RapidMiner Page 1

BAB I
PENDAHULUAN


A. Sejarah RapidMiner

RapidMiner sebelumnya dikenal sebagai YALE (Yet Another Learning Environment),
dikembangkan mulai tahun 2001 oleh Rafl Klinkenberg, Ingo mierswa, dan Simon Fischer di Unit
Artificial Inteligence dari Technical University of Dortmund. Mulai tahun 2006, perkembangannya
adalah didorong oleh cepat-1, sebuah perusahaan yang didirikan oleh Ingo mierswa dan Rafl
Klinkenberg pada tahun yang sama. Pada tahun 2007, nama software diubah dari YALE ke
RapidMiner dan perusahaan cepat-1 GmbH di dirikan. Pada akhir Mei, bebas open-source Suite
data mining YALE berganti nama menjadi RapidMiner. Sekarang Rilis ini memberikan semua
fungsi yang diketahui dari YALE dan menambahkan sejumlah besar fungsi-fungsi baru bersama
dengan antarmuka pengguna sepenuhnya direvisi. Berharap bahwa perbaikan dari YALE ke
RapidMiner lebih berguna untuk analisis pekerjaan sehari-hari.
RapidMiner dan plugin yang sekarang menyediakan lebih dari 400 belajar dan preprocessing
operator dan kombinasi yang tak terhitung jumlahnya dari. Oleh karena itu, RapidMiner adalah
pelengkap pengetahuan penemuan Suite yang dapat digunakan untuk semua tugas data mining. Di
antara fitur baru adalah ruang kerja untuk proyek yang berbeda dengan meningkatkan
visualisasi dari kriteria kinerja seperti kurva ROC rata-rata atau plot 3D dari matriks .

B. Pengertian Rapidminer
Rapid Miner adalah aplikasi data mining yang tidak perlu dipertanyakan lagi dan berbasis
sistem open-source dunia yang terkemuka dan ternama. Tersedia sebagai aplikasi yang berdiri
sendiri untuk analisis data dan sebagai mesin data mining untuk integrasi ke dalam produk sendiri.
Ribuan aplikasi RapidMiner di lebih dari 40 negara memberikan pengguna mereka keunggulan
yang kompetitif. Solusi yang di usung antara lain :Integrasi data, Analitis ETL, Data Analisis, dan
Pelaporan dalam satu suite tunggal. Powerfull tapi memiliki antarmuka pengguna grafis yang intuitif
untuk desain analisis proses.Repositori untuk proses, data dan penanganan meta dataHanya solusi
RapidMiner Page 2

dengan transformasi meta data: lupakan trial and error dan memeriksa hasil yang telah di inspeksi
selama desain.

Hanya solusi yang mendukung on-the-fly kesalahan dan dapat melakukan perbaikan dengan
cepatLengkap dan fleksibel: Ratusan loading data, transformasi d ata, pemodelan data, dan metode
visualisasi data RapidMiner Menyediakan prosedur data mining dan machine learningtermasuk:
ETL (extraction, transformation, loading), data preprocessing, visualisasi, modelling dan evaluasi.
Proses data mining tersusun atas operator-operator yang nestable, dideskripsikan dengan XML,
dan dibuat dengan GUI. Ditulis dalam bahasa pemrograman Java. Mengintegrasikan proyek data
mining Weka dan statistika R.
Terminologi Dasar Atribut dan atribut target Atribut: karakteristik atau fitur dari data yang
menggambarkan sebuah proses atau situasi. ID, atribut biasa. Atribut target: atribut yang menjadi
tujuan untuk diisi oleh proses data mining. Label, cluster, weight. Peran atribut (attribute role)
Label, cluster, weight, ID, biasa

Terminologi Dasar Tipe nilai (value type) nominal: nilai secara kategori numeric: nilai numerik
secara umum integer: bilangan bulat real: bilangan nyata text: teks bebas tanpa struktur binominal:
nominal dua nilai polynominal: nominal lebih dari dua nilai date_time: tanggal dan waktu date:
hanya tanggal time: hanya waktu

Terminologi Dasar Data dan metadata Data menyebutkan obyek-obyek dari sebuah konsep.
Ditunjukkan sebagai baris dari tabel. Metadata menggambarkan karakteristik dari konsep tersebut.
Ditunjukkan sebagai kolom dari tabel. Modelling Penggunaan metoda data mining terhadap data.
Hasilnya disebut model.

Fungsi menu Process control Untuk mengontrol aliran proses, seperti loop atau conditional
branch. Utility Untuk mengelompokkan subprocess, juga macro dan logger. Repository access
Untuk membaca dan menulis repository. Inport Untuk membaca dari berbagai format eksternal.
Export Untuk menulis data ke berbagai format eksternal.Data transformation Untuk transformasi
data dan metadata.
RapidMiner Page 3


Modelling Untuk proses data mining yang sesungguhnya. Seperti klasifikasi, regresi, clustering,
aturan asosiasi dll. Evaluation Untuk menghitung kualitas dari modeling.

C. Keunggulan dan Kelemahan Rapidminer
1. Keunggulan Rapidminer
Sudah tidak diragukan lagi rapidminer memiliki keunggulan tersendiri Rapid Miner adalah
aplikasi data mining yang tidak perlu dipertanyakan lagi dan berbasis sistem open-source dunia
yang terkemuka dan ternama. Tersedia sebagai aplikasi yang berdiri sendiri untuk analisis data dan
sebagai mesin data mining untuk integrasi ke dalam produk sendiri. Ribuan aplikasi RapidMiner di
lebih dari 40 negara memberikan pengguna mereka keunggulan yang kompetitif. Solusi yang di
usung antara lain :
Integrasi data
Analitis ETL
Data Analisis, dan
Pelaporan dalam satu suite tunggal. Powerfull tapi memiliki antarmuka pengguna grafis yang
intuitif untuk desain analisis proses.Repositori untuk proses, data dan penanganan meta dataHanya
solusi dengan transformasi meta data: lupakan trial and error dan memeriksa hasil yang telah di
inspeksi selama desain.
Hanya solusi yang mendukung on-the-fly kesalahan dan dapat melakukan perbaikan dengan cepat
Lengkap dan fleksibel: Ratusan loading data, transformasi data, pemodelan data, dan metode
visualisasi data.
2. Kelemahan Rapidminer
Secara khusus untuk memperluas RapidMiner dengan R membantu kelemahan alamat RM
dalam luasnya algoritma , karena membawa ekosistem R seluruh ke RM ( mirip dengan bagaimana
cepat - saya menerapkan banyak perpustakaan Weka pada awal pengembangan RM ) . Selanjutnya
, karena R pengguna paket rilis masyarakat yang menerapkan teknik baru yang lebih cepat
daripada vendor perusahaan, ini membantu mengubah kelemahan potensial menjadi kekuatan
potensial. Namun, paket R cenderung dari berbagai kualitas , dan lebih rentan dalam dukungan
perbaikan / bug . Hal ini sangat bergantung pada pengelola paket dan prevalensi penggunaan
RapidMiner Page 4

dalam komunitas R . Jadi, ketika RapidMiner memiliki peserta didik dengan implementasi asli ,
biasanya lebih baik untuk menggunakannya daripada R setara.
D. Target Menggunakan Rapidminer
Rapidminer telah menjadi salah satu perangkat lunak analisis open source atau bahkan
analisis dianggap sebagai kata kunci di fashion. Perangkat lunak rapidminer telah menjadi perintis
di banyak daerah ( seperti membangun pasar untuk Rapid Miner Ekstensi ) dan perluasan cepat
Miner -R adalah salah satu enabler yang paling menjanjikan menggunakan R dalam pengaturan
perusahaan .
Organisasi olahraga menganggap analisis sebagai pembeda strategis , maka nama tersebut
bersifat rahasia Analis - Kami dianggap sebagian besar pemain utama lainnya dalam statistik / data
mining atau perusahaan. Namun, kami menemukan bahwa nilai proposisi untuk solusi open
source itu terlalu menarik untuk membenarkan harga premium bahwa solusi komersial akan
diperlukan . Adopsi R dan berbagai paket dan algoritma yang tersedia untuk itu , membuat pilihan
yang mudah . Kami menyukai RapidMiner sebagai cara untuk merancang terstruktur, proses
berulang dan kemampuan untuk mengoptimalkan parameter pelajar dengan cara yang sistematis .
Hal ini juga ditangani set data besar lebih baik daripada R pada 32- bit Windows lakukan. GUI ,
terutama ketika 5.0 dirilis , membuatnya lebih bermanfaat daripada R untuk analis yang tidak
berpengalaman programmer.

E. Cakupan Fungsional Rapidminer
RapidMiner adalah solusi data mining di seluruh dunia terkemuka karena kombinasi dari
berbagai fungsional dan teknologi terdepan nya. Aplikasi dari RapidMiner memiliki penyebaran
yang luas dalam data mining di seluruh dunia. Cakupan fungsionalnya meliputi :
dedicated dan berorientasi hasil Analis Analis Bisnis / Data dengan Enam tahun pengalaman di
berbagai domain seperti Keuangan , asuransi, E-commerce, pemerintah dengan pengetahuan
yang mendalam dalam Analisis Statistik ,Data mining ,SPSS dan Analisis Data .
Mahir dalam Menciptakan dan Transformasi Bisnis Persyaratan menjadi kebutuhan perangkat
lunak spesifikasi ( SRS ) menggunakan MS Word.
Ahli dalam menciptakan Rencana Manajemen Risiko , kebutuhan pengguna Specification (
URS ) , Fungsional Spesifikasi Kebutuhan ( FRS ) , Kebutuhan Bisnis Dokumen ( BRDs ) .
Pengalaman yang luas dalam metodologi Agile dan Waterfall .
RapidMiner Page 5

Kemahiran dalam menganalisa dan Menciptakan Gunakan kasus , Use Case Diagram , Activity
diagram , Bisnis Flow Diagram dan urutan diagram menggunakan MS Visio .
Keahlian dalam MS Office Suite , MS Visio , SPSS , alat statistik , Alat Keuangan , Model
Diskon Dividen dan HP Pusat Kualitas .
Diselenggarakan banyak perkembangan Aplikasi Bersama ( JAD ) dan sesi Bersama
Perencanaan Kebutuhan ( JRP ) , Wawancara , local karya dan sesi persyaratan elisitasi dengan
pemegang end-user/clients/stake dan kelompok pengembangan .
ekstensif berinteraksi dengan Tim QA dalam penciptaan Rencana Uji , Uji Memberikan Data,
Membuat dan Kasus Uji .
Pengalaman di Black Box Testing dan Pengujian Penerimaan Pengguna ( UAT ) .
ketajaman bisnis yang kuat , pemikiran strategis , kemampuan interpersonal dan presentasi ,
mahir menciptakan , mengedit , dan mengkoordinasikan jaringan komunikasi yang luas dengan
komunikasi yang baik , kemampuan analisis dan keterampilan resolusi konflik .
pengalaman komprehensif dalam merancang disesuaikan metodologi pengembangan sistem .
Pengalaman yang luas dalam bekerja dengan pengumpulan data AIG metodologi yang terdiri
dari kompleks Template pengumpulan data , penyimpanan data dan pembuatan laporan.
System Development Life Cycle ( SDLC ) , Microsoft Access , Excel , Word, Power Point ,
Visio , Makro , Vlook - up , Hlook -up , meja Pivot , Waterfall Metodologi , Microsoft Visio ,
SPSS , Filemaker Pro , Agile Metodologi , backlog produk , Sprint Perencanaan , pertemuan
retrospektif , praktek Scrum ,JAVA , SQL , EMC Documentum , Pre - UAT pengujian ,
Spesifikasi Fungsional , Pusat Kualitas HP , data mining , kurang







RapidMiner Page 6

BAB II
PEMBAHASAN

Disini kita akan membahas tentang penggunaan Tools Rapid Miner. Tools ini digunakan
sebagai alat bantu untuk melakukan penambangan data alias Data Minning. Untuk percobaan,
penulis menggunakan data klasmen Liga Inggris:
pos 10 GA 10 GC 10 PTS 10 CHAM
1 19 8 24 YES
2 20 9 23 NO
3 18 6 22 NO
4 9 5 19 NO
5 20 13 18 NO
6 10 5 16 NO
7 20 12 15 NO
8 15 12 15 NO
9 14 13 15 NO
10 15 11 14 NO
1 31 12 26 NO
2 16 3 26 NO
3 14 10 23 YES
4 18 13 21 NO
5 19 14 18 NO
6 18 10 17 NO
7 11 9 17 NO
8 22 19 16 NO
9 15 12 15 NO
10 14 13 15 NO
1 28 6 31 YES

1. Langkah pertama open RapidMiner 5.0 kemudian double klik new proses untuk
membuka lembaran kerja baru,
RapidMiner Page 7


2. kemuadian langkah selanjutnya ketik read pada bagian operator kemudian double klik read
excel bisa dilihat pada gambar dibawah ini :

RapidMiner Page 8

3. kemudian langkah selanjutnya klik import configuration wizard akan tampil gambar seperti
dibawah ini:

pada gambar diatas cari data yang akan anda klasifikasikan dan untuk percobaan, penulis
menggunakan data klasmen Liga Inggris.

RapidMiner Page 9

4. Kemudian klik tombol next sampai di step ke empat , dan prediksi klasifikasi harus ada labelnya
dan langsung double klik tombol finish seperti gambar dibawah ini :

Dari langkah diatas didapat kan hasil seperti gambar dibawah ini:

RapidMiner Page 10

5. Kemudian tambahkan metode naivebyes, kalau disini kita gak perlu lagi hitung-hitungannya,
karena disini kita d anggap memakai. seperti gambar dibawah ini :

6. Jika sudah selesai output pada read excel kita gandengkan ke training (nave bayes) jika warna
nya berubah menjadi warna ungu berarti benar dan jika merah itu berarti salah seperti gambar
dibawah ini :
RapidMiner Page 11


7. Kemudian langkah selanjutnya tekan F 11 dan pilih SimpleDistribution untuk melihat hasil
outputnya seperti gambar dibawah ini :

dari langkah diatas kita belum mengetahui tingkat akurasi data kita. Jika kita ingin mengetahui
tingkat akurasi data kita ada caranya. Ini merupakan contoh kita ada data dan menggunakan model
apa? Baru kita membagi data kita, misalkan kita mempunyai data 100 dan data tersebut kita bagi
RapidMiner Page 12

dua bisa 50 atau 50 juga bisa 40 atau 50 datanya. Misalkan 40 itu data training dan 60 itu data
testing dan kita ingin mengetahui tingkat akurasi data kita, kita dapat menggunakan Apply Model
dan performance Clasification seperti gambar dibawah ini :

8. Kemudian langkah selanjutnya kita jalankan atau tekan F 11 akan tampil gambar output seperti
dibawah ini :
RapidMiner Page 13


9. Dari langkah diatas dapat kita ketahui hasil tingkat akurasi data kita menggunakan metode nave
bayes yaitu 80,95 %. Kemudian anda uji lagi mengunakan metode decision tree dan bandingkan
hasil akurasinya. Seperti gambar dibawah ini :

RapidMiner Page 14

10. Kemudian langkah selanjutnya kita jalankan atau tekan F 11 akan tampil gambar output
seperti dibawah ini :

11. Dari langkah diatas dapat kita ketahui hasil tingkat akurasi data kita menggunakan metode
Decision Tree yaitu 90,48 %. Kemudian anda uji lagi mengunakan metode K-NN dan bandingkan
hasil akurasinya. Seperti gambar dibawah ini :

RapidMiner Page 15

Dari hasil perbandingan diatas dapat kita bandingkan tingkat akurasi datanya dan tingkat akurasi
yang tinggi adalah menggunakan metode K-NN yaitu tingkat akurasinya mencapai 100 %. Jika anda
belum puas dengan metode yang telah dicoba anda dapat menguji kembali dengan metode
metode yang lainnya.

Kesimpulan
1. Dari data yang telah kita uji menggunakan beberapa metode yaitu metode nave bayes,
metode decision tree dan metode K-NN
2. Pada pengujian data klasmen Liga Inggris yang dilakukan menggunakan sistem yang
dibangun, dapat dihasilkan nilai akurasi terkecil 80,95% dengan jumlah sampel data 21 dan
hasil tertinggi 100% dengan jumlah sampel 21.
3. Pada pengujian data klasmen Liga Inggris yang dilakukan menggunakan aplikasi Rapid
Miner 5.3 dengan algoritma Decision Tree classifiers didapatkan hasil dengan nilai akurasi
terkecil 90,48 % dengan jumlah sampel 21 dan hasil tertinggi 100% dengan jumlah sampel
21
4. Pada pengujian data klasmen Liga Inggris yang dilakukan menggunakan aplikasi Rapid
Miner 5.3 dengan algoritma K-NN classifiers didapatkan hasil dengan nilai akurasi tertinggi
100 % dengan jumlah sampel 21.
5. Pada pengujian dengan menggunakan perangkat lunak Rapid Miner 5.3 maka dapat
disimpulkan bahwa nilai akurasi metode K-NN classifiers lebih baik dari pada nilai akurasi
metode naive bayesian classifiers dan metode Decision tree.