Nama : Muhamad Yanuar

Ihsan

NIM : 1514620003
Sesi :1

KONSEPDATA MINING

Manusiamemproduksiberagamdatayangjumlahdanukurannyasangatbesar.Data
tersebutmulaitumbuhkarenaadanyatsunamidatayangdimulaisejakweb
2.0. Agar data-data tersebut dapat memiliki makna dan bernilai, maka data
harusdiolahmenjadipengetahuan.Denganpengetahuantersebutmanusiadapatmelaku
kan estimasi dan prediksi apa yang terjadi di depan, melakukan analisistentang
asosiasi, korelasi, dan pengelompokkan antar data dan atribut,
membantupengambilankeputusan dan pembuatan kebijakan.

Untuk dapat mengubah data menjadi pengetahuan, digunakan data

mining.Dataminingmerupakandisiplinilmuyangmempelajarimetodeuntukmengekst
rakpengetahuan atau menemukan pola dari suatu data yang besar. Menurut para
ahli,dataminingdapat diartikan:

 Melakukan ekstraksi untuk mendapatkan informasi penting yang

sifatnyaimplisit dan sebelumnya tidak diketahui, dari suatu data (Witten et
al.,2011).
 Kegiatanyangmeliputipengumpulan,pemakaiandatahistorisuntukmenemuk
anketaraturan,pola,danhubungandalamsetdataberukuranbesar(Santosa,200
7).

Alurprosesdatamining:Data–Informasi–Pengetahuan

1. Data:faktayangterekamdantidakmembawaarti
2. Informasi:rekap,rangkuman,penjelasandanstatistikdaridata
3. Pengetahuan:pola,rumus,aturanataumodelyangmunculdaridata

Melaluipengetahuantersebut,dapatdibuatkebijakanuntukmemperbaikisistemyangt
elah berlaku.
Contoh:PrediksiKelulusanMahasiswa

Puluhan ribu data mahasiswa di kampus yang diambil dari sistem

informasiakademik. Data tersebut diolah menggunakan algoritma sehingga
menghasilkanpola.Daripola tersebutdapatdiperolehprediksi mahasiswayang
akanlulus.

Contoh lainnya penggunaan data mining seperti penentuan kelayakan

kredit,deteksi pencucian uang, prediksi kebakaran hutan, profiling dan prediksi
koruptor,polaaturan asosiasi dari data transaksi, danlain sebagainya.

Pengetahuan yang dihasilkan dari data dapat membuat “stupid

application”menjadi“smart apps”, misalnya:

 Sisteminformasiakademiksistemprediksikelulusanmahasiswa
 Sistem pencatatanpemilusistemprediksihasilpemilu
 Sistemlaporankekayaanpejabatsistemprediksikoruptor
 Sistem pencatatan kredit sistem penentu kelayakan

kreditPerusahaanpengelolapengetahuan:

 Uber,perusahaanarmada taksiterbesartapitidakmemilikikendaraan
 Google,perusahaanmediaterbesar tapitidakmemilikikonten
 Alibab,retailerterbesar tapitidak memilikitoko
 Airbnb,perusahaanpenyediaakomodasiterbesar
tetapitidakmemilikiakomodasisendiri

SejarahDataMining

 Sebelum1600:EmpiricalScience.Disebutempiriticalkarenabentuknyatidakk
asat mata
 1600-1950: Theoretical Science. Disebut theoritical karena
dapatdibuktikansecaramatematis atau eksperimen
 1950-
1990:ComputationalScience,seluruhdisiplinilmubergerakkekomputasi.
Padatahun ini lahir banyakmodel komputasi.
  1990-sekarang: Data Science, kultur manusia menghasilkan data
besar,kemampuan komputer untuk mengolah data besar, datangnya data
miningsebagaiarus utama science.

DataMining TasksandRoles

1. Datasource:paper,files,webdocuments,scientificexperiments,databasesyste
ms(dilakukan olehbagianIT/DBA)
2. Dataprocessing,dataintegration,datawarehouse
3. Dataexploration:statisticalsummary,metadata,anddescription(dilakukanDat
aScientist)
4. Datamining:information discoveryandmodeling
5. Datapresentation:visualizationtechniques(dilakukanolehBussinessAnalyst)
6. DecisionMaking(dilakukan olehEndUser)

Masalah-MasalahdiDataMining

1. Databesar
2. Atributdatabanyak
3. Datakompleksdanberanekaragam
4. Penerapannyabaru

PeranUtamaDataMining(Larose,2005)

1. Estimasi,misal estimasi
waktupengirimanpizza,estimasiperformansiCPU.Metodeyangdigunakanse
pertiLinearRegression(LR),NeuralNetwork(NN), dan sebagainya.
2. Forecasting,misalforecastinghargasaham,nilaitukaruang,tingkatinflasi,dans
ebagainya.
3. Klasifikasi,misalklasifikasikelulusanmahasiswa,sentimenanalisis,kebankru
tanperusahaan.Metode yangdigunakansepertiDecisionTree.
4. Klastering,misalklusteringbungairis,jenispelanggan,tingkatkemiskinan.Met
ode yangdigunakansepertiK-Means,K-Medoids,dansebagainya.
5. Asosiasi, misal aturan asosiasi pembelian barang. Metode yang
digunakanseperti FP-Growth.
MetodeLearningAlgoritma DataMining

1. SupervisedLearning
- Pembelajarandengan guru,datasetmemilikitarget/label/kelas
- Sebagianbesaralgoritma dataminingadalahsupervisedlearning
- Algoritmamelakukanprosesbelajarberdasarkannilaidarivariabeltargetyan
gterasosiasi dengannilai darivariabel prediktor
2. Semi-supervisedLearning
- Menggunakan data dengan label dan tidak berlabel sekaligus
dalamprosespembelajarannya
- Datayangmemilikikelasdigunakanuntukmembentukmodel(pengetahuan)
,datatanpalabeldigunakanuntukmembuatbatasanantarakelas
3. UnsupervisedLearning
- Variabel(atribut)yangmenjaditarget/label/kelastidakditentukan
- Algoritmadataminingmencaripola darisemuavariabel(atribut)
- Algoritmaclusteringadalahalgoritmaunsupervisedlearning