IndoBoClub Terbukti membayar anda tanpa modal sama sekali

Bisnis satu ini tidak salah untuk di coba selain gratis toh juga ngak ada ruginya di coba dan buktikan sendiri hasilnya

Banyak bisnis online yang pada ujung-ujungnya adalah penipu alias tidak membayar pada membernya. Tidak mudah bagi saya untuk mengikuti bisnis online yang menjanjikan keuntungan besar tanpa kerja keras.

Hingga suatu saat seorang teman datang mengajak saya untuk bergabung di bisnis online IndoBoClub. Teman saya begitu semangat dalam memaparkan peluang ini dan menunjukkan bukti-bukti withdrawalnya. Sebenarnya saya percaya pada temen saya itu tapi untuk bisnis online TUNGGU DULU saya sangat kuatir. Saya ambil jalan tengah,"OK saya akan ikut tapi saya akan selidiki dulu".

Kemudian saya telepon admin IndoBoClub di nomor 0852 0884 1741, dan inilah hasil tanya jawab saya :

1.Apakah yang dimaksud dengan IndoBoClub?
IndoBoClub dikenal juga sebagai IBC yang merupakan komunitas pecinta bisnis online (BO) yang menyediakan situs www.indoboclub.com sebagai virtual office dan news center.

2. Apakah IBC benar - benar membayar membernya?
Iya, kami benar - benar membayar member kami sesuai dengan saldo yang ingin member kami cairkan.  

3. Dari mana sumber pendapatan IBC?
Situs IBC memiliki ruang iklan untuk sponsor dan partner. Dana yang diperoleh dari iklan sponsor dan kontrak partner digunakan untuk biaya managemen dan membayar bonus member.

4. Bagamana cara kami mencairkan bonus/hasil?
Ada dua cara yakni via Perfect Money atau via bank lokal

5. Apa yang dimaksud dengan bank lokal?
Bank lokal adalah semua bank di Indonesia yang memiliki koneksi online dengan bank-bank yang lainnya. Contoh: BNI, BCA, BRI, Mandiri, Danamon, CIMB NIAGA, OCBC NISP, Bank Mega, Bank Bukopin, Bank Permata, dll.

6. Apa syarat pencairan bonus via Perfect Money?
Status akun harus Active atau telah melakukan verifikasi via SMS, minimal saldo $0.02, dan telah memasukkan nomor PM melalui menu Profile di member area IBC. Request withdrawal/pencairan kami proses secara instan, hanya dalam waktu 3 detik dollar sudah masuk ke akun Perfect Money anda, jika tidak masuk segera hubungi Admin.

7.  Apa syarat pencairan bonus via Bank Lokal?
Status akun harus Active atau telah melakukan verifikasi via SMS, minimal saldo $6, dan telah memasukkan data rekening bank melalui menu Profile di member area IBC.

8. Bagai mana mengetahui pencairan telah diproses?
Anda akan mendapatkan email pemberitahuan dari IBC jika request pencairan anda telah diproses, atau cek di menu Hystori akun PM anda, ataupun cek di menu Account member area IBC.

Setelah mendengar semua penjelasan teman saya dan admin IBC, saya langsung berniat untuk menginvestasikan uang saya di IBC. Sebagai langkah awal saya coba dulu dengan mentransfer uang Rp. 500.000,- untuk membeli 5 paket iklan.
Dan benar sekali sobat setiap harinya saya mendapatkan $1 profit harian dan $ 0.06 extra profit selama 100 hari.

Ada beberapa hal yang membuat saya tertarik untuk mengikuti langkah teman saya bergabung di IBC :

	Syarat minimal pancairan/withdrawalnya sangat kecil yakni $0.02 via Perfect Money atau $6 via Bank Lokal.  Kalao bisnis ini PENIPU/SCAMS maka akan cepat ketahuan
	Pembayaran instant hanya butuh waktu 3 detik - 5 menit via Perfect Money
	Tidak harus mencari member, tapi ada tambahan bonus bila mendapatkan member/referal
	Free Member (Tanpa modal) memiliki peluang untuk sukses dengan cara mencari member/referal untuk memperoleh bonus referal
	Ada paket iklan mini (IBC Micro Ads) mulai harga $0.5 sampai $5, dg daily profit (keuntungan harian) 2%/hari selama 100 hari kerja
	Paket iklan reguler (IBC Ads) seharga $10(Rp.100.000)/paket dengan daily profit 2% selama 100 hari kerja (WAJIB ANDA COBA)

Jadi tunggu apalagi sobat segera mendaftar dan dapatkan profit harian Anda. DAFTAR GRATIS, dengan mendaftar Anda berkesempatan untuk masuk ke member area dan bisa mempelajari lebih detail peluang ini. Silahkan KLIK DISINI untuk bergabung

Langkah - langkah Data Mining

Data mining adalah suatu proses yang digunakan untuk mencari informasi dan knowledge yang berguna, dimana diperoleh dari data-data yang dimiliki. Dari buku Data Mining Technique yang dikarang oleh Berry and Linoff, proses terjadinya data mining dapat dideskripsikan sebagai virtous cycle. Didasari oleh pengembangan berkelanjutan dari proses bisnis serta didorong oleh penemuan knowledge ditindaklanjuti dengan pengambilan tindakan dari penemuan tersebut.

Langkah-langkah Data mining
1. Identity The Business Problem
Yang pertama dan juga dasar dari virtous cycle adalah mengetahui masalah bisnis yang kita hadapi. Karena kita tidak bisa mengolah data jika kita tidak tau yang sedang kita hadapi. Kita harus mengetahui masalah-masalah apa yang sedang dihadapi. Dengan mengetahui masalah yang dihadapi kita dapat menentukan data-data mana saja yang kita butuhkan untuk dapat dilakukan tahap analisa.
2. Mine The Data For Actionable Information
Setelah mengetajui identifikasi masalah, kita memperolah data-data mana saja yang diperlukan untuk analisa. Barulah kita melakukan analisa terhadap data-data tersebut. Dan dari analisa tersebut analisis akan dapat memperolah sebuah knowledge baru dan baru lah dapat diambil suatu keputusan/kebijaksanaan.
3. Take The Action
Dan dari keputusan/kebijaksanaan yang didapat dari proses data mining itu barulah kita terapkan dengan aksi berupa tindakan-tindakan yang kongkrit/nyata dalam proses bisnis.
4. Measure Results
Setelah diambil tindakan-tindakan dan keputusan, kita memonitori hasil tersebut. Apakah sudah sesuai(memuaskan) dengan target2 yang ingin kita capai, apakah bisa mengatasi masalah-masalah yang dihadapi.

Teknik-teknik/Jenis-jenis DataMining
1. Market Basket Analysis
Himpunan data yang dijadikan sebagai objek penelitan pada area data mining. Market basket analysis adalah proses untuk menganalisis kebiasaan pelanggan dalam menyimpan item-item yang akan dibeli ke dalam keranjang belanjaannya. Market basket analysis memanfaatkan data transaksi penjualan untuk dianalisis sehingga dapat ditemukan pola berupa item-item yang cenderung muncul bersama dalam sebuah transaksi. Selanjutnya pola yang ditemukan dapat dimanfaatkan untuk merancang strategi penjualan atau pemasaran yang efektif, yaitu dengan menempatkan item-item yang sering dibeli bersamaan ke dalam sebuah area yang berdekatan, merancang tampilan item-item di katalog, merancang kupon diskon (untuk diberikan kepada pelanggan yang membeli item tertentu), merancang penjualan item-item dalam bentuk paket, dan sebagainya. Dengan menggunakan teknologi data mining, analisis data secara manual tidak diperlukan lagi.
2. Memory-Based Reasoning
Metode klasifikasi yang digabungkan dengan penalaran berbasis memori. proses menggunakan satu set data untuk membuat model dari prediksi atau asumsi-asumsi yang dapat dibuat tentang objek baru yang diperkenalkan. Ada dua komponen dasar untuk metode MBR. Yang pertama adalah kesamaan fungsi, yang mengukur bagaimana anggota yang sama dari setiap pasangan object satu sama lain. Yang kedua adalah fungsi kombinasi, yang digunakan untuk menggabungkan hasil dari himpunan tetangga untuk sampai pada keputusan.
3. Cluster Detection
Ada dua pendekatan untuk clustering. Pendekatan pertama adalah dengan mengasumsikan bahwa sejumlah cluster sudah tersimpan dalam data, tujuannya adalah untuk memecah data ke dalam cluster. Pendekatan lain, disebut clustering agglomerative, dengan asumsi keberadaan setiap jumlah yang telah ditetapkan cluster tertentu, setiap item keluar di cluster sendiri, dan proses terjadi berulang-ulang yang berupaya untuk menggabungkan cluster, meskipun proses komputasi sama.
4. Link Analysis
proses mencari dan membangun hubungan antara object dalam kumpulan data juga mencirikan sifat yang terkait dengan hubungan antara dua object. Link Analysis berguna untuk aplikasi analitis yang mengandalkan teori grafik untuk mengambil kesimpulan. Selain itu Link Analysis berguna untuk proses optimasi.
5. Rule Induction
Ekstraksi aturan sebab-akibat dari data secara statistic. identifikasi aturan bisnis yang tersimpan di dalam data. Metode berhubungan dengan induksi aturan yang digunakan untuk proses penemuan. Salah satu pendekatan untuk penemuan aturan adalah menggunakan pohon keputusan.
6. Neural Networks
model prediksi non linear yang melakukan pembelajaran melalui latihan dan menyerupai struktur jaringan nerual yang terdapat pada mahluk hidup. Mampu menurunkan pengertian dari data yang kompleks dan tidak jelas dan dapat digunakan pula untuk mengekstrak pola dan mendeteksi tren2 yang sangat kompleks untuk dibicarakan baik oleh manusia maupun teknik komputer lainnya.

6 Tugas Data Mining (Six Tax Data Mining)
Classification - Menyusun data menjadi kelompok-kelompok yang telah ditentukan, yang melibatkan dengan memeriksa atribut-atribut dari suatu objek tertentu dan menetapkannya ke kelas yang telah didefinisikan.

Estimation - proses untuk menempatkan beberapa nilai numerik secara terus suatu objek, estimasi juga dapat digunakan sebagai bagian dari proses klasifikasi.

Prediction - berbeda dengan Estimation dan Classification, Prediction adalah upaya-upaya untuk mengklasifikasikan suatau objek berdasarkan dari behaviour yang akan ditentukan(diharapkan) dari candidate behaviour.

Affinity Grouping - proses yang mengevaluasi hubungan atau asosiasi antara unsur-unsur data berupa attribute atau behaviour data yang menunjukkan beberapa tingkat afinitas antar objek.

Clustering - sama seperti klasifikasi tetapi kelompok yang tidak/belum di tentukan standarnya, sehingga secara algoritma data tersebut akan dikelompokan berdasarkan data yang serupa dengan data yg di submit.

Desciption - proses yang menggambarkan apa yang telah terjadi dan di identifikasi atau proses yang menjelaskan hasil akhir dari jalannya proses data mining.

Data Warehouse , Data Marts, dan Data Mining

Data Warehouse


Data warehouse dapat digunakan untuk mendukung pengambilan keputusan, menganalisis sejumlah besar data dari berbagai sumber untuk menyediakan hasil cepat untuk mendukung prose kritis

  7 faktor implementsi penting dalam data warehouse

1. dukungan manajemen. untuk pengembangan data warehouse 
2. jawara.
3. sumber daya. Bisa berupa biaya yang signifikan
4. partisipasi pengguna. Dalam pengembangan data dan pemodelan akses diperlukan keahlian untuk menentukan data apa yang diperlukan
5. keterampilan tim. Untuk mengembangkan dan menerapkan suatu data warehouse, memerlikan pengetahuan yang mendalam mengenai peranti pengembangan dan teknologi database yang digunakan
6. sistem sumber.
7. teknologi pengembangan mengacu banyak input dan proses yang digunakan untuk mengisi dan memeliahar data warehouse

Data Marts

Data mart adalah sebuah subkumpulan (subset) data warehouse, umumnya terdiri dari sebuah subyk tunggal (missal pemasaran,operasi). 

Keuntungan dari data independent meliputi:

1. biaya yang rendah dibandingkan data warehouse perusahaan
2. lead-time untuk implementasi secara signifikan lebih pendek
3. dikendalikan secara local ketimbang secara terpusat memuat pengguna memiliki wewenang.
4. Berisi lebih sedikit informasi dibandingkan data warehose karena memilik respons yang lebih cepat dan lebih mudah dipahami
5. Mengizinkan sebuah unit bisnis untuk membangun sistem pendukung keputusan sendiri tanpa mengandalkan departemen SI pusat
6. Dapat bertindak sebagai konsep yang terbukti sebelum menginvestasikan sumber daya

Data Mining

Data mining adalah suatu proses yang menggunakan teknok statistik, matematika, kecerdasan tiruan dan machine-learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar

Kelas-kelas yang ada pada data mining yaitu:

1. Klasifikasi : menyimpulkan karakteristik dari suatu kelompok tertentu
2. Clustering : mengidentifikasi kelompok item yang sama-sama memiliki karakteristik tertentu
3. Asosiasi : mengidentifikasi hubungan antara  berbagai peristiwa yang terjadi pada satu waktu
4. Sekuensi : sama dengan asosiasi kecuali bahwa hubungan terjadi pada satu periode
5. Regresi : digunakan untuk memetakan data untuk suatu nilai prediksi
6. Forecsting : mengestimasi nilai masa depan berdasarkan pola didalam data
7. Teknik-teknik lain : umumnya berdasarkan pada metode kecerdasan tiruan tingkat lanjut

Save video from youtube use keepvid

http://keepvid.com/
copy url from youtube

Paste to keepvid

Dead Fantasy Full HD 

Streaming K.O. One Re-act (終極一班3)

K.O. One Re-act (終極一班3)

Streaming  K.O. One Re-act 

Synopsis

This season picks up where Season 2 left off. With the timeline reset and the KO ranking restored, we see the return of some familiar faces from Season 1.

Wang Da Dong joins Xiu as a member of inter-dimensional guards. When sudden spikes in fighting power propped up in Da Dong's old high school disrupting the KO ranking, he goes undercover to investigate... as a 28 year-old dropout repeating high school. His first order of business is to reestablish his authority inside the class of KO One. His behavior immediately clashes with the current leader, King. While the class looks on to see who would emerge victorious, the competition for leadership intensifies with new transfer students joining the fray.

CAST

Jiro Wang as Wang Da Dong 汪大東

Pets Tseng as Lei Ting 雷婷 (King) KO.3

Lin Zi Hong as Zhong Wan Jun 中萬鈞 KO.4

Xu Ming Jie as Hua Ling Long 花靈龍 KO.6

Wang Yi Wen as Qiu Qiu 裘球 KO.9

Zhang Hao Ming as Jin Bao San 金寶三

Xiao Hou as what's-his-name 那個誰 KO.8

Luo Hong Zheng as Gu Zhan 辜戰 KO.3

Na Wei Xun as Duan Chang Ren 斷腸人

Melody as Tian Xin 田欣

K.O. One Re-act (終極一班3) Episode 14

K.O. One Re-act (終極一班3) Episode 13

K.O. One Re-act (終極一班3) Episode 12

K.O. One Re-act (終極一班3) Episode 11

K.O. One Re-act (終極一班3) Episode 10

K.O. One Re-act (終極一班3) Episode 09

K.O. One Re-act (終極一班3) Episode 08

K.O. One Re-act (終極一班3) Episode 07

K.O. One Re-act (終極一班3) Episode 06

K.O. One Re-act (終極一班3) Episode 05

K.O. One Re-act (終極一班3) Episode 04

K.O. One Re-act (終極一班3) Episode 03

K.O. One Re-act (終極一班3) Episode 02

K.O. One Re-act (終極一班3) Episode 01

Gantt Chart

Gantt chart adalah suatu alat yang bernilai khususnya untuk proyek-proyek dengan jumlah anggota tim yang sedikit, proyek mendekati penyelesaian dan beberapa kendala proyek.

Kelemahan dari GANTT CHART:

• Tidak menunjukkan secara spesifik hubungan ketergantungan antara satu kegiatan dan kegiatan yang lain, sehingga sulit untuk mengetahui dampak yang diakibatkan oleh keterlambatan satu kegiatan terhadap jadwal keseluruhan proyek.
• Sulit mengadakan penyesuaian atau perbaikan/pembaharuan bila diperlukan, karena pada umumnya ini berarti membuat bagan balok baru

Keuntungan GANTT CHART:

• Sederhana, mudah dibuat dan dipahami, sehingga sangat bermanfaat sebagai alat komunikasi dalam penyelenggaraan proyek.
• Dapat menggambarkan jadwal suatu kegiatan dan kenyataan kemajuan sesungguhnya pada saat pelaporan
• Bila digabungkan dengan metoda lain dapat dipakai pada saat pelaporan

Selengkapnya

E-Book Data Mining

E-Book Data Mining Second Editio Concepts and Techniques The Morgan Kaufmann Series in Data Management Systems

Download 

Analisis Cluster

1.      Apa itu analisis cluster?

Proses pengelompokan satu set objek fisik atau abstrak ke dalam kelas objek serupa yang disebut clustering. Sebuah cluster adalah kumpulan objek data yang mirip satu sama lain dalam cluster yang sama dan berbeda dengan benda-benda dicluster lain. Sekelompok objek data dapat diperlakukan secara kolektif sebagai satu kelompok dan dapat dianggap sebagai bentuk kompresi data.

Clustering juga disebut data segmentasi dalam beberapaaplikasi karena data yang besar cluster partisi set ke dalam kelompok sesuai dengan kesamaan mereka. Clustering juga dapat digunakan untuk mendeteksi outlier, di mana outlier(nilai-nilai yang "jauh" dari cluster ada) mungkin lebih menarik daripada kasus umum.

Clustering adalah bidang yang menantang penelitian di mana aplikasi punya kebutuhan khusus. Berikut ini adalah persyaratan khas clustering dalam data mining:

·        Scalability: algoritma pengelompokan banyak tugas yang dikerjakan dengan baik pada set data kecil yang berisi kurang dari beberapa ratus objek data, namun database yang besar mungkin berisi jutaan obyek.

·        Kemampuan untuk menangani berbagai jenis tipe file: Banyak algoritma yang dirancang untuk cluster berbasis interval (numerik) data. Namun, aplikasi mungkin membutuhkan pengelompokan jenis data lain, seperti biner, kategori nominal, dan data ordinal, atau campuran dari tipe data.

·        Penemuan cluster dengan bentuk sembarang: Algoritma yang didasarkan pada pengukuran jarak cenderung untuk menemukan cluster  dengan ukuran dan kepadatan yang sama . Namun, cluster bisa menjadi bentuk apapun. Hal ini penting untuk mengembangkan algoritma yang dapat mendeteksi kluster berbagai bentuk.

·        Persyaratan minimal  untuk menentukan parameter input: Banyak algoritma cluster mengharuskan pengguna untuk memasukkan parameter tertentu dalam analisis cluster (seperti jumlah cluster yang diinginkan). Hasil clustering dapat sangat sensitif terhadap parameter input.

·        Kemampuan untuk menangani data yang rusak: Sebagian besar dunia database mengandung data rusak atau hilang, tidak diketahui, atau data yang salah. Beberapa algoritma cluster yang sensitif terhadap data tersebut dan dapat menyebabkan  kualitas cluster yang buruk .

·        Clustering tambahan  dan ketidakpekaan terhadap urutan masukan: Beberapa algoritma cluster tidak dapat memasukkan data yang baru dimasukkan (yaitu, update database) ke dalam struktur cluster yang ada dan, sebagai gantinya, harus menentukan clustering baru dari awal.

·        Dimensi yang tinggi: Sebuah database atau data warehouse dapat berisi beberapa dimensi atau atribut. Banyak  algoritma cluster yang baik dalam menangani  dimensi data rendah , yang hanya melibatkan  dua sampai tiga dimensi.

·        Kendala berbasis cluster: dunia aplikasi mungkin perlu melakukan pembuatan cluster baru berdasarkan berbagai macam kendala.

·        Tujuan dan kegunaan: Pengguna mengharapkan hasil clustering untuk dapat ditafsirkan, dipahami, dan bermanfaat. Artinya, clustering mungkin perlu terikat dengan penafsiran aplikasi yang spesifik dan. Hal ini penting untuk mempelajari bagaimana tujuan aplikasi dapat mempengaruhi pemilihan fitur clustering dan metode.

Dengan persyaratan ini dalam pikiran, studi kita tentang analisis cluster hasil sebagai berikut. Pertama, kita mempelajari berbagai jenis data dan bagaimana mereka dapat mempengaruhi metode clustering. kedua,
kami menyajikan kategorisasi umum metode clustering. Kami kemudian mempelajari setiap metode clustering dalam detail,termasuk metode partisi, metode hirarkis, kepadatan berbasi smetode, metode grid yang didasarkan, dan metode berbasis model. Kami juga meneliti clustering di ruang dimensi tinggi, clustering berbasis kendala, dan analisis outlier.

Selengkapnya