Metode Proses Data Mining yang Umum Digunakan

Apa itu Data Mining?


Data mining adalah sebuah proses analisis yang digunakan untuk menggali informasi berharga dari suatu kumpulan data besar. Tujuannya adalah untuk menemukan pola-pola tersembunyi, hubungan, atau tren yang dapat memberikan wawasan yang berharga dan mendukung pengambilan keputusan. Data mining adalah sebuah proses pencarian secara otomatis informasi yang berguna dalam tempat penyimpanan data berukuran besar. Teknik data mining digunakan untuk memeriksa basis data berukuran besar sebagai cara untuk menemukan pola yang baru dan berguna. Namun tidak semua pekerjaan pencarian informasi dapat dinyatakan sebagai data mining.

Selain itu, data mining juga memainkan peran penting dalam mendukung perkembangan kecerdasan buatan dan analisis prediktif. Dengan menggali informasi dari data yang ada, metode data mining seperti CRISP-DM dan SEMMA menjadi landasan bagi pengembangan model prediktif yang dapat memprediksi perilaku masa depan, mengoptimalkan proses bisnis, dan mendukung pengambilan keputusan yang lebih proaktif dan cerdas. Dengan demikian, data mining menjadi sebuah alat yang sangat berharga dalam mengubah data menjadi pengetahuan yang dapat digunakan untuk mencapai tujuan bisnis dan meningkatkan kinerja organisasi.

Apa saja Proses atau tahapan data mining?


Proses atau tahapan dalam data mining mengacu pada langkah-langkah yang diikuti untuk menganalisis data dan menghasilkan informasi yang berharga. Berikut adalah penjelasan singkat untuk masing-masing metodologi atau model proses data mining yang umum digunakan:

1. Cross-Industry Standard Process for Data Mining (CRISP-DM)

        Cross-Industry Standard Process for Data Mining (CRISP-DM) yang dikembangkan pada tahun 1996 oleh analis dari beberapa industri seperti Daimler Chrysler, NCR, dan SPPSS, menyediakan proses standar dari data mining sebagai strategi pemecahan masalah secara umum dari bisnis maupun unit penelitian. CRISP-DM adalah sebuah metodologi yang terdiri dari enam fase adaptif yang saling terkait. Fase-fase tersebut adalah:
  1. Pemahaman Bisnis (Business Understanding): Memahami tujuan bisnis dan masalah yang ingin diselesaikan melalui data mining.
  2. Pemahaman Data (Data Understanding): Menyelidiki data yang tersedia, mengevaluasi kualitas data, dan memahami karakteristiknya.
  3. Persiapan Data (Data Preparation): Menyiapkan data untuk analisis dengan melakukan pembersihan, transformasi, dan integrasi data.
  4. Pemodelan (Modeling): Menerapkan teknik data mining seperti clustering, classification, atau regression untuk mengidentifikasi pola atau hubungan dalam data.
  5. Evaluasi (Evaluation): Mengevaluasi kualitas dan kinerja model yang dibuat pada fase pemodelan.
  6. Penyebaran (Deployment): Mengimplementasikan hasil analisis ke dalam keputusan bisnis atau proses operasional.

2. SEMMA (Sample, Explore, Modify, Model, Assess)

SEMMA merupakan singkatan dari Sample, Emplore, Modify, Model, dan Assess. Metode ini dapat ditemukan oleh SAS Institute yang dapat digunakan untuk memudahkan penggguna untuk memprediksi tentang variable-variabel yang mengacu melakukan proses sebuah proyek data mining. SEMMA adalah model proses data mining yang juga terdiri dari lima tahapan berurutan:
  1. Sample: Mengambil sampel data yang representatif untuk analisis.
  2. Explore: Mengeksplorasi data untuk mengidentifikasi pola atau tren yang menarik.
  3. Modify: Melakukan modifikasi pada data, seperti penggabungan variabel atau penghapusan noise.
  4. Model: Membangun model prediktif atau deskriptif menggunakan teknik data mining.
  5. Assess: Mengevaluasi dan memvalidasi model yang dibuat untuk memastikan kualitas dan kegunaannya.

3. CCC (Computational, Cognitive, and Communication)

CCC adalah pendekatan yang menekankan tiga aspek utama dalam data mining:
  1. Computational (Komputasi): Melibatkan penggunaan algoritma dan teknik komputasi untuk menganalisis data secara efisien.
  2. Cognitive (Kognitif): Memperhatikan peran manusia dalam menginterpretasi hasil analisis data dan mengambil keputusan yang tepat.
  3. Communication (Komunikasi): Menyoroti pentingnya penyajian hasil analisis secara jelas dan mudah dimengerti bagi pemangku kepentingan.

Dengan memahami dan mengikuti proses atau tahapan yang disarankan oleh CRISP-DM, SEMMA, atau CCC, organisasi dapat melakukan analisis data dengan lebih sistematis dan mendapatkan wawasan yang lebih berharga dari data yang dimiliki.

sumber :
MODUL 01 Konsep Dasar Data Mining Gede Aditra Pradnyana, S.Kom., M.Kom. Dr. Ketut Agustini,S.Si., M.Si.



Komentar

Posting Komentar

Postingan populer dari blog ini

Data Preparation dan Data Visualization: Langkah Penting dalam Analisis Data

Gambar
Data Preparation dan Data Visualization Mengenal tentang Data Preparation Data preparation atau preprocessing data merujuk pada serangkaian proses yang meliputi pengumpulan, penggabungan, penyusunan, dan pengaturan data agar dapat digunakan dalam berbagai aplikasi seperti business intelligence (BI), analitik, dan visualisasi data. Langkah-langkah ini seringkali melibatkan pengambilan data dari berbagai sumber, baik itu sistem internal maupun eksternal. Dalam konteks yang lebih sederhana, data preparation merupakan teknik yang digunakan untuk mengubah data mentah menjadi format yang lebih berguna dan efisien. Hal ini penting karena data mentah seringkali tidak lengkap dan memiliki format yang tidak konsisten, terutama ketika berasal dari berbagai sumber yang berbeda. Fungsi utama dari data preparation adalah memastikan bahwa data yang akan diproses dan dianalisis sudah akurat dan konsisten. Tujuannya adalah agar hasil dari aplikasi BI dan analitik yang digunakan dapat diandalkan. Memper...
Baca selengkapnya

Supervise Learning (Klasifikasi) dan Contoh Algoritma Yang Ada Didalamnya

          Supervised learning adalah metode dalam machine learning di mana model belajar dari data yang sudah memiliki label atau kategori. Dalam supervised learning, terdapat dua jenis utama yaitu klasifikasi, di mana model akan memprediksi label atau kategori dari data baru, dan regresi, di mana model akan memprediksi nilai numerik. Kali ini, kita akan fokus membahas tentang klasifikasi.      Dalam metode Supervised Learning, klasifikasi adalah proses di mana model belajar untuk mengidentifikasi dan mengelompokkan data baru ke dalam kategori atau kelas yang telah ditentukan sebelumnya berdasarkan pola-pola yang ditemukan dalam data pelatihan berlabel. Contohnya, jika kita ingin membuat model untuk mengklasifikasikan email sebagai spam atau bukan spam, kita akan memberikan model dengan banyak contoh email yang sudah diberi label sebagai spam atau bukan spam. Model akan belajar dari contoh-contoh ini untuk mengenali karakteristik email spam d...
Baca selengkapnya

Pre-prosesesing Data Cleaning, Data Collection, Data Transform, Data Reduction

Gambar
Data preprocessing adalah langkah awal yang krusial dalam proyek machine learning dan data science. Tahap ini bertujuan untuk mempersiapkan data mentah agar siap digunakan dalam proses analisis dan pembangunan model. Artikel ini akan membahas lima aspek utama dalam data preprocessing: Data Collection, Data Cleaning, Data Transformation, Data Reduction, dan Preprocessing secara keseluruhan. 1. Data Collection Data Collection adalah proses pengumpulan data dari berbagai sumber. Data ini bisa berasal dari database, sensor, web scraping, API, dan lain-lain. Kualitas data yang dikumpulkan akan sangat menentukan hasil akhir dari proyek. Kali ini saya mengambil data Salaries.csv yang bisa di unduh dari website kaggle. 2. Data Cleaning Data Cleaning adalah proses pembersihan data untuk mengatasi masalah seperti data yang hilang, duplikasi, dan inkonsistensi. Tujuan utamanya adalah untuk memastikan data yang digunakan akurat dan dapat diandalkan. Salah satu aspek utama dalam data cleaning...
Baca selengkapnya