Pengelompokan Data Mining

-


Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu (Larose, 2005):

  1. Deskripsi : Terkadang peneliti dan analis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan.
  2. Estimasi : Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numerik dari pada arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variable target sebagai nilai prediksi. Selanjutnya pada peninjauan estimasi nilai variabel target dibuat berdasarkan nilai variabel prediksi. Sebagai contoh, akan dilakukan estimasi tekanan darah estolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, indeks berat badan, dan level sodium darah.hubungan antara tekanan darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan menghasilkan model estimasi. Model estimasi yang dihasilkan dapat digunakan untuk kasus baru lainnya. Contoh lain yaitu estimasi indeks prestasi komulatif mahasiswa program pasca sarjana dengan melihat nilai indeks prestasi mahasiswa tersebut pada saat mengikuti program sarjana.
  3. Prediksi : Contoh prediksi dalam bisnis dan penelitian adalah :
    • Prediksi harga beras dalam tiga bulan yang akan datang.
    • Prediksi presentase kenaikan kecelakaan lalu lintas tahun depan jika batas bawah kecepatan dinaikan. 
      • Catatan: Beberapa metode dan teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi.
  4. Klasifikasi : Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah. Contoh lain klasifikasi dalam bisnis dan penelitian adalah:
    • Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau bukan.
    • Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kartu kredit yang baik atau buruk.
    • Mendiagnosis penyakit seseorang pasien untuk mendapatkan termasuk kategori penyakit apa.
  5. Pengklusteran : Merupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan. Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster lain. Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana kemiripan record dalam kelompok lain akan bernilai minimal. Contoh pengklusteran dalam bisnis dan penelitian:
    • Mendapatkan kelompok-kelompok konsumen untuk target pemasaran dari suatu produk bagi perusahaan yang tidak memiliki dana pemasaran yang besar.
    • Untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap perilaku finansial dalam baik dan mencurigakan.
    • Melakukan pengklusteran terhadap ekspresi dari gen, untuk mendapatkan kemiripan perilaku dari gen dalam jumlah besar.
  6. Asosiasi : Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja. Contoh asosiasi dalam bisnis dan penelitian adalah:
    • Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang diharapkan untuk memberikan respons positif terhadap penawaran upgrade  layanan yang diberikan.
    • Menemukan barang dalam supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli secara bersamaan.


Sumber : Buku Kusrini & Emha Taufiq Lutfhi "Algoritma Data Mining"
Lokasi: Losari, Cirebon, West Java, Indonesia

Komentar

Posting Komentar

Postingan populer dari blog ini

6 Fase CRISP-DM (Cross-Industry Standard For Data Mining)

-
Gambar
CRISP-DM dikembangkan tahun 1996 oleh analis dari beberapa industri seperti DaimlerChrisler, SPSS, dan NCR. CRISP-DM menyediakan standar proses data mining sebagai strategi pemecahan masalah secara umum dari bisnis atau unit penelitian. Dalam CRISP-DM sebuah proyek data mining memiliki siklus hidup yang terbagi dalam enam fase. Keseluruhan fase berurutan yang ada tersebut bersifat adaptif. Fase berikutnya dalam urutan bergantung kepada keluaran dari fase sebelumnya. Hubungan penting antarfase digambarkan dengan panah. Sebagai contoh, jika proses berada pada fase modeling . Berdasar pada perilaku dan karakteristik model, proses mungkin harus kembali kepada fase data preparation untuk perbaikan lebih lanjut terhadap data atau berpindah maju kepada fase evaluation. Gambar Proses Data Mining Menurut CRISP-DM Berikut enam fase CRISP-DM (Larose, 2005): Fase pemahaman bisnis (B isnis Understanding Phase ) Penentuan tujuan proyek dan kebutuhan secara detail dal
Baca selengkapnya

Data Mining

-
Gambar
Suatu istilah yang digunakan untuk mengurai penemuan pengetahuan di dalam database. Data mining merupakan proses yang menggunakan teknik statistik, matematik, kecerdasan buatan dan machine learning untuk mengekstrasi dan mengidentifikasi informasi yang bermanfaat dan berbagai pengetahuan yang terakit dari berbagai database besar (Tuban, dkk. 2005). Menurut Gradner Group d ata mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik statistik dan matematik (Larose, 2005). Faktor-faktor yang mendorong kemajuan luar biasa dalam bidang data mining antara lain (Larose, 2005): Pertumbuhan yang cepat dalam perkumpulan data. Penyimpanan data dalam  data warehouse , sehingga seluruh perusahaan memiliki akses ke dalam database yang andal. Adanya peningkatan akses data melalui navigasi web dan internet. Tekanan kompetisi
Baca selengkapnya

Penyusunan Algoritma

-
Gambar
Masukan dan keluaran perlu diidentifikasi terlebih dahulu sebelum melakukan penyusunan algoritma. Gambar 1.0 dibawah memperjelas hal ini. Setelah masukan dan keluaran dikenali, hubungan antara keluaran dan masukan dapat disusun sedemikian rupa, sehingga dengan masukan yang tersedia, keluaran dapat diperoleh. Gambar 1.0 Algoritma memiliki masukan dan keluaran. Algoritma yang menghubungkan masukan dan keluaran dapat diperoleh dengan berbagai cara, seperti berikut: Didasarkan pada pengetahuan masukan dan keluaran; Menanyakan kepada orang yang mengetahui hubungan tersebut; Membaca buku-buku yang terkait dengan masalah tersebut; Mencari jawaban di internet; Mencoba membuat sendiri solusinya. Mencoba membuat solusi sendiri pada opsi terakhir mungkin akan tidak mudah. Namun, suatu saat jika menemukan kondisi seperti itu, kemampuan kita akan dituntut untuk bisa menyelesaikan nya sendiri. Berikut contoh penyelesaian masalah pada setiap masalah, masukan dan keluaran pe
Baca selengkapnya