TextMining

Text Mining, proses analisis teks untuk menemukan informasi baru dari sekumpulan teks dimana sumbernya biasanya didapat dari dokumen.

Beda Data Mining dan Text Mining

	Data Mining	Text Mining
Data object	Numerical & categorical data	Textual data
Data structured	Terstruktur	Tidak dan semi terstruktur
Data representation	Simpel	Kompleks
Space dimension	Kecil dari puluhan ribu	Besar dari puluhan ribu
Methods	Analisis data, statistik, neural networks	Data mining, pengambilan data, NLP
Maturity	Implementasi sejak 1994	Implementasi mulai 2000
Market Workers	105 analis di perusahaan besar dan menengah	108 analis perusahaan dan pengguna individual

Tantangan TM (Text Mining):

1. Informasi dalam bentuk teks yang terstruktur
2. Database besar, hamper semua publikasi dalam bentuk elektronik
3. Jumlah kemungkinan yang tinggi, memungkinkan semua kata dan frase
4. Hubungan antara konsep2 teks kompleks dan halus, cth: “AOL bergabung dengan time-warner” ”time-warner dibeli oleh AOL”
5. Kata ambigu dan kepekaan konteks, cth: apple(perusahaan) atau apel (buah)
6. Kesalahan data, cth:kesalahan ejaan

Beda Weakly Structured Document dan Semistructured Document

Weakly Structured Document, dokumen yang relatif sedikit dalam cara penulisan, layout, atau indikator markup untuk menunjukkan struktur.

Semistructured Document, dokumen dengan format yang luas dan konsisten dimana metadata dapat lebih mudah disimpulkan.

Proses TM

1. Text preprocessing, pada tahap ini dilakukan proses pembersihan text dengan cara membuang kata2 yang tidak dipakai seperti header, footer, dll. Selain pembersihan teks, dilakukan juga restrukturisasi untuk tahapan selanjutnya.
2. Features generation, pada tahap ini dilakukan pengolahan teks dengan cara memisah-misahkan tiap kata, menghilangkan imbuhan, dan melakukan proses penghilangan stopwords (kata yang tidak relevan yang banyak muncul pada sebuah teks).
3. Features selection, peda tahap ini dilakukan penghilangan dimensi kata, yaitu membuang kata2 yang tidak penting.
4. Data mining / pattern discovery, pada tahap ini dilakukan proses data mining untuk mendapat pengetahuan baru pada teks. Dilakukan dengan teknik2 data mining.
5. Interpretation / evaluation, hasil dari proses mining akan diinterpretasikan kedalam bentuk tertentu untuk kemudian dilakukan proses evaluasi.

Functional architecture

1. Preprocessing tasks, mempersiapkan data untuk operasi inti dalam TM
2. Core mining operations, termasuk penemuan pola, analisis trends, dan algoritma penemuan tambahan knowledge
3. Presentation layer components, termasuk GUI dan akses ke bahasa query
4. Refinement techniques, termasuk metode yang menyring informasi dan data yang terkait erat dengan cluster

Core TM operations, 3 jenis pola paling umum yang dihadapi TM:

1. Distributions, pemilihan konsep dan perbandingan konsep
2. Frequent and near frequent sets, pengumpulan dokumen dilakukan untuk mengatur konsep
3. Associations, mengacu pada hubungan langsung antar konsep

Penanganan text data:

1. Membuat model data semi terstruktur
2. Pengambilan dokumen dari dokumen tidak terstruktur, menempatkan dokumen yang relevan berdasarkan keyword, berdasarkan kesamaan
3. Text mining, klasifikasi dokumen, pengelompokan dokumen, menemukan pola setiap dokumen

Pendekatan task-oriented, proses membuat representasi dokumen terstruktur dalam hal tugas dan bagian2nya. Bagian tugas dapat dibagi kedalam 3 kelas:

1. Persiapan pengolahan
2. Tugas NLP (natural language processing)
3. Tugas tergantung pada masalah

Text preprocessing

1. Evaluation
2. Text cleanup, pemebersihan text, misalnya mengubah teks dalam bentuk normal (dikonversi dari format biner)
3. Tokenization, memecah teks menjadi kalimat dan kata2
4. Part of speech tagging, menandai kata2 dalam sebuah teks dengan sesuai dengan bagian2 yang disampaikan. Berdasarakan aturan: tergantung pada aturan tata bahasa. Berdasarkan statistik: tergantung pada probabilitas urutan kata yang berbeda
5. Word sense disambiguation, menentukan kata yang memiliki arti yang berbeda dalam kalimat tertentu (ambigu)
6. Semantic structures, ada 2 metode. Full Parsing: menguraikan kata2 dari sebuah kalimat dengan menggunakan skema pohon. Chunking with partial parsing: menghasilkan konsep sintaksis

Tahap final dalam penataan dokumen adalah membuat representasi yang bermakna untuk kemudian dilakukan tahap pengolahan dari pengguna sistem TM. Ada 2 teknik utama, Text categorization: mengelompokkan dokumen sesuai kata kunci. Information extraction: pencarian informasi.

3 aplikasi text categorization:

1. Text indexing, membuat index teks dokumen
2. Document sorting and text filtering, menggolongkan dokumen dan penyaringan teks. Penyarinngan dilakukan untuk memenuhi kebutuhan informasi yang lebih spesifik.
3. Web page categorization , mengelompokkan teks pada halaman web, biasanya dengan membuat katalog hirarkis

Single-label categorization vs multilabel categorization

Single-label categorization, setiap dokumen milik dari satu kategori

Multilabel categorization, satu dokumen mungkin bisa saja milik beberapa kategori

Hard categorization vs soft categorization

Hard categorization, sistem kategorisasi otomatis membuat keputusan dalam memasangkan setiap kategori dokumen

Soft categorization, pendekatan semi-otomatis dimana keputusan untuk menetapkan dokumen ke kategori dibuat oleh manusia.

Teknik classification:

1. Decision trees
2. K-nearest neighbors
3. Naïve baves classifier
4. Neural networks
5. Support vector machine

Document clustering, menemukan kelompok dokumen yang serupa

Tantangan:

1. Volume data tekstual besar, harus ditangani secara efisien
2. Tidak ada gambaran jelas kesesuaian antara dokumen dan aplikasi

Solusinya dg menggunakan document clustering, 2 metode document clustering yang popular: K-means clustering dan agglomerative hierarchical clustering

Pendekatan text representation:

1. “bag of words”
2. Vector space
3. Stop word removal
4. Stemming

Langkah document clustering

1. Representasi dokumen
2. Pengurangan dimensi
3. Menerapkan algoritma clustering
4. Mengevaluasi efektivitas proses

Komponen clustering task:

1. Representasi
2. Menentukan jarak yang sesuai untuk domain
3. Realisasi pengelompokan objek
4. Abstraksi data
5. Evaluasi

Hard clustering vs soft clustering

Hard clustering, setiap objek milik dari satu cluster

Soft clustering, setiap objek mungkin milik beberapa cluster

Algoritma clustering:

1. K-means, mengukur tingkat kemiripan antar cluster dengan menggunakan parameter k
2. Agglomerative hierarchical clustering, mengukur tingkat kemiripan antar cluster dengan menngunakan single link, complete link

Isu / persoalan representasi teks

1. Secara umum sulit untuk menangkap fitur dari sebuah teks dokumen
2. Penyederhanaan dengan menunjukkan dokumen sebagai vektor kata2

Latent semantic indexing

1. Menangkap dimensi semantic
2. Mendapatkan representasi berbasis teks
3. Sebagai metode pengurangan dimensi efektif

4 jenis elemen yang dapat diekstrak dari teks:

1. Entities, objek yang dapat ditemukan dalam teks (cth: orang, perusahaan, lokasi)
2. Attributes, fitur dari entitas yang diekstrak (cth: usia seseorang, jenis organisasi)
3. Facts, hubungan antar entitas (cth: hubungan kerja antara seseorang dan perusahaan)
4. Events, kejadian yang terjadi pada suatu entitas (cth: merger antar 2 perusahaan, ulang tahun)

Arsitektur information extraction:

1. Tokenization, memecah dokumen kedalam kata2, kalimat, paragraf
2. Morphological and lexical analysis, menandai kata2 dalam sebuah teks sesuai dengan bagian yang disampaikan, menciptakan frasa dasar, analisis kata2 ambigu
3. Syntactic analysis, membentuk hubungan antar bagian yang berbeda dari setiap kalimat
4. Domain analysis, menggabungkan setiap informasi yang dikumpulkan dari komponen sebelumnya dan menggambarkan hubungan antar entitas

Jenis frase yang tidak boleh diekstrak:

1. Artefak (cth:MTV)
2. Kata benda umum yang digunakan dalam referensi anaforis (cth: pesawat, perusahaan)
3. Nama kelompok dan hukum diberi nama orang (cth: nobel prize)
4. Bentuk kata sifat dari nama lokasi (cth: amerika, jepang)
5. Bermacam-macam menggunakan angka secara tidak khusus

Template element(TE), memisahkan object dan atributnya berdasarkan jenisnya.

Tipe TE:

1. orang
2. organisasi
3. lokasi
4. Artefak

Template relationship task, template relationship task (TR) menyatakan hubungan domain-independen antara entitas dibandingkan dengan template entity task. Tujuannya adalah mencari hubungan yang ada antara unsur-unsur template diambil dari teks .

Scenario Template (ST), mengungkapkan tugas dan hubungan domain dan entitas .Tujuannya adalah menguji portabilitas masalah ekstraksi baru dengan cepat.

Anaphora, proses pencocokan antar NLP yang mengacu pada entitas

1. Pronominal anaphora, menggunakan kata ganti. 3 jenis kata ganti: reflexive pronouns(himself, herself), personal pronouns(he, him, you), possessive pronouns(her, his)
2. Proper name co-reference, menghubungkan semua variasi dari nama yang sebenarnya yang diamati dalam teks
3. Apposition, memberikan informasi tambahan bagi entitas
4. Predicate nominative, terjadi setelah menggabungkan kata kerja dan menyelesaikan hubungan dari subjek
5. Function-value co-reference, mendeskripsikan fungsi dan nilai dari entitas
6. Ordinal anaphora, mencakup sejumlah bilangan pokok seperti kata sifat pertama atau kedua
7. One anaphora, menggunakan ekspresi anaforis
8. Part whole co-reference, mengacu pada bagian yang sebelumnya

Etika & Teknologi

Teknologi adalah segala sesuatu yang diciptakan manusia untuk memudahkan pekerjaannya.    Kehadiran teknologi membuat manusia “kehilangan” beberapa sense of human yang alami.( otomatisasi mesin refleks / kewaspadaan melambat )Cara orang berkomunikasi, by email or by surat, membawa perubahan signifikan, dalam sapaan / tutur kata.

Isu-Isu Pokok Etika Komputer

·        Kejahatan Komputer

Kejahatan yang dilakukan dengan computer sebagai basis teknologinya.

Virus, spam, penyadapan, carding, Denial of Services ( DoS ) / melumpuhkan target

·        Cyber ethics

Implikasi dari INTERNET ( Interconection Networking ), memungkinkan pengguna IT semakin meluas, tak terpetakan, tak teridentifikasi dalam dunia anonymouse.

·        Diperlukan adanya aturan tak tertulis        Netiket, Emoticon.

·        E-commerce

Otomatisasi bisnis dengan internet dan layanannya, mengubah bisnis proses yang telah ada dari transaksi konvensional kepada yang berbasis teknologi, melahirkan implikasi  negative; bermacam kejahatan, penipuan, kerugian karena ke-anonymouse-an tadi.

• Pelanggaran HAKI

Masalah pengakuan hak atas kekayaan intelektual. Pembajakan, cracking, illegal software dst.

• Tanggung jawab profesi

Sebagai bentuk tanggung jawab moral, perlu diciptakan ruang bagi komunitas yang akan saling menghormati.

CYBER ETHICS: ETIKA MENGGUNAKAN INTERNET

Netiket : Contoh Etika Berinternet

Netiket atau Nettiquette, adalah etika dalam berkomunikasi menggunakan internet.

1. Netiket pada one to one communications

Yang dimaksud dengan one to one communications adalah kondisi dimana komunikasi terjadi antarindividu “face to face” dalam sebuah dialog.

2. Netiket pada one to many communications

Konsep komunikasi  one to meny communications adalah bahwa satu orang bisa berkomunikasi kepada beberapa orang sekaligus. Hal itu seperti yang terjadi pada mailing list dan net news.

3. Information services

Pada perkembangan internet, diberikan fasilitas dan berbagai layanan baru yang disebut layanan informasi (information service). Berbagai jenis layanan ini antara lain seperti Gropher, Wais, Word Wide Web (WWW), Multi-User Dimensions (MUDs), Multi-User Dimensions which are object Oriented (MOOs)

Pelanggaran Etika

Seperti halnya etika dalam kehidupan bermasyarakat, sanksi yang diperoleh terhadap suatu pelanggaran adalah sanksi social. Sanksi social bisa saja berupa teguran atau bahkan dikucilkan dari kehidupan bermasyarakat.

Demikian juga dengan pelanggaran etika berinternet. Sanksi yang akan diterima jika melanggar etika atau norma-norma yang berlaku adalah dikucilkan dari kehidupan berkomunikasi berinternet.

CYBER CRIME : MODUS, PENYEBAB DAN PENANGGULANGANNYA

Cyber Crime : Sebua Evolusi Kejahatan

• Jenis kejahatan “konvensional” :

a.      K. kerah biru (blue collar crime)

Pencurian, penipuan, pembunuhan

b.      K. kerah putih (white collar crime)

Kejahatan korporasi, k. birokrat, malpraktek dll

Jenis Cybercrime

Berdasarkan Jenis Aktivitasnya

1. Unauthorized Access.

Terjadi ketika seseorang memasuki atau menyusup ke dalam suatu system jaringan computer secara tidak sah, tanpa izin atau tanpa sepengetahuan dari pemilik system jaringan computer yang dimasukinya.

Probing dan Port Scanning merupakan contoh dari kejahatan ini.

Aktivitas “Port scanning” atau “probing” dilakukan untuk melihat servis-servis apa saja yang tersedia di server target.

2. Illegal Contents

Merupakan kejahatan yang dilakukan dengan memasukkan data atau informasi ke internet tentang sesuatu hal yang tidak benar, tidak etis, dan dapat dianggap melanggar hokum atau mengganggu ketertiban umum.

3. Penyebaran Virus Secara Sengaja

Penyebaran virus umumnya dilakukan dengan menggunakan email. Seringkali orang yang system emailnya terkena virus tidak menyadari hal ini. Virus ini kemudian dikirimkan ke tempat lain melalui emailnya.

Contoh kasus : Virus Mellisa, I Love You, dan Sircam.

4. Data Forgery

Kejahatan jenis ini bertujuan untuk memalsukan data pada dokumen-dokumen penting yang ada di Internet.

5. Cyber Espionage, Sabotage and Extortion

Merupakan kejahatan yang memanfaatkan jaringan internet untuk melakukan kegiatan mata-mata terhadap pihak lain dengan memasuki system jaringan computer pihak sasaran.

Selanjutnya, sabotage and extortion merupakan jenis kejahatan yang dilakukan dengan membuat gangguan, perusakan atau penghancuran terhadap suatu data, program computer atau system jaringan computer yang terhubung dengan internet.

6. Cyberstalking

Dilakukan untuk mengganggu atau melecehkan seseorang dengan memanfaatkan computer, misalnya menggunakan e-mail dan dilakukan berulang-ulang.

Kejahatan tersebut menyerupai terror yang ditujukan kepada seseorang dengan memanfaatkan media internet.

7. Carding

Merupakan kejahatan yang dilakukan untuk mencuri nomor kartu kredit milik orang lain dan digunakan dalam transaksi perdagangan di internet.

8. Hacking dan Cracking

Istilah hacker biasanya mengacu pada seseorang yang mempunyai minat besar untuk mempelajari system computer secara detail dan bagaimana meningkatkan kapabilitasnya.

Besarnya minat yang dimiliki seorang hacker dapat mendorongnya untuk memiliki kemampuan penguasaan system di atas rata-rata pengguna. Jadi, hacker memiliki konotasi yang netral.

Aktivitas cracking di internet memiliki lingkungan yang sangat luas, mulai dari pembajakan account milik orang lain, pembajakan situs web, probing, menyebarkan virus, hingga pelumpuhan target sasaran.

9. Cybersquatting and Typosquatting

Merupakan kejahatan yang dilakukan dengan mendaftarkan domain nama perusahaan orang lain dan kemudian berusaha menjualnya kepada perusahaan tersebut dengan harga yang lebih mahal.

Typosquatting adalah kejahatan dengan membuat domain yang mirip dengan nama domain orang lain.

10. Hijacking

Merupakan kejahatan melakukan pembajakan hasil karya orang lain. Yang paling sering terjadi adalah Software Piracy (pembajakan perangkat lunak)

11. Cyber Terorism

Suatu tindakan xybercrime termasuk cyber terorism jika mengancam pemerintah atau warganegara, termasuk cracking ke situs pemerintah atau militer.

Berdasarkan Motif Kegiatannya

1.      Sebagai tindakan murni kriminal

Kejahatan yang murni merupakan tindak criminal yang dilakukan karena motif kriminalitas. Kejahatan jenis ini biasanya menggunakan internet hanya sebagai sarana kejahatan. Contoh kejahatan semacam ini adalah Carding.

2.      Cybercrime sebagai kejahatan “abu-abu”

Pada jenis kejahatan di internet yang masuk dalam “wilayah abu-abu” cukup sulit menentukan apakah itu merupakan tindakan criminal atau bukan, mengingat motif kegiatannya terkadang bukan untuk berbuat kejahatan. Contohnya adalah probing atau portscanning.

Berdasarkan Sasaran Kejahatannya

1.      Menyerang Individu (Against Person)

Jenis kejahatan ini, sasaran serangannya ditujukan kepada perorangan atau individu yang memiliki sifat atau criteria tertentu sesuai tujuan penyerangan tersebut. Beberapa contoh kejahatan ini antara lain : Pornografi, Cyberstalking, Cyber Tresspass

2.      Menyerang Hak Milik (Against Property)

Cybercrime yang dilakukan untuk mengganggu atau menyerang hak milik orang lain. Contoh: carding, cybersquatting, typosquatting, hijacking, data forgery

3.      Menyerang Pemerintah (Against Government)

Cybercrime Against Government dilakukan dengan tujuan khusus penyerangan terhadap pemerintah

Strategi Penanggulangan Cyber Crime

a.      Strategi Jangka Pendek

1.      Penegakan hukum pidana

2.      Mengoptimalkan UU khusus lainnya

3.      Rekruitment aparat penegak hokum

b.      Strategi Jangka Menengah

1.      Cyber police

2.      Kerjasama internasional

c.       Strategi Jangka Panjang

1.      Membuat UU cyber crime

2.      Membuat perjanjian bilateral

Pentingnya Etika di Dunia Maya

            hadirnya internet dalam kehidupan manusia telah membentuk komunitas masyarakat tersendiri. Surat menyurat yang dulu dilakukan secara tradisional (merpati pos atau kantor pos) sekarang bisa dilakukan hanya dengan duduk dan mengetik surat tersebut di depan computer.

Beberapa alasan mengenai pentingnya etika dalam dunia maya adalah sebagai berikut:

1. Bahwa pengguna internet berasal dari berbagai negara yang mungkin memiliki budaya, bahasa dan adat istiadat yang berbeda-beda.
2. Pengguna internet merupakan orang-orang yang hidup dalam dunia anonymouse, yang tidak mengharuskan pernyataan identitas asli dalam berinteraksi.
3. Berbagai macam fasilitas yang diberikan dalam internet memungkinkan seseorang untuk bertindak etis seperti misalnya ada juga penghuni yang suka iseng dengan melakukan hal-hal yang tidak seharusnya dilakukan.
4. Harus diperhatikan bahwa pengguna internet akan selalu bertambah setiap saat dan memungkinkan masuknya “penghuni” baru didunia maya tersebut.

Faktor-Faktor Yang Mempengaruhi Terjadinya Cyber Crime

1.      Faktor Politik

2.      Faktor Ekonomi

3.      Faktor Sosial Budaya

Ada beberapa aspek untuk Faktor Sosial Budaya:

a.      Kemajuan Teknologi Informasi

b.      Sumber Daya Manusia

c.       Komunitas Baru

Dampak Cybercrime Terhadap Keamanan Negara

2.      Kurangnya kepercayaan dunia terhadap Indonesia

3.      Berpotensi menghancurkan negara

Dampak Cybercrime Terhadap Keamanan Dalam Negri

1.      Kerawanan social dan politik yang ditimbulkan dari Cybercrime antara lain isu-isu yang meresahkan, memanipulasi simbol-simbol kenegaraan, dan partai politik dengan tujuan untuk mengacaukan keadaan agar tercipta suasana yang tidak kondusif.

2.      Munculnya pengaruh negative dari maraknya situs-situs porno yang dapat diakses bebas tanpa batas yang dapat merusak moral bangsa.

Soal- Soal Data Warehouse

1.Jelaskan  2 pengertian overflow storage + contoh.

·        Kombinasi dari data historis dan data rinci yang menghasilkan tingkat pertumbuhan yang fenomenal

·        Sebagai data yang tumbuh besar, subsisdi alami dapat terjadi antara data aktif dan tidak aktif yang digunakan

Contoh :  

o   Low peformance disk storage -> FAT Storage

o   Line Storage -> Robot yang dikendalikan dengan Catridge Based Sequential Tape

o   Sequential Tape -> Lebih canggih dari Line Storage

2.         Jelaskan makna “inactive data” !

Data tidak aktif adalah data yang tidak muncul di file tree dan juga dikenal sebagai direktori atau struktur data. Meskipun data ini berada pada hard drive Anda, data ini tidak dapat diakses oleh sistem operasi dan juga tidak bisa di maintain. Data yang dihapus atau data yang ada sebelum memformat sistem adalah dua contohnya. Pada dasarnya, data yang tidak dapat diakses / tidak dapat dilihat, tetapi masih disuatu tempat di dalam hard drive diklasifikasikan sebagai inavtive data.

3.         Jelaskan makna “feedback loop” !

Feedback Loop dapat meningkatkan atau memberikan perubahan yang terjadi dalam suatu sistem. Umpan balik yang positif dapat meningkatkan atau memperkuat perubahan, hal ini cenderung untuk membuat sistem menjadi keadaan seimbang dan membuatnya lebih stabil. Sedangkan umpan balik yang negatif cenderung untuk meredam atau memberikan perubahan, akan tetapi perubahan perubahan yang diberikan membuat keadaan menjadi tidak seimbang dan tidak stabil.

4.         Jelaskan beberapa feedback loop techniques !

·        Bentuk bagian pertama dari gudang data dengan sangat kecil, langkah-langkah yang sangat cepat, dan hati-hati mendengarkan komentar pengguna akhir 'di akhir setiap langkah pembangunan.

·        Jika tersedia, gunakan prototyping dan memungkinkan feedback loop untuk memfungsikan penggunaan pengamatan yang dikumpulkan dari prototipe.

·        Lihatlah bagaimana orang lain telah membangun tingkat granularity mereka dan belajar dari pengalaman mereka.

·        Pergi ke proses umpan balik dengan memanfaatkan user yang berpengalaman yang menyadari proses yang sedang terjadi.

·        Lihatlah apa organisasi yang kini muncul dapat bekerja, dan menggunakan persyaratan fungsional sebagai panduan.

·        Jalankan joint application design (JAD) dan mensimulasikan output untuk mencapai umpan balik yang diinginkan.

5.         Jelaskan makna ‘raw estimate’ !

Suatu aktivitas yang di gunakan untuk menentukan tingkat kerincian dengan cara melakukan estimasi pada jumlah baris data dan DASD(Direct Acces Storage Device) di dalam data warehouse

6.         Jelaskan 4 teknik melakukan ‘raw estimate’ !

·        Identifikasi semua tabel yang akan dibangun : Mencari tahu semua informasi table yang akan di bangun atau buat.

·        Perkirakan ukuran masing-masing baris dalam table : Membuat perkiraan mengenai besarnya ukuran setiap table.

·        Dalam kurun waktu satu tahun,  perkirakan jumlah maksimum dan minimum dari baris dalam table : Tentukan banyaknya jumlah maksimal dan minimal yang akan di pakai dalam table.

·        Hitung ruang proyeksi data indeks : Menentukan besarnya ruang yang di butuhkan untuk proyeksi data indeks agar tidak terjadi kekurangan tempat.

7.         Jelaskan makna ‘input to the planning process’ !

Suatu kegiatan dimana kita memasukan suatu informasi seperti estimasi tempat dan estimasi baris serta informasi-informasi lainnya kedalam suatu proses perencanaan untuk mendukung rencana yang telah dibuat agar tidak terjadi kesalahan seperti kekurangan DASD,waktu yang tidak cukup,dll dalam rencana yang telah di rancang.oleh karena itu kita perlu melakukan input kedalam proses perencanaan kita seperti menentukan DASD yang di butuhkan,waktu yg di perlukan untuk menjalankan rencana tersebut dan tingkat rincian yang di perlukan.