EKSPLORASI

DATA MINING

Disusun oleh :

ANNISA FINDI LUCIANI ( 1319052 )

WESLY MARPAUNG ( 1319066 )

Kelas:
SIIO 2 2019

POLITEKNIK STMI JAKARTA

JAKARTA
2019
A. Eksplorasi Data Mining (5W,1H)

1. Apa Pengertian Dari Data Mining?

Data Mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan
buatan,machine learning untuk mengekstraksi dan mengidentifikasi informasi yang
bermanfaat dan pengetahuan yang terkait dari berbagai database besar

2. Dimana Data Mining Biasa Digunakan?

Data Mining biasa digunakan dibidang pemasaran, namun beberapa bidang lain seperti
asuransi, perbankan dan asuransi juga menerapkan Data mining . Contohnya dalam bidang
pemasaran dapat digunakan untuk menebak target pasar, Melihat pola beli dari waktu ke waktu,
cross-market analysis, profil pelanggan.

3. Siapa Penemu Data Mining?

Data mining pertama kali ditemukan oleh Gregory Piatetsky-Shapiro.

4. Mengapa Perlu Data Mining?

Kita memerlukan hal ini karena data mining memiliki banyak manfaat dalam membantu
kegiatan kita sehari hari seperti dalam fungsi prediksi . Data mining dapat memprediksi
sesuatu dalam menemukan pola dari data yang menggunakan variabel untuk memprediksikan
variabel lain yang tidak diketahui jenis dan nilainya

5. Bagaimana Tahapan Pada Data Mining Dibuat?

1. Pembersihan data
Pada umumnya data yang diperoleh, baik dari database suatu perusahaan maupun hasil
eksperimen, memiliki isian-isian yang tidak sempurna seperti data yang hilang, data yang
tidak valid atau juga hanya sekedar salah ketik

2. Integrasi data
Integrasi data dilakukan pada atribut-aribut yang mengidentifikasikan entitas-entitas yang
unik seperti atribut nama, jenis produk, nomor pelanggan dsb. Integrasi data perlu dilakukan
secara cermat karena kesalahan pada integrasi data bisa menghasilkan hasil yang
menyimpang dan bahkan menyesatkan pengambilan aksi nantinya.
 3. Transformasi data
Beberapa teknik data mining membutuhkan format data yang khusus sebelum bisa
diaplikasikan. Sebagai contoh beberapa teknik standar seperti analisis asosiasi dan klastering
hanya bisa menerima input data kategorikal.

4. Aplikasi teknik data mining

Aplikasi teknik data mining sendiri hanya merupakan salah satu bagian dari proses data
mining. Ada beberapa teknik data mining yang sudah umum dipakai

5. Evaluasi pola yang ditemukan

Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model
prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai.

6. Kapan Data Mining Ditemukan

Pertama kali data mining ditemukan pada tahun 1990an . Tepatnya pada
1989 oleh Gregory Piatetsky.

B. Contoh Aplikasi dan Penerapan Data Mining

B.1 Contoh Aplikasi Data Mining

1. Orange
2. Rapid Miner
3. Weka
4. Knime
5. Sisense
6. SSD
7. Oracle Data Mining
B.2 Penerapan Data Mining

Kesehatan

Data mining memiliki potensi besar untuk memperbaiki sistem kesehatan. Menggunakan
data dan analisis untuk mengidentifikasi praktik terbaik yang meningkatkan perawatan dan
mengurangi biaya. Peneliti menggunakan pendekatan data mining seperti database multi
dimensi, pembelajaran mesin, soft computing, visualisasi data dan statistik. Pertambangan
dapat digunakan untuk memprediksi volume pasien dalam setiap kategori. Proses
dikembangkan yang memastikan bahwa pasien mendapat perawatan yang tepat di tempat
yang tepat dan pada saat yang tepat. Data mining juga dapat membantu perusahaan asuransi
kesehatan untuk mendeteksi kecurangan dan penyalahgunaan.

Analisis Market

Analisis pasar adalah teknik pemodelan berdasarkan teori bahwa jika seorang membeli
kelompok item tertentu, maka cenderung membeli kelompok item lainnya. Teknik ini
memungkinkan pengecer memahami perilaku pembelian pembeli. Informasi ini dapat
membantu pengecer mengetahui kebutuhan pembeli dan mengubah tata letak toko sesuai
dengan itu. Dengan menggunakan analisis diferensial perbandingan hasil antara toko yang
berbeda, antara pelanggan dalam kelompok demografis yang berbeda dapat dilakukan.

Pendidikan
Ada bidang baru yang muncul, disebut Educational Data Mining, berkaitan dengan metode
pengembangan yang menemukan pengetahuan dari data yang berasal dari lingkungan
pendidikan. Tujuan EDM diidentifikasi sebagai prediksi perilaku belajar di masa depan
siswa, mempelajari dampak dukungan pendidikan, dan memajukan pengetahuan ilmiah
tentang pembelajaran. Data mining dapat digunakan oleh sebuah institusi untuk mengambil
keputusan yang akurat dan juga untuk memprediksi hasil siswa. Dengan hasilnya institusi
bisa fokus pada apa yang harus diajarkan dan bagaimana cara mengajarnya. Pola belajar
siswa dapat diambil dan digunakan untuk mengembangkan teknik mengajar mereka.

Rekayasa Manufaktur

Pengetahuan adalah aset terbaik yang dimiliki perusahaan manufaktur. Alat data mining bisa
sangat berguna untuk menemukan pola dalam proses manufaktur yang kompleks. Data
mining dapat digunakan dalam perancangan tingkat sistem untuk mengekstrak hubungan
antara arsitektur produk, portofolio produk, dan data kebutuhan pelanggan. Ini juga bisa
digunakan untuk memprediksi perkembangan produk span time, cost, dan dependencies
antar tugas lainnya.

CRM

Customer Relationship Management adalah tentang mengakuisisi dan mempertahankan

pelanggan, juga meningkatkan loyalitas pelanggan dan menerapkan strategi yang berfokus
pada pelanggan. Untuk menjaga hubungan yang benar dengan pelanggan bisnis perlu
mengumpulkan data dan menganalisa informasi. Di sinilah data mining berperan. Dengan
teknologi data mining, data yang terkumpul dapat digunakan untuk analisis. Daripada
bingung di mana fokus untuk mempertahankan pelanggan, para pencari solusi mendapatkan
hasil yang disaring.

Fraud Detection (Deteksi Penipuan)

Miliaran dolar telah hilang akibat aksi penipuan. Metode tradisional deteksi kecurangan
memakan waktu dan kompleks. Data mining membantu dalam memberikan pola yang
berarti dan mengubah data menjadi informasi. Setiap informasi yang valid dan berguna
adalah pengetahuan. Sistem deteksi kecurangan yang sempurna harus melindungi informasi
semua pengguna. Metode yang diawasi mencakup pengumpulan catatan sampel. Catatan ini
tergolong curang atau tidak palsu. Sebuah model dibangun dengan menggunakan data ini
dan algoritma dibuat untuk mengidentifikasi apakah rekaman itu salah atau tidak.

Intrusion Detection

Setiap tindakan yang akan membahayakan integritas dan kerahasiaan sumber daya adalah
gangguan. Langkah-langkah defensif untuk menghindari gangguan mencakup otentikasi
pengguna, hindari kesalahan pemrograman, dan perlindungan informasi. Data mining dapat
membantu memperbaiki deteksi intrusi dengan menambahkan tingkat fokus pada deteksi
anomali. Ini membantu analis membedakan aktivitas dari aktivitas jaringan biasa sehari-hari.
Data mining juga membantu mengekstrak data yang lebih relevan dengan masalah.

Deteksi Kebohongan

Menangkap penjahat itu mudah sedangkan membawa keluar kebenaran dari dia adalah sulit.
Penegakan hukum bisa menggunakan teknik penambangan untuk menyelidiki kejahatan,
memantau komunikasi tersangka teroris. Ini termasuk pertambangan teks juga. Proses ini
berusaha menemukan pola yang berarti dalam data yang biasanya berupa teks tidak
terstruktur. Sampel data yang dikumpulkan dari penelitian sebelumnya dibandingkan dan
sebuah model untuk deteksi kebekuan dibuat. Dengan proses model ini bisa diciptakan
sesuai kebutuhan.

Segmentasi Pelanggan

Penelitian pasar tradisional dapat membantu kita untuk meng-segmentasikan pelanggan

namun data mining berjalan dalam dan meningkatkan efektivitas pasar. Alat bantu data
mining dalam menyelaraskan pelanggan menjadi segmen yang berbeda dan dapat
menyesuaikan kebutuhan menurut pelanggan. Pasar selalu mempertahankan konsumen.
Data mining memungkinkan untuk menemukan segmen pelanggan berdasarkan kerentanan
dan bisnis dapat menawarkannya dengan penawaran khusus dan meningkatkan kepuasan.

Perbankan/Keuangan

Dengan komputerisasi perbankan di mana-mana sejumlah besar data seharusnya dihasilkan

dengan transaksi baru. Data mining dapat berkontribusi untuk memecahkan masalah bisnis
di bidang perbankan dan keuangan dengan menemukan pola, sebab-akibat, dan korelasi
dalam informasi bisnis dan harga pasar yang tidak segera terlihat oleh manajer karena data
volume terlalu besar atau dihasilkan terlalu cepat untuk disaring oleh para ahli. Para manajer
dapat menemukan informasi ini untuk segmentasi, penargetan, perolehan, penahanan, dan
pemeliharaan pelanggan yang lebih baik.

Bioinformatika

Pendekatan Data Mining nampaknya ideal untuk Bioinformatika, karena kaya data. Data
biologi pertambangan membantu untuk mengekstrak pengetahuan yang berguna dari
kumpulan data besar yang dikumpulkan dalam biologi, dan bidang ilmu kehidupan lainnya
yang terkait seperti kedokteran dan ilmu saraf. Aplikasi data mining untuk bioinformatika
meliputi penemuan gen, inferensi fungsi protein, diagnosis penyakit, prognosis penyakit,
optimasi pengobatan penyakit, rekonstruksi jaringan interaksi protein dan gen, pembersihan
data, dan prediksi lokasi sub-seluler protein.