Association Rule Mining
Association Rule Mining
Association Rule Mining
Materi Tentang Data Mining Lengkap – Banyak sekali definisi mengenai apa itu
data mining. Data mining merupan suatu alat yang memungkinkan para pengguna
untuk mengakses secara cepat data dengan jumlah yang besar.
Pengertian yang lebih khusus dari data mining, yaitu suatu alat dan aplikasi
menggunakan analisis statistik pada data.
Data mining adalah suatu proses ekstraksi atau penggalian data dan informasi yang
besar, yang belum diketahui sebelumnya, namun dapat dipahamidan berguna dari
database yang besar serta digunakan untuk membuat suatu keputusanbisnis yang
sangat penting.
Data Mining
Baca Cepat
Data warehouse
Teknik data mining digunakan untuk memeriksa basis data berukuran besar
sebagai cara untuk menemukan pola yang baru dan berguna. Tidak semua
pekerjaan pencarian informasi dinyatakan sebagai data mining.
Proses KKD
Data input dapat disimpan dalam berbagai format seperti flat file, spreadsheet, atau
tabel-tabel relasional, dan dapat menempati tempat penyimpanan data terpusat atau
terdistribusi pada banyak tempat.
Hasil dari data mining sering kali diintegrasikan dengan decision support system
(DSS). Sebagai contoh, dalam aplikasi bisnis informasi yang dihasilkan oleh data
mining dapat diintegrasikan dengan tool manajemen kampanye produk sehingga
promosi pemasaran yang efektif yang dilaksanakan dan dapat diuji.
Baca juga refrensi artikel terkait lainnya disini :18 Pengertian Website Menurut
Para Ahli ( Contoh, Jenis, Manfaat )
Secara khusus, data mining menggunakan ide-ide seperti (1) pengambilan contoh,
estimasi, dan pengujian hipotesis, dari statistika dan (2) algoritme pencarian, teknik
pemodelan, dan teori pembelajaran dari kecerdasan buatan, pengenalan pola, dan
machine learning.
Data mining juga telah mengadopsi ide- ide dari area lain meliputi optimisasi,
evolutionary computing, teori informasi, pemrosesan sinyal, visualisasi dan
information retrieval.
Sejumlah area lain juga memberikan peran pendukung dalam data mining, seperti
sistem basis data yang dibutuhkan untuk menyediakan tempat penyimpanan yang
efisien, indexing dan pemrosesan kueri. ditunjukkan hubungan data mining dengan
area- area lain dibawah ini.
Data Selection (di mana data yang relevan dengan tugas analisis dikembalikan
ke dalam database)
Data Transformation (di mana data berubah atau bersatu menjadi bentuk yang
tepat untuk menambang dengan ringkasan performa atau operasi agresi)
Data Integration (di mana sumber data yang terpecah dapat disatukan)
Data Mining (proses esensial di mana metode yang intelejen digunakan untuk
mengekstrak pola data)
Forecasting memperkirakan nilai pada masa yang akan datang berdasarkan pola-
pola dengan sekumpulan data yang besar, seperti peramalan permintaan pasar.
sebagai salah satu bagian dari sistem informasi, data mining menyediakan
perencanaan dari ide hingga implementasi akhir. Komponen-komponen dari
rencana data mining adalah sebagai berikut.
Analisa Masalah (Analyzing the Problem) Data asal atau data sumber harus bisa
ditaksir untuk dilihat apakah data tersebut memenuhi kriteria data mining.
Kualitas kelimpahan data adalah faktor utama untuk memutuskan apakah data
tersebut cocok dan tersedia sebagau tambahan. Hasil yang diharapkan dari dampak
data mining harus dengan hati-hati dimengerti dan dipastikan bahwa data yang
diperlukan membawa informasi yang bisa diekstrak.
Mengekstrak dan Membersihkan Data (Extracting dan Cleansing The Data) Data
pertama kli diekstrak dari data aslinya, seperti dari OLTP basis data, text file,
Microsoft Acces Database, dan bahkan dari spreadsheet, lalu data tersebut
diletakan dalam data warehouse yang mempunyai sruktur yang sesuai dengan data
model secara khas.
Validitas Data (Validating the Data) Sekali data telah diekstrak dan dibersihkan,
ini adalh latihan yang bagus untuk menelusuri model yang telah kita ciptakan
untuk memastikan bahwa semua data yang ada adalah data sekarang dan tetap.
Membuat dan Melatih Model (Creatig and Training the Model) Ketika algoritma
diterapkan pada model, struktur telah dibangun.
Hal ini sangatlah penting pada saat ini untuk melihat data yang telah dibangun
untuk memastikan bahwa data tersebut menyerupai fakta di dalam data sumber.
Query Data dari Model Data Mining (Querying the Model Data) Ketika model
yang telah cocok diciptakan dan dibangun, data yang telah dibuat tersedia untuk
mendukung keputusan.
Hal ini biasanya melibatkan penulisan front end query aplikasi dengan program
aplikasi/suatu program basis data.
Evaluasi Validitaas dari Mining Model (Maintaining the Validity of the Data
Mining Model) Setelah moddel data mining terkumpul, lewat bebrapa waktu,
karakteristik data awal seperti granularitas dan validitas mungkin berubah. Karena
model data mining dapat terus berubah seiring perkembangan waktu.
Fase-fase dimulai dari data mentah dan berakhir dengan pengetahuan atau
informasi yang telah diolah, yang didapatkan sebagai hasil dari tahapan-tahapan
berikut:
Data Cleansing, juga dikenal sebagai data cleansing, ini adalah sebuah fase
dimana data-data tidak lengkap, mengndung error dan tidk konsisten dibuang dari
koleksi data, sehingga data yang telah bersih relevan dapat digunakan untuk
diproses ulang untuk penggalian pengetahuan(discovery knowledge)
Selection, pada langkah ini, data yang relevan terhadap analisis dapat dipilih dan
diterima dari koleksi data yang ada.
Data Transformation, juga dikenal sebagai data consolidation. Pada tahap ini,
dimana data-data yang telah terpilih, ditransformasikan kedalam bentuk-bentuk
yang cocok untuk prosedur penggalian (meaning proedure) dengan cara melakukan
normalisasi dan agregasi data.
Data Mining, tahap ini adalah tahap yang paling penting, dengan menggunakan
teknik-teknik yang diaplikasikan untuk mengekstrak pola-pola potensial yang
berguna.
A). Sebelum mengetahui teknik-teknik yang dapat digunakan dalam data mining
terdapat empat operasi yang dapat dihubungkan dengan data mining sebagai
berikut.
B). Predictive modeling, ada dua teknik yang dapat dilakukan dalam predictive
modeling, yaitu:
Baca juga refrensi artikel terkait lainnya disini : Siklus Hidup Pengembangan
Sistem Informasi Terlengkap
D). Link analysis Tujuan link analysis adalah untuk membuat hubungan antara
record yang individual atau sekumpulan record dalam database. Aplikasi pada link
analysis meliputi product affinity analysis, direct marketing, dan stock price
movement.
E). Deviation detection Teknik ini sering kali merupakan sumber dari penemuan
yang benar karena teknik ini mengidentifikasi outlier yang mengekspresikan
deviasi dari ekspektasi yang telah diketahui sebelumnya.
Tree ini membagi data pada setiap cabangnya tanpa kehilangan data sedikit pun.
Jumlah total record pada node parent sama dengan jumlah total record yang ada
node children.
Mudah untuk menggunakan model ini jika kita mempunyai target pelanggan
yang sepertinya tertarik dengan penawaran marketing.
Dari perspektif bisnis, decision tree dapat dilihat sebagai pembuatan segmentasi
dari data set yang orisinil. Segmentasi ini dilakukan untuk beberapa alasan tertentu,
misalnya untuk prediksi dari beberapa potong informasi penting.
Meskipun decision tree sendiri dan algoritma yang membuat decision tree itu
mungkin saja sangat kompleks, namun hasil yang ditampilkan dengan cara yang
mudah dimengerti sangat membantu untuk pengguna bisnis.
Eksplorasi Teknologi decision tree dapat digunakan untuk eksplorasi data set
dan masalah bisnis. Hal ini biasanya dilakukan dengan mencari predictor dan nilai
yang dipilih untuk setiap bagian/cabang dari tree tersebut.
Preprocessing data Teknologi ini juga dapat digunakan untuk mengolah daan
memproses data yang dapat digunakan pada algoritma lain, misalnya neural
network, nearest neighbour, dan lain-lain.
Hal itu karena algoritma lain memerlukan waktu yang relatif lama untuk
dijalankan jika terdapat jumlah predictor dalam jumlah besar untuk digunakan
sebagai model sehingga teknik decision tree biasanya digunakan pada tahap
pertama data mining untuk menciptakan subset yang berguna dari predictor baru
kemudian hasil tersebut akan dapat dimasukkan pada teknik data miing yang lain.
Prediksi Para analis menggunakan teknik ini untuk membangun sebuah model
prediktif yang efektif.
Decision tree dapat melakukan validasi terhadap model dengan tes statistik. Hal
itu akan memungkinan untuk menghitung reliabilitad model.
Decision tree merupakan teknik yang kuat, dapat bekerja baik dengan data yang
besar dalam waktu yang singkat.
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.
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.
Arsitektur Sistem Data mining
Data mining merupakan proses pencarian pengetahuan yang menarik dari data
berukuran besar yang disimpan dalam basis data, data warehouse atau tempat
penyimpanan informasi lainnya. Dengan demikian arsitektur sistem data mining
memiliki komponen-komponen utama yaitu:
Basis data dan data warehouse Komponen ini bertanggung jawab dalam
pengambilan relevant data, berdasarkan permintaan pengguna.
Data mining Bagian ini merupakan komponen penting dalam arsitektur sistem
data mining. Komponen ini terdiri modul-modul fungsional data mining seperti
karakterisasi, asosiasi, klasifikasi, dan analisis cluster.
Komponen ini juga memungkinkan pengguna untuk mencari (browse) basis data
dan skema data warehouse atau struktur data, evaluasi pola yang diperoleh dan
visualisasi pola dalam berbagai bentuk. Arsitektur sebuah sistem data mining dapat
diliat dibawah ini.
Data integration Filtering
Data mining dapat diaplikasikan pada berbagai jenis penyimpanan data seperti
basis data relational, data warehouse, transactional database, object- oriented and
object-relational databases, spatial databases, time-series data and temporal data,
text databases and multimedia databases, heterogeneous and legacy databases dan
WWW.
Basis data relasional merupakan koleksi dari table. Setiap table berisi atribut (field)
dan biasanya menyimpan sejumlah besar tuple (record).
Data warehouse
Data disimpan untuk menyediakan informasi dari perspektif sejarah (seperti 5-10
tahun yang lalu) dan biasanya data tersebut diringkas (summarized). Sebagai
contoh, daripada menyimpan data rinci dari transaksi penjualan, data warehouse
dapat menyimpan ringkasan dari transaksi per tipe item untuk setiap toko atau
diringkas dalam level yang lebih tinggi seperti daerah pemasaran.
Struktur fisik dari data warehouse dapat berupa penyimpanan basis data relasional
atau sebuah kubus data multidimensional.
Selain data warehouse, terdapat istilah penyimpanan data yang lain yaitu data mart.
Sebuah data warehouse mengumpulkan informasi mengenai subjek- subjek yang
menjangkau seluruh organisasi, dengan demikian cakupannya enterprise-wide.
Sedangkan data mart merupakan sub bagian dari data warehouse. Fokus data mart
adalah pada subjek yang dipilih dan dengan demikian cakupannya adalah
department-wide.
Secara umum, basis data transaksional terdiri dari sebuah file dimana setiap record
merepresentasikan transaksi. Sebuah transaksi biasanya meliputi bilangan identitas
transaksi yang unik (trans_id), dan sebuah daftar dari item yang membuat transaksi
(seperti item yang dibeli dalam sebuah took).
Basis data transaksi dapat memiliki tabel tambahan, yang mengandung informasi
lain berkaitan dengan penjualan seperti tanggal transaksi, customer ID number, ID
number dari sales person dan dari kantor cabang (branch) dimana penjualan terjadi.
Selain alat-alat data mining yang telah disebutkan diatas, Wikipedia memberikan
daftar software dan aplikasi bersifat free dan open source yang dapat digunakan
untuk data mining antara lain sebagai berikut [8] :
Baca juga refrensi artikel terkait lainnya disini : √ 15 Pengertian Program Menurut
Para Ahli Dan Contohnya Lengkap
Sedangkan software dan aplikasi yang bersifat komersial antara lain sebagai
berikut [8] :
BIRT Analytics: tool visual data mining dan analisis prediktifyang dibuat
Actuate Corporation.
SAS Enterprise Miner: software data mining yang dibuat SAS Institute.