Unified Software Development Process (USDP)

1. Pendahuluan

Dewasa ini penggunaan komputer bertumbuh pesat. Bisa dilihat bahwa di setiap aspek kehidupan manusia selalu melibatkan penggunaan komputer. Penggunaan komputer yang semakin luas ini tentunya membawa perubahan pula bagi para pengembang perangkat lunak. Perangkat lunak yang dibuat harus mampu menjangkau setiap pengguna, baik itu pengguna yang sudah mahir maupun yang masih awam. Perangkat lunak yang baik harus dapat digunakan oleh siapa saja, baik yang memiliki latar belakang pendidikan IT atau bukan. Kompleksitas dari perangkat lunak pun semakin bertambah dengan semakin beragamnya permintaan aplikasi dari pengguna.

Perkembangan perangkat lunak yang semakin kompleks ini memerlukan suatu metodologi untuk bisa menghasilkan sebuah produk akhir perangkat lunak yang handal. Yang dimaksud dengan metodologi di sini adalah suatu kerangka kerja dan prinsip-prinsip yang dipakai untuk mengorganisasikan suatu penugasan tertentu, dalam konteks ini adalah penugasan pembuatan perangkat lunak, yang dilakukan dalam sebuah tim dengan pembagian tugas yang jelas.  Dengan menggunakan metodologi pengembangan perangkat lunak (software development methodology) ini, maka para pengembang (developer) punya fase-fase yang lebih terstruktur sehingga proses manajerial dan kontrol dalam pembuatan perangkat lunak menjadi lebih baik.

Beragam metodologi bisa dipakai. Namun dalam tulisan ini hanya akan dibahas satu metodologi yang cukup terkenal, yaitu Unified Software Development Process atau biasa disingkat dengan USDP.

2. Pengertian Unified Software Development Process

USDP merupakan metodologi untuk pengembangan perangkat lunak, utamanya perangkat lunak yang berorientasikan objek. Metodologi ini pertama kali diperkenalkan oleh Rational Team, yang pada perkembangan selanjutnya metodologi ini disempurnakan kembali menjadi metodologi baru yang bernama Rational Unified Process (RUP), yang sekaligus menjadi cikal bakal tebentuknya kurang lebih tujuh metodologi lainnya.

Berbicara tentang USDP, maka proses yang dicakup tidaklah sesederhana jika dibandingkan dengan metodologi klasik, seperti waterfall dan iterative model. Hal ini dikarenakan USDP lebih digunakan untuk membangun sebuah kerangka kerja (framework) yang bisa dikustomisasi untuk kepentingan organisasi dan proyek yang lebih spesifik. Dengan framework, bisa tercipta beragam aplikasi karena adanya konsep coding reuse, dimana coding yang sama bisa dipakai untuk keperluan aplikasi yang sejenis.

Supervised Learning In Quest (SLIQ) Algorithm

1. Pendahuluan

Berkembangnya penggunaan komputer dalam bidang manajemen data menyebabkan akumulasi data dalam jumlah sangat besar di beberapa organisasi. Apalagi dengan berkembangnya persepsi bahwa analisa terhadap data yang besar ini akan mengubah data pasif menjadi informasi yang berguna. Salah satu cara untuk melakukan hal itu adalah dengan menggunakan metode Data Mining atau Knowledge Discovery in Databases. Di dalam konsep Data Mining terdapat berbagai cara dan metode untuk mengekstrak informasi dari database yang besar.

Klasifikasi adalah salah satu metode untuk melakukan ekstraksi informasi tersebut. Data input, atau yang biasa disebut dengan training set, terdiri dari banyak record, yang tiap record-nya mempunyai beberapa atribut. Setiap record ini juga mempunyai sebuah label kelas. Tujuan dari klasifikasi ini adalah untuk menganalisa data input dan membuat deskripsi atau model yang akurat untuk setiap kelasnya berdasarkan data yang ada. Deskripsi atau model kelas tersebut juga digunakan untuk mengklasifikasikan data tes lain/data tes baru yang belum diketahui label kelasnya.

Salah satu cara untuk melakukan klasifikasi adalah dengan menggunakan decision tree. Cara decision tree ini relatif lebih cepat dibandingkan menggunakan cara lainnya. Sebagai contoh, klasifikasi dengan cara neural network membutuhkan waktu yang sangat lama walaupun dengan menggunakan dataset yang kecil. Selain itu sebuah decision tree bisa dikonversikan ke dalam classification rules yang sederhana dan mudah dipahami. Decision tree juga dapat dikonversikan pula ke dalam SQL query untuk mengakses database. Dan yang paling penting decision tree juga mempunyai tingkat akurasi yang cukup tinggi dibandingkan cara lainnya.

Sebenarnya saat ini banyak algoritma klasifikasi, khususnya yang menggunakan metode decision tree. Tetapi kebanyakan algoritma tersebut mempunyai ketentuan bahwa kapasitas training data harus cukup dengan kapasitas memori yang ada. Ini tentu mempunyai kesulitan tersendiri jika diaplikasikan di masa sekarang yang membutuhkan training set dalam jumlah besar. Kalau pun training data tersebut cukup dengan memori yang ada, maka tetap ada batasan kapasitas maksimal yang menyebabkan algoritma tersebut tidak cukup fleksibel jika digunakan untuk kasus data lainnya.

Microsoft Vine

Pada akhir April 2009 lalu, Microsoft meluncurkan versi beta dari aplikasi baru yang diberi nama Microsoft Vine. Aplikasi ini pada dasarnya bertujuan untuk membentuk sebuah komunitas. Akan tetapi yang membedakan dengan aplikasi sejenis adalah Microsoft Vine ini mempunyai fitur alert yang bertujuan untuk menyebarkan informasi, khususnya informasi penting, kepada anggota komunitas tersebut. Pengguna bisa memilih berbagai metode alert, yaitu melalui e-mail, pesan teks, dan komputer. Dengan demikian pertukaran informasi antar anggota bisa dilakukan dengan mudah dan cepat.