MEMMBUAT PROGRAM TAHUN KABISAT DENGAN VB 6.0

Cara membuat program tahun kabisat diperlukan form seperti diatas,langkah-langkahnya adalah:

1. Buat form seperti di atas yang terdiri atas
a. Tulisan “PROGRAM TAHUM KABISAT”
b. 2 buah textbox, dinamai txt_tahun ( Untuk memasukkan tahun & txt_comend (untuk memasukkan commendnya)
c. 3 buah commend button, dinamai cmd_OK ( untuk menjalankan program bila yang angka yang dimasukkan ke txt_tahun adalah benar tahun kabisat maka akan muncul “YANG ANDA MASUKKAN TAHUN KABISAT” di txt_comend) & cmd_clear ( untuk membersihkan form) & cmd_exit ( untuk keluar dari program)
2. Masukkan coding dibawah ini menurut nama tombol/formnya

Dim TAHUN As Integer

Private Sub cmd_clear_Click()
txt_comend.Text = ""
txt_tahun.Text = ""
End Sub
Private Sub cmd_exit_Click()
Pesan = MsgBox("Anda Yakin Kaluar dari Program", vbYesNo)
If Pesan = vbYes Then
End
End If

End Sub

Private Sub cmd_OK_Click()
TAHUN = Int(txt_tahun.Text)
txt_tahun.Text = TAHUN

If TAHUN Mod 4 = 0 Or TAHUN Mod 100 = 0 Then
txt_comend.Text = "YANG ANDA MASUKKAN TAHUN KABISAT"
Else
txt_comend.Text = "YANG ANDA MASUKKAN BUKAN TAHUN KABISAT"

End If

End Sub

Private Sub Command1_Click()

End Sub
Hasilnya akan seperti ini :
Jika Yang anda masukkan benar tahun kabisat maka :


Dan ini form yang akan tampil
Jika Yang anda masukkan Bukan tahun kabisat maka akan tampil :


Sekian dan Mohon maaf klo programnya kurang sempurna soalnya ini tugas kuliah trus tak upload deh dari pada aku cari ide laen … he….he…..maklum bru dapet pelajaran vb yang amat sangat dasar sekali..... Dan klo ada yang kurang puas dan mau kasih saran soale saran nya saya sangat membutuhkan sekali dan jangan lupa comment nya ya ....cba hubungi ke Ym aja quick_ahm

Lanjutkan...!!!

DATA MINING, DATA WIREHOUSE, MIDDLEWARE

DATA MINING
Pengertian

I. Data mining didefinisikan sebagai satu set teknik yang digunakan secara otomatis untuk mengeksplorasi secara menyeluruh dan membawa ke permukaan relasi-relasi yang kompleks pada set data yang sangat besar. Set data yang dimaksud di sini adalah set data yang berbentuk tabulasi, seperti yang banyak diimplementasikan dalam teknologi manajemen basis data relasional. Akan tetapi, teknik-teknik data mining dapat juga diaplikasikan pada representasi data yang lain, seperti domain data spatial, berbasis text, dan multimedia (citra). Data mining dapat juga didefinisikan sebagai “pemodelan dan penemuan polapola yang tersembunyi dengan memanfaatkan data dalam volume yang besar”

Proses
Data mining mengacu pada proses untuk menambang (mining) pengetahuan dari sekumpulan data yang sangat besar [Jiawei, 2001]. Sebenarnya data mining merupakan suatu langkah dalam knowlegde discovery in databases (KDD). Knowledge discovery sebagai suatu proses terdiri atas pembersihan data (data cleaning), integrasi data (data integration), pemilihan data (data selection), transformasi data (data transformation), data mining, evaluasi pola (pattern evaluation) dan penyajian pengetahuan (knowledge presentation). Kerangka proses data mining yang akan dibahas tersusun atas tiga tahapan, yaitu pengumpulan data (data collection), transformasi data (data transformation), dan analisis data (data analysis) [Nilakant, 2004]. Proses tersebut diawali dengan preprocessing yang terdiri atas pengumpulan data untuk menghasilkan data mentah (raw data) yang dibutuhkan oleh data mining, yang kemudian dilanjutkan dengan transformasi data untuk mengubah data mentah menjadi format yang dapat diproses oleh kakas data mining, misalnya melalui filtrasi atau agregasi. Hasil transformasi data akan digunakan oleh analisis data untuk membangkitkan pengetahuan dengan menggunakan teknik seperti analisis statistik, machine learning, dan visualisasi informasi.




Gambar 1. Aliran informasi dalam data mining
Pada gambar 1 ditunjukkan diagram yang menggambarkan aliran informasi dalam proses data mining yang diadaptasi dari [Nilakant, 2004]. Proses data mining pada gambar tersebut ditunjukkan sebagai proses yang iteratif. Hasil evaluasi pengetahuan yang dihasilkan data mining dapat menimbulkan kebutuhan pengetahuan yang lebih lengkap, perbaikan kumpulan data (dataset) atau perubahan pada sistem.

DATA WIREHOUSE

Pengertian

II. Data Wirehouse Didefinisikan sebagai Pengumpulan data transaksi dalam suatu tempat yang disebut Data Center, adapun caraa pengumpulannya dengan cara transformasi mengunakan paket program Data Transformation System (DTS).

Data warehouse adalah relasional database yang didesain untuk proses query dan analisa Meliputi: extraction, transportation, transformation, loading solution, online analytical processing (OLAP),client analysis tool, dan aplikasi lain yang mengatur proses pengumpulan data dan mengirimkan ke business user

Data warehouse didesain untuk proses analisa data
Contoh: data penjualan pada suatu perusahaan. Dengan data warehouse maka dapat menjawab pertanyaan “siapakah customer terbesar pada akhir pada akhir tahun?”

Data warehouve vs OLTP (Online Transaction Processing)



Salah satu perbedaan utama data warehouse dengan OLTP adalah data warehouse tidak selalu dalam bentuk normal ketiga (3NF), sedangkan OLTP biasanya dalam bentuk normal ketiga (3NF)



PERBEDAAN DATA WAREHOUVE VS OLTP
I. WORKLOAD
 Data warehouse didesain untuk menampung query dalam jumlah yang besar
 OLTP hanya mendukung operasi tertentu

II. DATA MODIFICATION
 Data warehouse diupdate data secara regular (setiap minggu atau setiap hari) menggunakan teknik modifikasi data sehingga user tidak secara langsung mengupdate data warehouse
 Pada OLTP, user melakukan proses update data secara rutin dan langsung

III. SCHEMA DESIGN
 Data warehouse biasanya ternormalisai secara sebagian bahkan dalam keadaan tidak ternormalisasi
 OLTP ternormalisasi penuh untuk meningkatkan proses update/insert/delete dan meningkatkan konsistensi data

IV. TYPICAL OPERATION
 Data warehouse menjalankan query yang memproses banyak baris (ratusan atau milyaran), contoh :total penjualan semua customer pada akhir bulan
 OLTP hanya mengkases record tertentu, contoh :mencari data order untuk customer tertentu

V. HISTORICAL DATA
 Data warehouse menyimpan data selama beberapa bulan atau tahun. Hal ini mendukung proses historical analysis
 OLTP menyimpan data hanya beberapa minggu atau bulan

ARSITEKTUR DATA WAREHOUSE



End user secara langsung mengakses data dari beberapa sistem melalui data warehouse

MIDDLEWARE

Pengertian

Middleware Didefinisikan sebagai sebuah aplikasi yang secara logic berada diantara lapisan aplikasi (application layer) dan lapisan data dari sebuah arsitektur layer-layer TCP/IP [1]. Middleware bisa juga disebut protokol. Protokol komunikasi middleware mendukung layanan komunikasi aras tinggi. Pengertian yang lain yaitu :

 Software yang berfungsi sebagai lapisan konversi atau penerjemah.
 Software penghubung yang berisi sekumpulan layanan yang memungkinkan beberapa proses dapat berjalan pada satu atau lebih mesin untuk saling berinteraksi pada suatu jaringan
 Juga sebagai integrator.
 Middleware saat ini dikembangkan untuk memungkinkan satu aplikasi berkomunikasi dengan lainnya walaupun berjalan pada platform yang berbeda.
– Biasa dipakai saat bermigrasi

Contoh Middleware
 Java’s: Remote Procedure Call
 Object Management Group's: Common Object Request Broker Architecture (CORBA)
 Microsoft's COM/DCOM (Component Object Model)
– Also .NET Remoting

Layanan Middleware

Menyediakan kumpulan fungsi API (Application Programming Interfaces) yang lebih tinggi daripada API yang disediakan sistem operasi dan layanan jaringan yang memungkinkan suatu aplikasi dapat :
 Mengalokasikan suatu layanan secara transparan pada jaringan
 Menyediakan interaksi dengan aplikasi atau layanan lain
 Diperluas (dikembangkan) kapasitasnya tanpa kehilangan fungsinya.

Contoh Layanan Middleware

 Transaction Monitor
1. Produk pertama yang disebut middleware.
2. Menempati posisi antara permintaan dari program client dan database, untuk menyakinkan bahwa semua transaksi ke database terlayani dengan baik

 Messaging Middleware
1. Menyimpan data dalam suatu antrian message jika mesin tujuan sedang mati atau overloaded
2. Mungkin berisi business logic yang merutekan message ke ujuan sebenarnya dan memformat ulang data lebih tepat
3. Sama seperti sistem messaging email, kecuali messaging middleware digunakan untuk mengirim data antar aplikasi


Contoh Layanan Middleware

 Distributed Object Middleware
Contoh: RPC, CORBA dan DCOM/COM
 Middleware basis data
menyediakan antarmuka antara sebuah query dengan beberapa database yang terdistribusi
Contoh: JDBC, ODBC, dan ADO.NET
 Application Server Middleware
J2EE Application Server, Oracle Application Server

Lanjutkan...!!!

PERBEDAAN ANTARA STATISTIKA DESKRIPTIF DAN STATISTIKA INFERENSIA

I . Definisi

Pengertian Statistika
Statistika →
Berhubungan dengan penyajian dan penafsiran kejadian yang bersifat peluang dalam suatu penyelidikan terencana atau penelitian ilmiah.
Statistika → penyajian DATA
untuk memperoleh
INFORMASI
penafsiran DATA
Data (bentuk tunggal : Datum ) : ukuran suatu nilai Informasi = Data yang telah diproses
II. Jenis Data
 Berdasarkan sumber data dikenal 2 jenis data, yaitu :
a. Data Primer :
Data yang diusahakan/didapatkan sendiri misalnya :dengan melakukan wawancara, pengukuran atau penelitian langsung. observasi di lapang
b. Data Sekunder :
Data yang diperoleh dari referensi/instansi/lembaga lain misalnya : data diperoleh dari BPS, LIPI, dsb.
 Berdasarkan sifat data :
a. Data Numerik (Kuantitatif) :
Dinyatakan dalam besaran numerik (angka) mis : data pendapatan per kapita, data harga. dll
b. Data Kategorik(Kualitatif) :
Diklasifikasi berdasarkan kategori tertentu mis : data hasil wawancara yang dijawab : "YA" atau "TIDAK" Data kategorik mungkin dikonversi menjadi Data Numerik. Hal ini dilakukan dengan memberi bobot pada setiap kategori.



III. Metode Statistika

 Metode Statistika :
prosedur-prosedur yang digunakan dalam penyajian dan penafsiran data
prosedur → cara, metode penyajian data → mulai dari pengumpulan data sampai
menyajikan data penafsiran data →menganalisis, menafsirkan dan menarik
kesimpulan

 Beberapa Metode Statistika
Metode Statistika dapat dibagi menjadi :
1. Statistika Deskriptif (deskriptif artinya bersifat memberi gambaran)
2. Statistika Inferensia = Statistika Induktif (inferential;inference artinya menarik opini/kesimpulan)

Statistika Deskriptif : metode yang berkaitan dengan pengumpulan, peringkasan ,penyajian data sehingga memberikan informasi organisation, summarization and presentation of data
Contoh Statistika Deskriptif
Peringkasan data dalam bentuk :
1. Tabulasi data (Tabel)
2. Diagram Balok (Histogram)
3. Diagram Kue (Pie Chart).

Statistika Inferensia : metode yang berkaitan dengan analisis data untuk peramalan dan/atau penarikan kesimpulan
Contoh Statistika Inferensia :
1. Metode Pendugaan Statistik
2. Pengujian Hipotesis
3. Regresi dan Korelas

Lanjutkan...!!!