adalah serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data.
Tahap-Tahap Data Mining
Teknik-Teknik Data Mining
A. Association rule mining
adalah teknik mining untuk menemukan aturan assosiatif antara suatu kombinasi item.
Contoh :
diketahui berapa besar kemungkinan seorang pelanggan membeli kopi bersamaan dengan gula
Parameter aturan asosiatif :
- support yaitu persentase kombinasi item tsb.
- confidence yaitu kuatnya hubungan antar item dalam aturan assosiatif .
Algoritma yang paling populer dikenal sebagai Apriori dengan paradigma generate and test
B. Classification
adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui.
C. Clustering
adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster .
Kelemahan metode ini adalah bila bila salah satu penggabungan/pemecahan dilakukan pada tempat yang salah, tidak dapat didapatkan cluster yang optimal.
Permasalahan yang bisa diselesaikan dengan data mining
Analisa Pasar dan Manajemen
- Menembak target pasar
- Melihat pola beli pemakai dari waktu ke waktu
- Cross-Market Analysis
- Profil Customer
- Identifikasi Kebutuhan Customer
- Menilai Loyalitas Customer
- Informasi Summary
Analisa Perusahaan dan Manajemen Resiko
- Perencanaan Keuangan dan Evaluasi Aset
- Perencanaan Sumber Daya (Resource Planning)
- Persaingan (Competition)
Tahap-Tahap Data Mining
- Pembersihan data (untuk membuang data yang tidak konsisten dan noise)
- Integrasi data (penggabungan data dari beberapa sumber)
- Transformasi data (data diubah menjadi bentuk yang sesuai untuk di-mining)
- Aplikasi teknik DM
- Evaluasi pola yang ditemukan (untuk menemukan yang menarik/bernilai)
- Presentasi pengetahuan (dengan teknik visualisasi)
Proses data mining
Teknik-Teknik Data Mining
A. Association rule mining
adalah teknik mining untuk menemukan aturan assosiatif antara suatu kombinasi item.
Contoh :
diketahui berapa besar kemungkinan seorang pelanggan membeli kopi bersamaan dengan gula
Parameter aturan asosiatif :
- support yaitu persentase kombinasi item tsb.
- confidence yaitu kuatnya hubungan antar item dalam aturan assosiatif .
Algoritma yang paling populer dikenal sebagai Apriori dengan paradigma generate and test
B. Classification
adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui.
C. Clustering
adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster .
Kelemahan metode ini adalah bila bila salah satu penggabungan/pemecahan dilakukan pada tempat yang salah, tidak dapat didapatkan cluster yang optimal.
Permasalahan yang bisa diselesaikan dengan data mining
Analisa Pasar dan Manajemen
- Menembak target pasar
- Melihat pola beli pemakai dari waktu ke waktu
- Cross-Market Analysis
- Profil Customer
- Identifikasi Kebutuhan Customer
- Menilai Loyalitas Customer
- Informasi Summary
Analisa Perusahaan dan Manajemen Resiko
- Perencanaan Keuangan dan Evaluasi Aset
- Perencanaan Sumber Daya (Resource Planning)
- Persaingan (Competition)
