Mengapa? Apa?
Mengapa? Apa?
Aplikasi
Aplikasi
Proses KDD
Proses KDD
Tinjauan DM
Tinjauan DM
Isu Utama
Isu Utama
Motivasi: “Kebutuhan
akan Pengetahuan yang ada pada Data”
• Problem ledakan data
– Tool koleksi data otomatis dan
perkembangan teknologi database
menyebabkan banyak sekali data yang bisa
dikumpulkan di dalam database, data
warehouse, dan alat peyimpanan informasi
lainnya, untuk dianalisa
• Kita punya banyak data tapi tidak tahu
pengetahuan yang tersimpan di dalamnya!
Motivasi: “Kebutuhan
akan Pengetahuan yang ada pada Data”
• Solusi: Penggudangan data dan
penambangan data (Data warehousing and
data mining)
– Data warehousing dan on-line analytical
processing (OLAP)
– Penyaringan pengetahuan yang menarik
(kaidah, keberaturan, pola, kendala) dari data
dalam database yang besar
Komputer Tahun 1940-an
(ENIAC)
Personal Home Network Tahun
2000-an
File E dit
500
400
300
200
L ocate View
E
D
C
B
A
H elp
Storage
Storage
100 Mount
0
431 7437 1950
1 2 3 4 5 6
Network
7
79% /
Traffic
02 631963
Help 47358
93% /us
Storage
Storage
Storage
Storage Storage
Storage
Storage Storage Storage
Storage
Storage Storage
Internet
Storage
Storage
Evolusi atau Perkembangan
Teknologi Database
• 1960an: Koleksi data, pembuatan data, IMS dan
network DBMS
• 1970an: Model data relasional dan implementasi
DBMS relasional
• 1980an: RDBMS, model data lanjut (extended-
relational, OO, deduktif, dsb.) DBMS berorientasi
aplikasi(spasial, saintifik, teknik, dsb.)
• 1990an –2000an: Data mining dan data
warehousing, database multimedia, teknologi
Web
Apa Itu Data Mining?
• Target Pasar
– Mendapatkan kelompok model customer yang berbagi
karakteristik yang sama: minat, tingkat pendapatan, kebiasaan
belanja, dsb.
– Menentukan pola pembelian customer berdasarkan waktu
• Perencanaan sumberdaya
– Merangkum dan membandingkan sumberdaya dan
pengeluaran
Analisis dan Manajemen Resiko
Perusahaan
• Kompetisi
– Memantau pesaing dan arah pasar
– Mengelompokkan customer kedalam kelas
dan prosedur harga berbasis kelas
– Menetapkan strategi harga dalam suatu pasar
dengan kompetitif tinggi
Aplikasi Lain
• Olah raga
– IBM Advanced Scout menganalisa statistik (shots blocked, assists, dan
fouls) pertandingan NBA untuk mendapatkan keuntungan kompetitif bagi
New York Knicks dan Miami Heats
• Astronomi
– Observatory JPL dan Palomar menemukan 22 quasars dengan bantuan
data mining
• Internet Web Surf-Aid
– IBM Surf-Aid menerapkan algoritma data mining untuk akses logs
halaman Web yang terkait dengan pasar dalam upaya mendapatkan
kesukaan dan perilaku customer, menganalisa efektifitas pemasaran Web,
perbaikan situs Web organisasi, dsb.
Contoh (1)
• Anda seorang petugas
asuransi dan anda harus
mendefinisikan suatu
Oh,yes!
Oh, yes! pembayaran bulanan yang
IIlove
lovemy
my pantas untuk seorang pemuda
Ferrari! berusia 18 tahun yang
Ferrari!
membeli sebuah Ferrari …
apa yang anda akan lakukan?
Contoh (1)
• Kaji seluruh data customer dan data
kompensasi pembayaran sebelumnya
• Kaji peluang penyebab kecelakaan paling
banyak berdasarkan dugaan…
– Kelamin pengendara (pria/wanita) dan
usia
– Model dan usia mobil, tempat tinggal
– dsb.
• Jika peluang kecelakaan lebih besar dari
rata-rata, aturlah pembayaran bulanan
yang sesuai!
Contoh (2)
• Demikian pula …
– Seluruh jenis analisis log informasi
Task-relevant Data
Pembersihan Data
Integrasi Data
Databases
Langkah-Langkah dari Proses
KDD (1)
Pemahaman domain
Pemahaman domain
Pembuatan suatu
Pembuatan suatu data
data set
set target
target
Pembersihan/preprocessing data
Pembersihan/preprocessing data
Reduksi/proyeksi data
Reduksi/proyeksi data
Pemilihan tugas
Pemilihan tugas DM
DM
Langkah-Langkah dari Proses
KDD (2)
Pemilihan Algoritma
Pemilihan Algoritma DM
DM
Data mining:
Data mining:Pencarian
Pencarian
Evaluasi pola
Evaluasi pola
Penyajian pengetahuan
Penyajian pengetahuan
Penggunaan pengetahuan
Penggunaan pengetahuan yang
yangdiperoleh
diperoleh
Ciri Khas Proses KDD
Seleksi
Raw
Berdasarkan
data
waktu
Database
Database
Operasional
Operasional
i
e leks Eval. of
S interes-
tingness
Bersih
Benar i
2 e leks
Fokus S
1 3
Pola
Utilisasi berguna
Utilisasi yg
terpilih
Utilisasi
Peningkatan potensi
untuk mendukung
Pembuatan End User
keputusan bisnis
keputusan
Evaluasi Pola
Data
Databases Warehouse
Rantai Nilai
Keputusan
• Promosikan produk A di Z.
• Kirim iklan ke keluarga dengan
profil P
• Jual silang layanan B ke klien C
Pengetahuan
• Sebanyak Y produk A digunakan
di Z
• Customer dari kelas Y
menggunakan x% dari C
Informasi selama periode D
•X tinggal di Z
• S berumur Y tahun
• X dan S pindah
Data • W punya uang di Z
• Datacustomer
• Simpanan data
• Data grafis
• Data geografis
Fungsionalitas Data Mining
• Klasifikasi dan prediksi
– Membangun model (fungsi) yang
menguraikan dan membedakan kelas atau
konsep untuk peramalan kedepan
• Misal, mengklasifikasikan negara
berdasarkan iklim, atau
mengklasifikasikan mobil berdasarkan
gas mileage
– Presentasi: pohon-keputusan, kaidah
klasifikasi, neural network
– Menaksir beberapa nilai numerik yang
tidak diketahui atau hilang
Fungsionalitas Data Mining
• Analisis cluster (analisis pengelompokan)
– Label kelas tidak diketahui: kelompokkan
data untuk membentuk kelas baru, misal
mengelompokkan rumah untuk mendapatkan
pola distribusi
– Memaksimalkan kemiripan antar kelas dan
meminimumkan kemiripan didalam kelas
• Analisis outlier
– Outlier: suatu objek data yang tidak
mengikuti perilaku umum dari data
– Gangguan atau pengecualian? Tidak!
Berguna dalam deteksi kecurangan, analisis
peristiwa yang jarang terjadi
Fungsionalitas Data Mining
Sistem
Statistik
Database
Mesin
Pembelajaran
Data Mining Visualisasi
Algoritma Disiplin
Lainnya
Tinjauan Data Mining: Skema
Klasifikasi
• Fungsionalitas umum:
– Uraian data mining:
• Uraikan hal menarik apa yang bisa
ditemukan dalam data ini!
• Terangkan data ini ke saya!
– Peramalan data mining:
• Berdasarkan data ini dan sebelumnya,
beritahu saya apa yang akan terjadi
kemudian!
• Tunjukkan ke saya trend kedepan!
Tinjauan Data Mining: Skema
Klasifikasi
• Tinjauan multi-dimensi …
– Databases yang akan digali
– Pengetahuan yang akan dicari
– Teknik-teknik yang digunakan
– Aplikasi yang disesuaikan
• Mari kita lihat lebih dekat pada
tinjauan ini ...
Tinjauan Data Mining
Databases yang
Databases yang akan
akan digali
digali
Aplikasi yang
Aplikasi yang disesuaikan
disesuaikan
“Standards”
“Standards”
• DM: Conferences: KDD, PKDD, PAKDD, ...
Journals: Data Mining and Knowledge
Discovery, CACM
• DM/DB: Conferences: ACM-SIGMOD/PODS, VLDB, ...
Journals: ACM-TODS, J. ACM,
IEEE-TKDE, JIIS, ...
• AI/ML: Conferences: Machine Learning, AAAI, IJCAI, ...
Journals: Machine Learning, Artific. Intell., ...
Kesimpulan
• Data mining: penemuan pola menarik dari data set yang
besar secara semi-otomatis
• Knowledge discovery adalah suatu proses:
– Preprocessing
– Data mining
– Postprocessing
• Untuk digali, digunakan atau dimanfaatkan …
– Databases (relasional, object-oriented, spasial, WWW,
…)
– Pengetahuan (karakterisasi, pengumpulan, asosiasi, …)
– Teknik (mesin pembelajaran, statistik, visualisasi, …)
– Aplikasi (retail, telecom, Web mining, analisa log, …)