PENGERTIAN

Teknik yang dilakukan dengan menggali data

yang meliputi kegiatan pengumpulan,
pemakaian data history (Riwayat) terhadap
suatu objek baik perorangan maupun kelompok
guna menemukan keteraturan, pola dan
hubungan dalam satuan data yang berukuran
besar, sehingga dapat dispesifikasikan pola yang
harus ditemukan dalam tugas
The Process Data Cleansing, Proses dimana data-data yang tidak lengkap, mengandung
error dan tidak konsisten dibuang dari koleksi data. Ketahui juga data
lifecycle management untuk mengetahui tentang pengolahan data.

Data Integration, Proses integrasi data dimana yang berulang akan

dikombinasikan.

Selection, Proses seleksi atau pemilihan data yang relevan terhadap analisis
untuk diterima dari koleksi data yang ada.

Data Transformation, Proses transformasi data yang sudah dipilih ke dalam

bentuk mining procedure melalui cara dan agresi data.

Data Mining, Proses yang paling penting dimana akan dilakukan berbagai
teknik yang diaplikasikan untuk mengekstrak berbagai pola-pola potensial
untuk mendapatkan data yang berguna.

Pattern Evolution, Sebuah proses dimana pola-pola menarik yang

sebelumnya sudah ditemukan dengan identifikasi berdasarkan measure yang
telah diberikan

Knowledge Presentation, Merupakan proses tahap terakhir, Dalam hal ini

digunakan teknik visualisasi yang bertujuan membantu user dalam mengerti
dan menginterpretasikan hasil dari penambangan data.
Fungsi Data Mining
1. Descriptive
Fungsi untuk memahami lebih jauh tentang data yang diamati.
Dengan melakukan sebuah proses diharap bisa mengetahui
perilaku dari sebuah data tersebut. Data tersebut itulah yang
nantinya dapat digunakan untuk mengetahui karakteristik dari
data yang dimaksud.

Dengan menggunakan Fungsi descriptive Data mining, Maka

nantinya bisa menemukan pola tertentu yang tersembunyi
dalam sebuah data. Dengan kata lain jika pola yang berulang dan
bernilai itulah karakteristik sebuah data bisa diketahui.

2. Predictive
Fungsi prediksi merupakan sebuah fungsi bagaimana sebuah
proses nantinya akan menemukan pola tertentu dari suatu data.
Pola-pola tersebut dapat diketahui dari berbagai variabel-variabel
yang ada pada data.

Ketika sudah menemukan pola, Maka pola yang didapat

tersebut bisa digunakan untuk memprediksi variabel lain yang
belum diketahui nilai ataupun jenisnya.
Manfaat Dari Data
Mining
 Memudahkan pengambilan keputusan. Perusahaan dapat
terus menganalisa dan mengotomatisasi keputusan rutin
tanpa adanya penundaan karena penilaian manusia.

 Membuat prediksi akurat untuk perencanaan. Data

mining membantu tahapan perencanaan dan memberikan
informasi tepat untuk membuat prediksi berdasarkan tren
masa lalu dan kondisi saat ini.

 Pengurangan biaya. Data mining memungkinkan

perusahaan menggunakan alokasi dana lebih efisien karena
otomatisasi pengambilan keputusan dapat mengurangi
biaya.

 Mendapat wawasan tentang pelanggan. Perusahaan dapat

mengetahui karakteristik antara pelanggan sehingga dapat
merancang strategi yang dapat meningkatkan pengalaman
pelanggan dengan tepat.
 Classification, teknik ini digunakan untuk memperoleh informasi penting dan relevan tentang data dan metadata.
Teknik data mining ini membantu pengguna untuk mengklasifikasikan data ke dalam beberapa kelas berbeda.

 Clustering, teknik data mining ini merupakan proses pembagian informasi ke dalam kelompok-kelompok objek yang
terhubung. Teknik clustering dilakukan untuk mengidentifikasi data yang serupa dan mengenali perbedaan atau
persamaan antara data. Dari sudut pandang praktikal, clustering memainkan peran dalam menemukan pola
tersembunyi dan eksplorasi data.

 Regression, teknik analisis regresi merupakan teknik data mining yang digunakan untuk mengidentifikasi dan
menganalisis relasi antar variabel karena pengaruh faktor lain. Teknik ini digunakan untuk menentukan probabilitas
variabel tertentu baik dalam perencanaan maupun pemodelan atau proyeksi.

 Association rules, teknik data mining ini dijalankan untuk membantu dan menemukan hubungan antara dua atau
lebih item. Association rules juga dapat menemukan pola tersembunyi dalam kumpulan data. Tiga teknik pengukuran
utama dalam teknik data mining ini meliputi Lift, Support, dan Confidence.

 Outer detection, teknik data mining jenis ini berkaitan dengan pengamatan item data dalam kumpulan data yang
tidak sesuai dengan pola atau perilaku tertentu. Teknik ini dapat digunakan di berbagai domain seperti intrusi,
deteksi, dan deteksi penipuan (fraud).

 Sequential patterns, teknik data mining ini merupakan teknik dengan pola sekuensial untuk mengevaluasi data dan
menemukan pola sekuensial dari setiap subsekuen yang menarik dalam satu set urutan data. Pengambilan data
subsekuen ini dilakukan dengan dasar beberapa kriteria seperti panjang, frekuensi kemunculan, dan sebagainya.

 Prediction, prediksi merupakan teknik kombinasi dari beberapa teknik data mining lainnya. Prediksi umumnya
dipakai untuk menganalisis peristiwa atau kejadian di masa lalu dalam urutan tertentu untuk memperkirakan
peristiwa di masa depan.

 Decision Tree, Merupakan teknik generasi selanjutnya, dimana teknik ini adalah sebuah model prediktif yang dapat
digambarkan seperti pohon. Setiap node yang terdapat dalam struktur pohon tersebut mewakili sebuah pertanyaan
yang digunakan untuk menggolongkan data.
Tipe Data
Pada Data
Mining
 Sumber-Sumber

Data
Online (Daring)
 Media Online
 Berita Online
 Media Sosial
 Situs-situs Resmi

Offline (Luring)
 RH/CV (Curriculum Vite)
 Koran
 Majalah
 Hasil Eliciting

Jangan menggunakan Data yang tidak memiliki Data Penguat lainnya

Permasalahan Dalam Data Mining
1. Hambatan metodologis
Permasalahan atau hambatan dalam data mining yang pertama adalah perihal metodologis.
Dalam hal ini hambatan utama adalah sangat beragamnya jenis informasi
atau knowledge dari berbagai tipe data. Tak hanya itu, metodologis juga dapat mendapati
permasalahan dari efisiensi, efektivitas, dan skala kinerja. Evaluasi pola dan proses
penanganan data yang tidak lengkap juga menjadi permasalahan dalam metodologis data
mining. Hal tersebut masih ditambah dengan proses penerapan metode baik secara paralel,
distribusi, penambahan dan fusi knowledge.

2. Interaksi pengguna
Permasalahan data mining selanjutnya muncul saat dilakukan presentasi atau interaksi
dengan pengguna (user). Hal ini umumnya terkait dengan penggunaan query
language untuk data mining dan penentuan ekspresi atau visualisasi hasil data mining.
Proses penambangan informasi secara interaktif di berbagai tingkatan data mining juga
dapat menjadi persoalan lain yang mungkin menghambat proses data mining.

3. Applications dan social impacts

Persoalan data mining lainnya muncul di bagian aplikasi dan social impact yang umumnya
meliputi data mining khusus yang melibatkan domain dan incognito (tak terlihat).
Permasalahan ini juga terjadi pada proses data mining yang terhambat perlindungan
keamanan data, integritas, dan privasi pengguna. Hambatan ini merupakan dampak sosial
dari proses data mining secara terbuka.
Mind Map
Suatu metode untuk
memaksimalkan potensi
pikiran manusia dengan
menggunakan otak kanan dan otak
kirinya secara simultan. Metode ini
diperkenalkan oleh Tony
Buzan pada tahun 1974, seorang
ahli pengembangan potensi
manusia dari Inggris.