2007).
– Dalam hal ini setiap orang tersebut disebut sebagai agen yang nanti masing-masing akan memberikan hasil keputusan untuk membentuk keputusan dalam bentuk Groups Decision sesuai dengan metode yang mereka gunakan.
– Hasil metode pengambilan keputusan bisa dipengaruhi oleh pola pikir, cara mengambil keputusan dan pertimbangan yang digunakan yang pastinya akan berbeda dari satu metode dengan metode yang lainnya.
– Mendaftar semua keputusan awal dari berbagai pihak (dalam hal ini setiap metode menghasilkan keputusan masing-masing), maka sistem akan mengkombinasi/ mempertimbangkan semua keputusan tersebut untuk menghasilkan satu keputusan akhir (final decision).
Group Decision Support Vector Machine (SVM)
• Review Konsep SVM :– Konsep Klasifikasi dengan Support Vector Machine (SVM) adalah
mencari hyperplane terbaik yang berfungsi sebagai pemisah dua kelas data.
– Ide sederhana dari SVM adalah memaksimalkan margin, yang merupakan jarak pemisah antara kelas data.
– SVM mampu bekerja pada dataset yang berdimensi tinggi dengan menggunakan kernel trik.
– SVM hanya menggunakan beberapa titik data terpilih yang berkontribusi (Support Vector) untuk membentuk model yang akan digunakan dalam proses klasifikasi.
– Macam-Macam Training untuk SVM : • Chunking (Quadratic Programming).• Osuna (Dekomposisi).• Sequential Minimum Optimation (SMO).• Least Square (LS) dan lainnya.
Group Decision Support Vector Machine (SVM)
• Review Konsep SVM :– Titik data : xi = {x1,x2,….,xn} ϵ Rn– Kelas data : yi ϵ {-1,+1}– Pasangan data dan kelas : – Maksimalkan fungsi berikut :
– Hitung nilai w dan b :
– Fungsi keputusan klasifikasi sign(f(x)) :
Keterangan : N (banyaknya data), n (dimensi data atau banyaknya fitur), Ld (Dualitas Lagrange
Multipier), αi (nilai bobot setiap titik data), C (nilai konstanta), m (jumlah support vector/titik data yang memiliki αi > 0), K(x,xi) (fungsi kernel).
Niii yx 1,
00:,11 11
N
iiii
N
i
N
jjijiji
N
ii ydanCsyaratxxKyyLd
xwxwb ..21
N
iiii xyw
1
m
iiii bxxKyxfataubxwxf
1
),()(.)(
Group Decision Support Vector Machine (SVM)
• Beberapa Macam Fungsi Kernel Support Vector Machine (SVM) :
– Kernel Linier digunakan ketika data yang akan diklasifikasi dapat terpisah dengan sebuah garis/hyperplane.
– Kernel non-Linier digunakan ketika data hanya dapat dipisahkan dengan garis lengkung atau sebuah bidang pada ruang dimensi tinggi (Kernel Trik, No.2 sampai 6).
Group Decision Support Vector Machine (SVM)
• Visualisasi Support Vector Machine (SVM) :– Kernel Linier :
– Kernel non-Linier :
Support Vector kelas -1 Support Vector kelas +1
(w.x) + b = -1
(w.x) + b = +1
(w.x) + b = 0
w
y = +1
y = -1
margin
22
21
2w2 Margin
ww
Hyperplane
Input Space x High-dimensional Feature Space Φ(x)
Hyperplane
Group Decision Support Vector Machine (SVM)
• Karakteristik Support Vector Machine (SVM) :– SVM memerlukan proses pelatihan dengan menyimpan hasil support
vektor yang didapatkan untuk digunakan kembali pada saat proses prediksi/testing.
– SVM selalu memberikan model yang sama dan solusi yang sama dengan margin maksimal.
– SVM dapat memisahkan data yang distribusi kelasnya bersifat linier maupun non linier.
– SVM tidak dipengaruhi oleh dimensi data yang tinggi, sehingga tidak ada proses reduksi dimensi didalamnya.
– Memori yang digunakan dalam SVM dipengaruhi oleh banyaknya data, bukan besarnya dimensi data.
Group Decision Support Vector Machine (SVM)
• Ensemble Machine Learning :– Mengapa menggunakan satu decision learning jika kita dapat menggunakan
banyak?– Puluhan, bahkan ratusan algoritma decision learning telah tersedia, banyak yang
"diterima", tetapi tidak ada algoritma yang optimal.– Ensemble : mengkombinasikan banyak prediktor.
• (Weighted) kombinasi dari beberapa prediktor.• Machine Learning dapat berupa dari tipe yang sama ataupun berbeda.
– Ilustrasi logika metode Ensemble :
“Who want to be a millionaire?”
Various options for getting help :
Group Decision Support Vector Machine (SVM)
• Simple Ensemble :– Mengambil suara terbanyak (Majority vote/Unweighted average).– Mengambil bobot rata-rata terbaik dari beberapa prediktor (Weighted average).
• Misalnya : Kelas +1, -1, Weight alpha :
– Men-train hasil dari beberapa prediktor, yaitu dengan memperlakukan setiap individu dari prediktor sebagai fitur :
...
,...,
,...,
2122
2111
xxfy
xxfy
iie ysigny
...
,...,
,...,
2122
2111
xxfy
xxfy
,..., 21 yyfy ee
Group Decision Support Vector Machine (SVM)
• Ensemble Learning :
• Menggabungkan beberapa hasil keputusan dari data ke dalam keputusan tunggal.
Algoritma 1
Algoritma 2
Algoritma 3
Algoritma n
……….. ………..
Data
Hasil keputusan 1
Hasil keputusan 2
Hasil keputusan 3
………….…..
Hasil keputusan n
FinalDecision
combine
Group Decision Support Vector Machine (SVM)
• Framework SVM ensemble untuk financial distress prediction (FDP) :– Prediksi kondisi distress (tidak wajar) dalam keuangan (Jie Sun & Hui Li, 2012).
Initial feature set
Feature selection
Langkah 1
Langkah 2
Langkah 3
Langkah 4
feature set 1 feature set 2 feature set n
Parameter search Parameter search Parameter search Parameter search
Linear SVM Polynomial SVM Sigmoid SVM RBF SVM
Classifier 1 Classifier i Classifier j Classifier k Classifier l Classifier m…. …. ….
Selection of base classifiers for SVM ensemble through accuracy and diversity analysis
Base classifier 1 Base classifier 2 Base classifier q….
Combination
Result
….
Case Study (1 of 14)
• Misalkan dalam case study ini menggunakan framework berikut :
Linier SVM
Data Testing
+ -
Data Training
+ - -++ -
--
+
WP …. SAW
Decision 1 ….
….
Decision n….
Final Decision (SAW)
Ensemble
Combine sebagai fitur
Case Study (2 of 14)
• Perhatikan dataset berikut :– Data Training : tabel bobot kriteria produk smartphone sebagai berikut.
Penyelesaian :
Alternatif (Ai)Kriteria
Kelas Support VectorC1 C2
Hp. 1 100 3 -1 0
Hp. 2 120 4 -1 1
Hp. 3 140 3 -1 1
Hp. 4 150 5 1 1
Berdasarkan Data Training di atas, tentukan persamaan Hyperplane-nya dengan Linier SVM, lalu uji kelas Data Testing xt1 = (140,5), xt2 = (160,2), xt3 = (135,7), xt4 = (145,6) dan xt5 = (200,2)!
Case Study (3 of 14)
• Penyelesaian :
– Formulasi yang digunakan adalah untuk meminimalkan nilai margin :
– Sehingga didapatkan beberapa persamaan berikut :
22
21
2 ww21w
21
1b5w150w14.1b3w140w13.1b4w120w12.1b3w100w11.
21
21
21
21
1bxwxwy
N1,2,.....,i1,bxwy:Syarat
2211i
ii
Case Study (4 of 14)
• Penyelesaian :– Sehingga didapatkan beberapa persamaan berikut :
– Membentuk persamaan matrik :
1b5w150w14.1b3w140w13.1b4w120w12.1b3w100w11.
21
21
21
21
1b5w150w1b-3w-140w-1b-4w-120w-1b-3w-100w-
21
21
21
21
111
151501314014120
bww
100010001
111
151501314014120
bww
151501314014120
151501314014120
111
bww
151501314014120
1
2
1
1
2
11
2
1
Support Vector (SV)
Case Study (5 of 14)
• Penyelesaian :– Membentuk persamaan matrik :
– Sehingga didapatkan persamaan hyperplane :
9.00-0.800.04
111
151501314014120
bww
111
151501314014120
bww
100010001
111
151501314014120
bww
151501314014120
151501314014120
111
bww
151501314014120
1
2
1
1
2
1
1
2
11
2
1
w1x1 + w2x2 + b = 00.04x1 + 0.8x2 - 9 = 0
w•x + b = 08.004.09 1
2xx
Review materi :“Matematika Komputasi Lanjut” untuk menghitung invers matrik!
Case Study (6 of 14)
• Penyelesaian :– Sehingga didapatkan persamaan hyperplane :
w1x1 + w2x2 + b = 00.04x1 + 0.8x2 - 9 = 0
w•x + b = 08.004.09 1
2xx
x1
x2
Case Study (7 of 14)
• Penyelesaian :– Sehingga didapatkan persamaan hyperplane :
– Uji kelas data xt1 = (140,5) dan lainnya. • Diketahui : f(x) = 0.04x1 + 0.8x2 - 9• Kelas = sign(f(x))
w1x1 + w2x2 + b = 00.04x1 + 0.8x2 - 9 = 0
w•x + b = 08.004.09 1
2xx
NoData Testing Penentuan Kelas
x1 x2 Kelas = sign(0.04x1 + 0.8x2 - 9 )
1 140 5 sign (0.04(140) + 0.8(5) - 9) = sign(0.6) = +1
2 160 2 sign (0.04(160) + 0.8(2) - 9) = sign(-1) = -1
3 135 7 sign (0.04(135) + 0.8(7) - 9) = sign(2) = +1
4 145 6 sign (0.04(145) + 0.8(6) - 9) = sign(1.6) = +1
5 200 2 sign (0.04(200) + 0.8(2) - 9) = sign(0.6) = +1
Case Study (8 of 14)
• Hasil penentuan kelas Data Testing :– Data Testing (kelas +) : Diketahui tingkat prioritas bobot dua kriteria smartphone
yaitu, Berat (C1) = 10, Ukuran Layar (C2) = 5, dengan tabel bobot kriteria produk smartphone sebagai berikut.
Penyelesaian WP :Diketahui tingkat prioritas bobot setiap kriteria dan diasumsikan user akan membeli
smartphone yang mempunyai tingkat prioritas bobot yaitu, Berat (C1) = 10, Ukuran Layar (C2) = 5. Sehingga didapatkan perbaikan bobot (W j) sebagai berikut:
Menentukan hasil keputusan akhir penentuan smartphone terbaik menggunakan metode Weighted Product (WP) & Simple Additive Weighting (SAW)?
Alternatif (Ai)Kriteria
KelasC1 C2
Hp. 5 140 5 +1
Hp. 6 135 7 +1
Hp. 7 145 6 +1
Hp. 8 200 2 +1
67.0510
10W1
33.0510
5W2
n
1jj
jj
W_Init
W_InitW
Case Study (9 of 14)
• Penyelesaian WP :– Menghitung vektor Si, dimana data yang ada akan dikalikan tetapi sebelumnya
dilakukan pemangkatan dengan bobot dari masing-masing kriteria.
– Menghitung vektor Vi dengan cara membagi hasil masing-masing vektor S i dengan jumlah seluruh Si.
036112.02200S
064368.06145S
071049.07135S
062052.05140S
33.067.04
33.067.03
33.067.02
33.067.01
m1,2,..,idengan,XS jkWij
n1ji
m1,2,..,idengan,S
SV m
1ji
ii
154601.0233581.0036112.0V
275572.0233581.0064368.0V
304173.0233581.0071049.0V
265654.0233581.0062052.0V
4
3
2
1
233581.0036112.0064368.0071049.0062052.0Sm
1ji
Case Study (10 of 14)
• Penyelesaian SAW :– Menghitung Nilai Rating Ternormalisasi (Rij)
+ Kriteria Benefit : C2
- Kriteria Cost : C1
Alternatif (Ai)Kriteria
KelasC1 C2
Hp. 5 140 5 +1
Hp. 6 135 7 +1
Hp. 7 145 6 +1
Hp. 8 200 2 +1
(cost)jjika
xxMin
(benefit)jjikaxMax
x
R
ij
j,:
j,:
ij
ij
RijKriteria
C1 C2
Hp. 5 0.964286 0.714286
Hp. 6 1 1
Hp. 7 0.931034 0.857143
Hp. 8 0.675 0.285714
Case Study (11 of 14)
• Penyelesaian SAW :– Menghitung Nilai Rating Ternormalisasi (Rij)
– Menghitung Nilai Preferensi (Vi)
RijKriteria
C1 C2
Hp. 5 0.964286 0.714286
Hp. 6 1 1
Hp. 7 0.931034 0.857143
Hp. 8 0.675 0.285714
n
1jijji RWV C1 C2
Nilai Bobot (W) 10 5
178571.8285714.0*5675.0*10RWRWRWV
59606.13857143.0*5931034.0*10RWRWRWV
151*51*10RWRWRWV
21429.13714286.0*5964286.0*10RWRWRWV
422411
2
1j4jj4
322311
2
1j3jj3
222211
2
1j2jj2
122111
2
1j1jj1
Case Study (12 of 14)
• Kombinasi hasi dari metode WP dan SAW sebagai fitur :– Hasil WP & SAW :
• Final Decision (Misal menggunakan SAW) :– Menghitung Nilai Rating Ternormalisasi (Rij) :
Fitur/ Kriteria
Cwp Csaw
Hp. 5 0.265654 13.21429
Hp. 6 0.304173 15
Hp. 7 0.275572 13.59606
Hp. 8 0.154601 8.178571
SAWdari178571.8,59606.13,15,21429.13
WPdari154601.0,275572.0,304173.0,265654.0
22
11
fy
fy
RijFitur/ Kriteria
Cwp Csaw
Hp. 5 0.873365 0.880953
Hp. 6 1 1
Hp. 7 0.905971 0.906404
Hp. 8 0.508267 0.545238
(cost)jjika
xxMin
(benefit)jjikaxMax
x
R
ij
j,:
j,:
ij
ij
+ Kriteria Benefit : Cwp, Csaw
- Kriteria Cost : -
Cwp Csaw
Nilai Bobot (W) 1 1
Case Study (13 of 14)
• Final Decision (Misal menggunakan SAW) :– Menghitung Nilai Rating Ternormalisasi (Rij) :
– Menghitung Nilai Preferensi (Vi)
RijFitur/ Kriteria
Cwp Csaw
Hp. 5 0.873365 0.880953
Hp. 6 1 1
Hp. 7 0.905971 0.906404
Hp. 8 0.508267 0.545238
+ Kriteria Benefit : Cwp, Csaw
- Kriteria Cost : -
Cwp Csaw
Nilai Bobot (W) 1 1
n
1jijji RWV
053505.1545238.0*1508267.0*1RWRWRWV
812375.1906404.0*1905971.0*1RWRWRWV
21*11*1RWRWRWV
754317.1880953.0*1873365.0*1RWRWRWV
422411
2
1j4jj4
322311
2
1j3jj3
222211
2
1j2jj2
122111
2
1j1jj1
Case Study (14 of 14)
• Final Decision (Misal menggunakan SAW) :– Menghitung Nilai Preferensi (Vi)
n
1jijji RWV
053505.1545238.0*1508267.0*1RWRWRWV
812375.1906404.0*1905971.0*1RWRWRWV
21*11*1RWRWRWV
754317.1880953.0*1873365.0*1RWRWRWV
422411
2
1j4jj4
322311
2
1j3jj3
222211
2
1j2jj2
122111
2
1j1jj1
Setelah menghitung nilai Vi untuk tiap-tiap smartphone, maka sistem akan memilih nilai tertinggi sebagai alternatif terbaik dalam mengambil keputusan. Sehingga rekomendasi smartphone yang didapat adalah Hp. 6, Hp. 7, Hp. 5, dan Hp. 8 sesuai dengan urutan tertinggi nilai Vi.
Latihan Individu• Berdasarkan case study di atas, selesaikan final decision menggunakan metode
Weighted Product (WP) dan tentukan alternatif terbaiknya!
n
1jj
jj
W_Init
W_InitW
m1,2,..,idengan,XS jkWij
n1ji
m1,2,..,idengan,S
SV m
1ji
ii
Note : Misal diketahui tingkat prioritas bobot setiap kriteria yaitu, Berat (Cwp) = 1, Ukuran Layar (Csaw) = 4.
Tugas Kelompok
• Buatlah contoh kasus yang unik + penyelesaiannya menggunakan framework pada slide 30 sesuai dengan kreatifitas kelompok anda. (Min. 1 soal, Min. 2 kriteria, Min. 4 data) !
Note : Kerjakan dalam file *.doc/docx
Progress Final Project
• Bagian 1 of 3 (Minggu 12) :– Abstrak– Pendahuluan
• Bagian 2 of 3 (Minggu 13) :– Uraian Metode & Uraian Objek Penelitian– Proses Manualisasi dari Case Study– Design Antarmuka– Bedah Paper 3
• Bagian 3 of 3 (Minggu 14) :– Implementasi– Uji coba– Evaluasi Eji coba
Selesai