TUGAS BESAR 1

Tugas ini dibuat untuk memenuhi nilai tugas mata

kuliah

PENGANTAR DATA MINING

Dosen: Dwi Anindyani Rochmah, ST, MTI

Disusun Oleh :
Conny Ariestyani
41519310013

PROGRAM STUDI TEKNIK

INFORMATIKAFAKULTAS ILMU
KOMPUTER UNIVERSITAS
MERCUBUANA
JAKARTA
2021
Soal 1. (Nilai =20)

Jelaskan fungsionalitas dari data mining berikut ini characterization, discrimination, association and
correlation analysis, classification, regression, clustering, dan,
outlier analysis kemudian berikan contohnya dari database kehidupan nyata yang anda kenal.

Soal 2. (Nilai =15)

Misalkan data untuk analisis mencakup atribut usia. Nilai usia untuk data (dalam urutan meningkat)
13, 15, 16, 16, 19, 20, 20, 21, 22, 22, 25, 25, 25, 25, 30, 33, 33, 35, 35, 35, 35, 36, 40, 45, 46, 52, 70 .
Tentukan :
a. Median dan Mean dari data diatas
b. Hitung Quartil pertama (Q1) dan ketiga (Q3) dari data diatas
c. Gambarkan boxplot dari data diatas

Soal 3. (Nilai =20)

Sebuah rumah sakit menguji usia dan data lemak tubuh untuk 18 orang dewasa yang dipilih secara
acak dengan hasil berikut:

Hitunglah :
a. mean, median, dan standard deviation dari age dan %fat.
b. Gambarkan boxplots untuk age dan %fat.
c. Gambarkan scatter plot berdasarkan 2 variabel diatas

Soal 4. (Nilai 15)

Gunakan metode untuk menormalkan data dibawah ini

200,300,400,600,1000

a. min-max normalization dengan setting min = 0 and max = 1

b. z-score normalization menggunakan mean absolute deviation instead of standard deviation
c. normalization by decimal scaling
Soal 5 ( Nilai 30)

Diberikan data transaksi sebagai berikut :

Cari association Rule dengan frequent itemset=2 dan batasan min (support) = 60% dan min
(confidence) = 80%

JAWABANNYA :

1. Fungsional Data Mining

• Characterization dan Discrimination, berfungsi untuk
menggeneralisasikan, meringkas, dan membedakan karakteristik data, dll.

• Association dan Correlation Analysis, adalah teknik data mining untuk

menemukan aturan assosiatif antara suatu kombinasi item.

• Classification dan Regression, Membangun model (fungsi) yang

menggambarkan dan membedakan kelas atau konsep untuk melakukan
prediksi terhadap masa depan. Misalnya, Mengklasifikasikan negara
berdasarkan (iklim), atau mengklasifikasikan mobil berdasarkan jarak
tempuh gas).

• Clustering, Membuat data yang akan dijadikan dalam bentuk grup untuk
membentuk kelas baru. Misalnya, Memaksimalkan kesamaan intra-kelas &
meminimalkan kesamaan antar kelas.

• Outlier Analysis, Objek data yang tidak memiliki kesesuaian dengan pola
umum dari data, berguna untuk melakukan pendeteksian penipuan dan
analisis kejadian langka.
Contoh Penerapan Data Mining

1. Analisa pasar dan manajemen. Solusi yang dapat diselesaikan dengan data mining, diantaranya:
Menembak target pasar, Melihat pola beli pemakai dari waktu ke waktu, Cross-Market analysis,
Profil Customer, Identifikasi kebutuhan Customer, Menilai loyalitas Customer, Informasi
Summary.

2. Analisa Perusahaan dan Manajemen resiko. Solusi yang dapat diselesaikan dengan data mining,
diantaranya: Perencanaan keuangan dan Evaluasi aset, Perencanaan sumber daya (Resource
Planning), Persaingan (Competition).

3. Sebuah perusahaan telekomunikasi menerapkan data mining untuk melihat dari jutaan transaksi
yang masuk, transaksi mana sajakah yang masih harus ditangani secara manual.

4. Financial Crimes Enforcement Network di Amerika Serikat baru-baru ini menggunakan data
mining untuk me-nambang trilyunan dari berbagai subyek seperti property, rekening bank dan
transaksi keuangan lainnya untuk mendeteksi transaksi-transaksi keuangan yang mencurigakan
(seperti money laundry) .

5. Australian Health Insurance Commision menggunakan data mining untuk mengidentifikasi

layanan kesehatan yang sebenarnya tidak perlu tetapi tetap dilakukan oleh peserta asuransi.

6. IBM Advanced Scout menggunakan data mining untuk menganalisis statistik permainan NBA
(jumlah shots blocked, assists dan fouls) dalam rangka mencapai keunggulan bersaing
(competitive advantage) untuk tim New York Knicks dan Miami Heat.

7. Jet Propulsion Laboratory (JPL) di Pasadena, California dan Palomar Observatory berhasil
menemukan 22 quasar dengan bantuan data mining. Hal ini merupakan salah satu kesuksesan
penerapan data mining di bidang astronomi dan ilmu ruang angkasa.

8. Internet Web surf-aid IBM Surf-Aid menggunakan algoritma data mining untuk mendata akses
halaman Web khususnya yang berkaitan dengan pemasaran guna melihat prilaku dan minat
customer serta melihat ke- efektif-an pemasaran melalui Web
2. 13, 15, 16, 16, 19, 20, 20, 21, 22, 22, 25, 25, 25, 25, 30, 33, 33, 35, 35, 35, 35, 36, 40,
45, 46, 52, 70 .

Median: 25
Mean : 29.96
Q1 : 20.5
Q3 35

3.

- Median Age : 51
- Median %Fat : 30.7%
- Mean Age : 46.4
- Mean %Fat : 28.7%
- Standard Deviasi Age : 13.21
- Standard Deviasi %Fat : 9.25%
- BoxPlots Age & %Fat
 • Scatter plot

Scatter Plot
45
40
35
30
25
20
15
10

10 20 30 40 50 60 70

4. 200, 300, 400, 600, 1000

a. Min-Max Normalization:

Number Normalize
d
200 0 X Min 200
300 0,125 X Max 1000
400 0,25
600 0,5
1000 1

b. Z-Score menggunakan Mean & Absolute Deviation

Number Normalize Z-Score

d
200 0 -1,25
300 0,125 -0,83333
400 0,25 -0,41667
600 0,5 0,416667
1000 1 2,083333

Mean 500
Absolute Deviation 240
 c. Decimal Scaling Normalization

Min-Max
Number Normalize Z-Score Decimal Scaling Normalized
d
200 0 -1,25 0,02
300 0,125 -0,83333 0,03
400 0,25 -0,41667 0,04
600 0,5 0,416667 0,06
1000 1 2,083333 0,1

10^j 10000

5.

Cari association Rule dengan frequent itemset=2 dan batasan min (support) = 60% dan
min (confidence) = 80%

1- Itemset
F1 = {Sunset milk}, {Dairyland Cheese}, {Dairyland Milk}, {Tasty Pie}, {Wonder
Bread}

2- Itemset
F2 = {Sunset milk, Dairyland Cheese}, {Dairy milk, Tasty Pie}, {Dairy milk, Wonder
Bread},
{Tasty Pie, Wonder Bread}
3-Itemset
F3 = {Sunset milk, Dairy milk, Tasty Pie}

Itemset sering Dihasilkan aturan asosiasi Support Confidence

{Sunset Jika beli sunset milk, maka beli 2/4 50% 2/2 100%
mil dairyland cheese
k, Dairyland
Cheese}
Jika beli dairyland cheese, 2/4 50% 2/2 100%
maka beli sunset milk
{Dairy milk, Jika beli dairy milk, maka beli 4/4 100% 4/2 200%
Tasty Pie} Tasty Pie
Jika beli Tasty Pie, maka beli 4/4 100% 4/2 200%
dairy milk
{Dairy Jika beli dairy milk, maka beli 4/4 100% 4/2 200%
mil Wonder Bread
k, Wonder
Bread}
 Jika beli Wonder Bread, maka 4/4 100% 4/3 133%
beli Dairy Milk
{Tasty Pie, Jika beli Tasty Pie, maka beli 4/4 100% 4/2 200%
Wonder Bread} Wonder Bread
Jika beli Wonder Bread, maka 4/4 100% 4/3 133%
beli Tasty Pie
{Sunset milk, Jika beli Sunset milk dan dairy 2/4 50% 4/2 200%
Dairy milk, Tasty milk maka beli tasty pie
Pie}
Jika beli Sunset milk dan tasty 2/4 50% 4/2 200%
pie maka beli dairy milk
Jika beli diary milk dan tasty 2/4 50% 4/2 200%
pie maka beli sunset milk

Dari data diatas dapat disimpulkan:

• Jika pelanggan membeli dairy milk, maka barang yang selanjutnya dibeli
adalah tasty pie dan atau Wonder Bread € 200%
• Jika pelanggan membeli Tasty Pie, maka barang yang selanjutnya dibeli
adalah Dairy milk dan atau wonder bread € 200%
• Jika pelanggan membeli Wonder Bread, maka barang yang selanjutnya
dibeli adalah dairy milk dan atau tasty pie € 133%