Archive for Januari 2017
DATA
MINING
Pengertian
data mining?
Pengertian Data Mining menurut Para Ahli
Pengertian
data mining berdasarkan (JK06) adalah proses mengekstraksi pola-pola yang
menarik (tidak remeh-temeh, implisit, belum diketahui sebelumnya, dan
berpotensi untuk bermanfaat) dari data yang berukuran besar. Definisi data
mining dari Adelman. pengertian data mining adalah proses pencarian pola data
yang tidak diketahui atau tidak diperkirakan sebelumnya.
Pengertian
data mining menurut Gartner Group, data mining sebagai suatu proses menemukan
hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan
besar data yg tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan
pola seperti teknik statisik dan matematika.
Pramudiono
(2006) mengemukakan bahwa pengertian data mining adalah adalah serangkaian
proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan
yang selama ini tidak diketahui secara manual.
Lalu
Larose berpendapat bahwa data mining adalah bidang yang digabung dari beberapa
bidang keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan
pola, statistik, database, dan visualisasi untuk pengenalan permasalahan
pengambilan informasi dari database yang besar.
Pengertian
data mining menurut Jiawei bahwa data
mining merupakan pemilihan atau “menambang” pengetahuan dari jumlah data yang
banyak.
Definisi
data mining menurut Berry bahwa data mining adalah aktivitas mengeksplorasi dan
menganalisis data jumlah yang besar untuk menemukan pattern (pola) dan rule
(aturan) yang berarti.
Hoffer
dan McFadden mengemukakan bahwa pengertian
data mining adalah penemuan pengetahuan dengan menggunakan teknik-teknik
yang tergabung dari statistik, tradisional, kecerdasan dan grafik komputer.
Pengertian
data mining menurut Turban,dkk.(2005) data mining adalah proses yang
menggunakan teknik statistik, matematika, kecerdasan buatan, dan mesin learning
untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terkait berbagai database besar (baca pengertian database).
Istilah
Istilah khusus dalam Data Mining
Data cleaning (untuk menghilangkan noise
data yang tidak konsisten)
Data integration (di mana sumber data
yang terpecah dapat disatukan)
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 mining (proses esensial di mana
metode yang intelejen digunakan untuk mengekstrak pola data) – Pattern
evolution (untuk mengidentifikasi pola yang benar-benar menarik yang mewakili
pengetahuan berdasarkan atas beberapa tindakan yang menarik)
Knowledge presentation (di mana
gambaran teknik visualisasi dan pengetahuan digunakan untuk memberikan
pengetahuan yang telah ditambang kpada user).
Rancangan
bangun dari data mining yang khas memiliki beberapa komponen utama yaitu : –
Database, data warehouse, atau tempat penyimpanan informasi lainnya. – Server
database atau data warehouse. – Knowledge base – Data mining engine. – Pattern
evolution module. – Graphical user interface.
Langkah
langkah dalam data mining
a.
Pembersihan data. Biasanya terdapat data yang kurang bagus untuk dimasukkan
dalam kelengkapan data perusahaan karena hanya akan dianggap tidak valid bahkan
untuk data yang hilang. Sehingga data yang seperti itu lebih baik dibuang.
b.
Integrasi data
c.
Transformasi data : Beberapa teknik data mining memerlukan format data yang
khusus sebelum bisa digunakan dan disebarluaskan. Dalam tahap ini, dilakukan
pula pemilihan data yang dibutuhkan oleh teknik data mining yang akan dipakai.
Tahap inilah yang akan menentukan kualitas dari data mining.
d.
Aplikasi teknik data mining
Ini
merupakan salah satu langkah dari proses data mining. Gunakan teknik data
mining yang sesuai dengan hasil yang dibutuhkan.
e.
Evaluasi pola yang ditemukan: Dalam tahap ini hasil dari teknik data mining
berupa pola pola yang khas maupun model prediksi dievaluasi untuk menilai
apakah hipotesis yang ada memang tercapai.
e.
Presentasi pola
Tahap
terakhir dari proses data mining adalah bagaimana formulasi keputusan atau aksi
dari hasil analisis dari data mining. Dalam presentasi ini, visualisasi juga
dapat membantu mengkomunikasikan hasil data mining.
Cotoh
data mining
Contoh
Data Mining
Sebagai
cabang ilmu baru di bidang komputer (lihat artikel sebelumnya berjudul ‘Data
Mining’) cukup banyak penerapan yang dapat dilakukann oleh Data Mining. Apalagi
ditunjang ke-kaya-an dan ke-anekaragam-an berbagai bidang ilmu (artificial
intelligence, database, statistik, pemodelan matematika, pengolahan citra dsb.)
membuat penerapan data mining menjadi makin luas. Di bidang apa saja penerapan
data mining dapat dilakukan? Artikel singkat ini berusaha memberikan
jawabannya.
Analisa
Pasar dan Manajemen
Untuk
analisa pasar, banyak sekali sumber data yang dapat digunakan seperti transaksi
kartu kredit, kartu anggota club tertentu, kupon diskon, keluhan pembeli,
ditambah dengan studi tentang gaya hidup publik.
Beberapa
solusi yang bisa diselesaikan dengan data mining diantaranya:
•
Menembak target pasar
Data
mining dapat melakukan pengelompokan (clustering) dari model-model pembeli dan
melakukan klasifikasi terhadap setiap pembeli sesuai dengan karakteristik yang
diinginkan seperti kesukaan yang sama, tingkat penghasilan yang sama, kebiasaan
membeli dan karakteristik lainnya.
•
Melihat pola beli pemakai dari waktu ke waktu
Data
mining dapat digunakan untuk melihat pola beli seseorang dari waktu ke waktu.
Sebagai contoh, ketika seseorang menikah bisa saja dia kemudian memutuskan
pindah dari single account ke joint account (rekening bersama) dan kemudian
setelah itu pola beli-nya berbeda dengan ketika dia masih bujangan.
•
Cross-Market Analysis
Kita
dapat memanfaatkan data mining untuk melihat hubungan antara penjualan satu
produk dengan produk lainnya. Berikut ini saya sajikan beberapa contoh:
o Cari
pola penjualan Coca Cola sedemikian rupa sehingga kita dapat mengetahui barang
apa sajakah yang harus kita sediakan untuk meningkatkan penjualan Coca Cola?
o Cari
pola penjualan IndoMie sedemikian rupa sehingga kita dapat mengetahui barang
apa saja yang juga dibeli oleh pembeli IndoMie. Dengan demikian kita bisa
mengetahui dampak jika kita tidak lagi menjual IndoMie.
o Cari
pola penjualan
• Profil
Customer
Data
mining dapat membantu Anda untuk melihat profil customer/pembeli/nasabah
sehingga kita dapat mengetahui kelompok customer tertentu suka membeli produk
apa saja.
•
Identifikasi Kebutuhan Customer
Anda
dapat mengidentifikasi produk-produk apa saja yang terbaik untuk tiap kelompok
customer dan menyusun faktor-faktor apa saja yang kira-kira dapat menarik
customer baru untuk bergabung/membeli.
•
Menilai Loyalitas Customer
VISA
International Spanyol menggunakan data mining untuk melihat kesuksesan
program-program customer loyalty mereka. Anda bisa lihat di
www.visa.es/ingles/info/300300.html
•
Informasi Summary
Anda
juga dapat memanfaatkan data mining untuk membuat laporan summary yang bersifat
multi-dimensi dan dilengkapi dengan informasi statistik lainnya.
Analisa
Perusahaan dan Manajemen Resiko
•
Perencanaan Keuangan dan Evaluasi Aset
Data
Mining dapat membantu Anda untuk melakukan analisis dan prediksi cash flow
serta melakukan contingent claim analysis untuk mengevaluasi aset. Selain itu
Anda juga dapat menggunakannya untuk analisis trend.
•
Perencanaan Sumber Daya (Resource Planning)
Dengan
melihat informasi ringkas (summary) serta pola pembelanjaan dan pemasukan dari
masing-masing resource, Anda dapat memanfaatkannya untuk melakukan resource
planning.
•
Persaingan (Competition)
o
Sekarang ini banyak perusahaan yang berupaya untuk dapat melakukan competitive
intelligence. Data Mining dapat membantu Anda untuk memonitor pesaing-pesaing
Anda dan melihat market direction mereka.
o Anda
juga dapat melakukan pengelompokan customer Anda dan memberikan variasi
harga/layanan/bonus untuk masing-masing grup.
o
Menyusun strategi penetapan harga di pasar yang sangat kompetitif. Hal ini
diterapkan oleh perusahaan minyak REPSOL di Spanyol dalam menetapkan harga jual
gas di pasaran.
Telekomunikasi
Sebuah
perusahaan telekomunikasi menerapkan data mining untuk melihat dari jutaan
transaksi yang masuk, transaksi mana sajakah yang masih harus ditangani secara
manual (dilayani oleh orang). Tujuannya tidak lain adalah untuk menambah
layanan otomatis khusus untuk transaksi-transaksi yang masih dilayani secara
manual. Dengan demikian jumlah operator penerima transaksi manual tetap bisa
ditekan minimal.
Keuangan
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). Mereka
menyatakan bahwa hal tersebut akan susah dilakukan jika menggunakan analisis
standar. Anda bisa lihat di
www.senate.gov/~appropriations/treasury/testimony/sloan.htm. Mungkin sudah
saatnya juga Badan Pemeriksa Keuangan Republik Indonesia menggunakan teknologi
ini untuk mendeteksi aliran dana BLBI.
Asuransi
Australian
Health Insurance Commision menggunakan data mining untuk mengidentifikasi
layanan kesehatan yang sebenarnya tidak perlu tetapi tetap dilakukan oleh
peserta asuransi. Hasilnya? Mereka berhasil menghemat satu juta dollar per
tahunnya. Anda bisa lihat di www.informationtimes.com.au/data-sum.htm. Tentu
saja ini tidak hanya bisa diterapkan untuk asuransi kesehatan, tetapi juga
untuk berbagai jenis asuransi lainny
Kelebihan
dan kekurangan
Kelebihan
Data Mining :
1.
Kemampuan dalam mengolah data dalam jumlah yang besar.
2.
Pencarian Data secara otomatis.
Kekurangan
Data Mining :
1.
Kendala Database ( Garbage in garbage out ).
2. Tidak
bisa melakukan analisa sendiri.
Kesimpulan
Data mining
adalah disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan atau
menemukan pola dari suatu data sehingga sering disebut knowledge discovery in
database
DATA
MINING
Pengertian
data mining?
Pengertian Data Mining menurut Para Ahli
Pengertian
data mining berdasarkan (JK06) adalah proses mengekstraksi pola-pola yang
menarik (tidak remeh-temeh, implisit, belum diketahui sebelumnya, dan
berpotensi untuk bermanfaat) dari data yang berukuran besar. Definisi data
mining dari Adelman. pengertian data mining adalah proses pencarian pola data
yang tidak diketahui atau tidak diperkirakan sebelumnya.
Pengertian
data mining menurut Gartner Group, data mining sebagai suatu proses menemukan
hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan
besar data yg tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan
pola seperti teknik statisik dan matematika.
Pramudiono
(2006) mengemukakan bahwa pengertian data mining adalah adalah serangkaian
proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan
yang selama ini tidak diketahui secara manual.
Lalu
Larose berpendapat bahwa data mining adalah bidang yang digabung dari beberapa
bidang keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan
pola, statistik, database, dan visualisasi untuk pengenalan permasalahan
pengambilan informasi dari database yang besar.
Pengertian
data mining menurut Jiawei bahwa data
mining merupakan pemilihan atau “menambang” pengetahuan dari jumlah data yang
banyak.
Definisi
data mining menurut Berry bahwa data mining adalah aktivitas mengeksplorasi dan
menganalisis data jumlah yang besar untuk menemukan pattern (pola) dan rule
(aturan) yang berarti.
Hoffer
dan McFadden mengemukakan bahwa pengertian
data mining adalah penemuan pengetahuan dengan menggunakan teknik-teknik
yang tergabung dari statistik, tradisional, kecerdasan dan grafik komputer.
Pengertian
data mining menurut Turban,dkk.(2005) data mining adalah proses yang
menggunakan teknik statistik, matematika, kecerdasan buatan, dan mesin learning
untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terkait berbagai database besar (baca pengertian database).
Istilah
Istilah khusus dalam Data Mining
Data cleaning (untuk menghilangkan noise
data yang tidak konsisten)
Data integration (di mana sumber data
yang terpecah dapat disatukan)
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 mining (proses esensial di mana
metode yang intelejen digunakan untuk mengekstrak pola data) – Pattern
evolution (untuk mengidentifikasi pola yang benar-benar menarik yang mewakili
pengetahuan berdasarkan atas beberapa tindakan yang menarik)
Knowledge presentation (di mana
gambaran teknik visualisasi dan pengetahuan digunakan untuk memberikan
pengetahuan yang telah ditambang kpada user).
Rancangan
bangun dari data mining yang khas memiliki beberapa komponen utama yaitu : –
Database, data warehouse, atau tempat penyimpanan informasi lainnya. – Server
database atau data warehouse. – Knowledge base – Data mining engine. – Pattern
evolution module. – Graphical user interface.
Langkah
langkah dalam data mining
a.
Pembersihan data. Biasanya terdapat data yang kurang bagus untuk dimasukkan
dalam kelengkapan data perusahaan karena hanya akan dianggap tidak valid bahkan
untuk data yang hilang. Sehingga data yang seperti itu lebih baik dibuang.
b.
Integrasi data
c.
Transformasi data : Beberapa teknik data mining memerlukan format data yang
khusus sebelum bisa digunakan dan disebarluaskan. Dalam tahap ini, dilakukan
pula pemilihan data yang dibutuhkan oleh teknik data mining yang akan dipakai.
Tahap inilah yang akan menentukan kualitas dari data mining.
d.
Aplikasi teknik data mining
Ini
merupakan salah satu langkah dari proses data mining. Gunakan teknik data
mining yang sesuai dengan hasil yang dibutuhkan.
e.
Evaluasi pola yang ditemukan: Dalam tahap ini hasil dari teknik data mining
berupa pola pola yang khas maupun model prediksi dievaluasi untuk menilai
apakah hipotesis yang ada memang tercapai.
e.
Presentasi pola
Tahap
terakhir dari proses data mining adalah bagaimana formulasi keputusan atau aksi
dari hasil analisis dari data mining. Dalam presentasi ini, visualisasi juga
dapat membantu mengkomunikasikan hasil data mining.
Cotoh
data mining
Contoh
Data Mining
Sebagai
cabang ilmu baru di bidang komputer (lihat artikel sebelumnya berjudul ‘Data
Mining’) cukup banyak penerapan yang dapat dilakukann oleh Data Mining. Apalagi
ditunjang ke-kaya-an dan ke-anekaragam-an berbagai bidang ilmu (artificial
intelligence, database, statistik, pemodelan matematika, pengolahan citra dsb.)
membuat penerapan data mining menjadi makin luas. Di bidang apa saja penerapan
data mining dapat dilakukan? Artikel singkat ini berusaha memberikan
jawabannya.
Analisa
Pasar dan Manajemen
Untuk
analisa pasar, banyak sekali sumber data yang dapat digunakan seperti transaksi
kartu kredit, kartu anggota club tertentu, kupon diskon, keluhan pembeli,
ditambah dengan studi tentang gaya hidup publik.
Beberapa
solusi yang bisa diselesaikan dengan data mining diantaranya:
•
Menembak target pasar
Data
mining dapat melakukan pengelompokan (clustering) dari model-model pembeli dan
melakukan klasifikasi terhadap setiap pembeli sesuai dengan karakteristik yang
diinginkan seperti kesukaan yang sama, tingkat penghasilan yang sama, kebiasaan
membeli dan karakteristik lainnya.
•
Melihat pola beli pemakai dari waktu ke waktu
Data
mining dapat digunakan untuk melihat pola beli seseorang dari waktu ke waktu.
Sebagai contoh, ketika seseorang menikah bisa saja dia kemudian memutuskan
pindah dari single account ke joint account (rekening bersama) dan kemudian
setelah itu pola beli-nya berbeda dengan ketika dia masih bujangan.
•
Cross-Market Analysis
Kita
dapat memanfaatkan data mining untuk melihat hubungan antara penjualan satu
produk dengan produk lainnya. Berikut ini saya sajikan beberapa contoh:
o Cari
pola penjualan Coca Cola sedemikian rupa sehingga kita dapat mengetahui barang
apa sajakah yang harus kita sediakan untuk meningkatkan penjualan Coca Cola?
o Cari
pola penjualan IndoMie sedemikian rupa sehingga kita dapat mengetahui barang
apa saja yang juga dibeli oleh pembeli IndoMie. Dengan demikian kita bisa
mengetahui dampak jika kita tidak lagi menjual IndoMie.
o Cari
pola penjualan
• Profil
Customer
Data
mining dapat membantu Anda untuk melihat profil customer/pembeli/nasabah
sehingga kita dapat mengetahui kelompok customer tertentu suka membeli produk
apa saja.
•
Identifikasi Kebutuhan Customer
Anda
dapat mengidentifikasi produk-produk apa saja yang terbaik untuk tiap kelompok
customer dan menyusun faktor-faktor apa saja yang kira-kira dapat menarik
customer baru untuk bergabung/membeli.
•
Menilai Loyalitas Customer
VISA
International Spanyol menggunakan data mining untuk melihat kesuksesan
program-program customer loyalty mereka. Anda bisa lihat di
www.visa.es/ingles/info/300300.html
•
Informasi Summary
Anda
juga dapat memanfaatkan data mining untuk membuat laporan summary yang bersifat
multi-dimensi dan dilengkapi dengan informasi statistik lainnya.
Analisa
Perusahaan dan Manajemen Resiko
•
Perencanaan Keuangan dan Evaluasi Aset
Data
Mining dapat membantu Anda untuk melakukan analisis dan prediksi cash flow
serta melakukan contingent claim analysis untuk mengevaluasi aset. Selain itu
Anda juga dapat menggunakannya untuk analisis trend.
•
Perencanaan Sumber Daya (Resource Planning)
Dengan
melihat informasi ringkas (summary) serta pola pembelanjaan dan pemasukan dari
masing-masing resource, Anda dapat memanfaatkannya untuk melakukan resource
planning.
•
Persaingan (Competition)
o
Sekarang ini banyak perusahaan yang berupaya untuk dapat melakukan competitive
intelligence. Data Mining dapat membantu Anda untuk memonitor pesaing-pesaing
Anda dan melihat market direction mereka.
o Anda
juga dapat melakukan pengelompokan customer Anda dan memberikan variasi
harga/layanan/bonus untuk masing-masing grup.
o
Menyusun strategi penetapan harga di pasar yang sangat kompetitif. Hal ini
diterapkan oleh perusahaan minyak REPSOL di Spanyol dalam menetapkan harga jual
gas di pasaran.
Telekomunikasi
Sebuah
perusahaan telekomunikasi menerapkan data mining untuk melihat dari jutaan
transaksi yang masuk, transaksi mana sajakah yang masih harus ditangani secara
manual (dilayani oleh orang). Tujuannya tidak lain adalah untuk menambah
layanan otomatis khusus untuk transaksi-transaksi yang masih dilayani secara
manual. Dengan demikian jumlah operator penerima transaksi manual tetap bisa
ditekan minimal.
Keuangan
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). Mereka
menyatakan bahwa hal tersebut akan susah dilakukan jika menggunakan analisis
standar. Anda bisa lihat di
www.senate.gov/~appropriations/treasury/testimony/sloan.htm. Mungkin sudah
saatnya juga Badan Pemeriksa Keuangan Republik Indonesia menggunakan teknologi
ini untuk mendeteksi aliran dana BLBI.
Asuransi
Australian
Health Insurance Commision menggunakan data mining untuk mengidentifikasi
layanan kesehatan yang sebenarnya tidak perlu tetapi tetap dilakukan oleh
peserta asuransi. Hasilnya? Mereka berhasil menghemat satu juta dollar per
tahunnya. Anda bisa lihat di www.informationtimes.com.au/data-sum.htm. Tentu
saja ini tidak hanya bisa diterapkan untuk asuransi kesehatan, tetapi juga
untuk berbagai jenis asuransi lainny
Kelebihan
dan kekurangan
Kelebihan
Data Mining :
1.
Kemampuan dalam mengolah data dalam jumlah yang besar.
2.
Pencarian Data secara otomatis.
Kekurangan
Data Mining :
1.
Kendala Database ( Garbage in garbage out ).
2. Tidak
bisa melakukan analisa sendiri.
Kesimpulan
Data mining
adalah disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan atau
menemukan pola dari suatu data sehingga sering disebut knowledge discovery in
database
DATA
MINING
Pengertian
data mining?
Pengertian Data Mining menurut Para Ahli
Pengertian
data mining berdasarkan (JK06) adalah proses mengekstraksi pola-pola yang
menarik (tidak remeh-temeh, implisit, belum diketahui sebelumnya, dan
berpotensi untuk bermanfaat) dari data yang berukuran besar. Definisi data
mining dari Adelman. pengertian data mining adalah proses pencarian pola data
yang tidak diketahui atau tidak diperkirakan sebelumnya.
Pengertian
data mining menurut Gartner Group, data mining sebagai suatu proses menemukan
hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan
besar data yg tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan
pola seperti teknik statisik dan matematika.
Pramudiono
(2006) mengemukakan bahwa pengertian data mining adalah adalah serangkaian
proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan
yang selama ini tidak diketahui secara manual.
Lalu
Larose berpendapat bahwa data mining adalah bidang yang digabung dari beberapa
bidang keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan
pola, statistik, database, dan visualisasi untuk pengenalan permasalahan
pengambilan informasi dari database yang besar.
Pengertian
data mining menurut Jiawei bahwa data
mining merupakan pemilihan atau “menambang” pengetahuan dari jumlah data yang
banyak.
Definisi
data mining menurut Berry bahwa data mining adalah aktivitas mengeksplorasi dan
menganalisis data jumlah yang besar untuk menemukan pattern (pola) dan rule
(aturan) yang berarti.
Hoffer
dan McFadden mengemukakan bahwa pengertian
data mining adalah penemuan pengetahuan dengan menggunakan teknik-teknik
yang tergabung dari statistik, tradisional, kecerdasan dan grafik komputer.
Pengertian
data mining menurut Turban,dkk.(2005) data mining adalah proses yang
menggunakan teknik statistik, matematika, kecerdasan buatan, dan mesin learning
untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terkait berbagai database besar (baca pengertian database).
Istilah
Istilah khusus dalam Data Mining
Data cleaning (untuk menghilangkan noise
data yang tidak konsisten)
Data integration (di mana sumber data
yang terpecah dapat disatukan)
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 mining (proses esensial di mana
metode yang intelejen digunakan untuk mengekstrak pola data) – Pattern
evolution (untuk mengidentifikasi pola yang benar-benar menarik yang mewakili
pengetahuan berdasarkan atas beberapa tindakan yang menarik)
Knowledge presentation (di mana
gambaran teknik visualisasi dan pengetahuan digunakan untuk memberikan
pengetahuan yang telah ditambang kpada user).
Rancangan
bangun dari data mining yang khas memiliki beberapa komponen utama yaitu : –
Database, data warehouse, atau tempat penyimpanan informasi lainnya. – Server
database atau data warehouse. – Knowledge base – Data mining engine. – Pattern
evolution module. – Graphical user interface.
Langkah
langkah dalam data mining
a.
Pembersihan data. Biasanya terdapat data yang kurang bagus untuk dimasukkan
dalam kelengkapan data perusahaan karena hanya akan dianggap tidak valid bahkan
untuk data yang hilang. Sehingga data yang seperti itu lebih baik dibuang.
b.
Integrasi data
c.
Transformasi data : Beberapa teknik data mining memerlukan format data yang
khusus sebelum bisa digunakan dan disebarluaskan. Dalam tahap ini, dilakukan
pula pemilihan data yang dibutuhkan oleh teknik data mining yang akan dipakai.
Tahap inilah yang akan menentukan kualitas dari data mining.
d.
Aplikasi teknik data mining
Ini
merupakan salah satu langkah dari proses data mining. Gunakan teknik data
mining yang sesuai dengan hasil yang dibutuhkan.
e.
Evaluasi pola yang ditemukan: Dalam tahap ini hasil dari teknik data mining
berupa pola pola yang khas maupun model prediksi dievaluasi untuk menilai
apakah hipotesis yang ada memang tercapai.
e.
Presentasi pola
Tahap
terakhir dari proses data mining adalah bagaimana formulasi keputusan atau aksi
dari hasil analisis dari data mining. Dalam presentasi ini, visualisasi juga
dapat membantu mengkomunikasikan hasil data mining.
Cotoh
data mining
Contoh
Data Mining
Sebagai
cabang ilmu baru di bidang komputer (lihat artikel sebelumnya berjudul ‘Data
Mining’) cukup banyak penerapan yang dapat dilakukann oleh Data Mining. Apalagi
ditunjang ke-kaya-an dan ke-anekaragam-an berbagai bidang ilmu (artificial
intelligence, database, statistik, pemodelan matematika, pengolahan citra dsb.)
membuat penerapan data mining menjadi makin luas. Di bidang apa saja penerapan
data mining dapat dilakukan? Artikel singkat ini berusaha memberikan
jawabannya.
Analisa
Pasar dan Manajemen
Untuk
analisa pasar, banyak sekali sumber data yang dapat digunakan seperti transaksi
kartu kredit, kartu anggota club tertentu, kupon diskon, keluhan pembeli,
ditambah dengan studi tentang gaya hidup publik.
Beberapa
solusi yang bisa diselesaikan dengan data mining diantaranya:
•
Menembak target pasar
Data
mining dapat melakukan pengelompokan (clustering) dari model-model pembeli dan
melakukan klasifikasi terhadap setiap pembeli sesuai dengan karakteristik yang
diinginkan seperti kesukaan yang sama, tingkat penghasilan yang sama, kebiasaan
membeli dan karakteristik lainnya.
•
Melihat pola beli pemakai dari waktu ke waktu
Data
mining dapat digunakan untuk melihat pola beli seseorang dari waktu ke waktu.
Sebagai contoh, ketika seseorang menikah bisa saja dia kemudian memutuskan
pindah dari single account ke joint account (rekening bersama) dan kemudian
setelah itu pola beli-nya berbeda dengan ketika dia masih bujangan.
•
Cross-Market Analysis
Kita
dapat memanfaatkan data mining untuk melihat hubungan antara penjualan satu
produk dengan produk lainnya. Berikut ini saya sajikan beberapa contoh:
o Cari
pola penjualan Coca Cola sedemikian rupa sehingga kita dapat mengetahui barang
apa sajakah yang harus kita sediakan untuk meningkatkan penjualan Coca Cola?
o Cari
pola penjualan IndoMie sedemikian rupa sehingga kita dapat mengetahui barang
apa saja yang juga dibeli oleh pembeli IndoMie. Dengan demikian kita bisa
mengetahui dampak jika kita tidak lagi menjual IndoMie.
o Cari
pola penjualan
• Profil
Customer
Data
mining dapat membantu Anda untuk melihat profil customer/pembeli/nasabah
sehingga kita dapat mengetahui kelompok customer tertentu suka membeli produk
apa saja.
•
Identifikasi Kebutuhan Customer
Anda
dapat mengidentifikasi produk-produk apa saja yang terbaik untuk tiap kelompok
customer dan menyusun faktor-faktor apa saja yang kira-kira dapat menarik
customer baru untuk bergabung/membeli.
•
Menilai Loyalitas Customer
VISA
International Spanyol menggunakan data mining untuk melihat kesuksesan
program-program customer loyalty mereka. Anda bisa lihat di
www.visa.es/ingles/info/300300.html
•
Informasi Summary
Anda
juga dapat memanfaatkan data mining untuk membuat laporan summary yang bersifat
multi-dimensi dan dilengkapi dengan informasi statistik lainnya.
Analisa
Perusahaan dan Manajemen Resiko
•
Perencanaan Keuangan dan Evaluasi Aset
Data
Mining dapat membantu Anda untuk melakukan analisis dan prediksi cash flow
serta melakukan contingent claim analysis untuk mengevaluasi aset. Selain itu
Anda juga dapat menggunakannya untuk analisis trend.
•
Perencanaan Sumber Daya (Resource Planning)
Dengan
melihat informasi ringkas (summary) serta pola pembelanjaan dan pemasukan dari
masing-masing resource, Anda dapat memanfaatkannya untuk melakukan resource
planning.
•
Persaingan (Competition)
o
Sekarang ini banyak perusahaan yang berupaya untuk dapat melakukan competitive
intelligence. Data Mining dapat membantu Anda untuk memonitor pesaing-pesaing
Anda dan melihat market direction mereka.
o Anda
juga dapat melakukan pengelompokan customer Anda dan memberikan variasi
harga/layanan/bonus untuk masing-masing grup.
o
Menyusun strategi penetapan harga di pasar yang sangat kompetitif. Hal ini
diterapkan oleh perusahaan minyak REPSOL di Spanyol dalam menetapkan harga jual
gas di pasaran.
Telekomunikasi
Sebuah
perusahaan telekomunikasi menerapkan data mining untuk melihat dari jutaan
transaksi yang masuk, transaksi mana sajakah yang masih harus ditangani secara
manual (dilayani oleh orang). Tujuannya tidak lain adalah untuk menambah
layanan otomatis khusus untuk transaksi-transaksi yang masih dilayani secara
manual. Dengan demikian jumlah operator penerima transaksi manual tetap bisa
ditekan minimal.
Keuangan
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). Mereka
menyatakan bahwa hal tersebut akan susah dilakukan jika menggunakan analisis
standar. Anda bisa lihat di
www.senate.gov/~appropriations/treasury/testimony/sloan.htm. Mungkin sudah
saatnya juga Badan Pemeriksa Keuangan Republik Indonesia menggunakan teknologi
ini untuk mendeteksi aliran dana BLBI.
Asuransi
Australian
Health Insurance Commision menggunakan data mining untuk mengidentifikasi
layanan kesehatan yang sebenarnya tidak perlu tetapi tetap dilakukan oleh
peserta asuransi. Hasilnya? Mereka berhasil menghemat satu juta dollar per
tahunnya. Anda bisa lihat di www.informationtimes.com.au/data-sum.htm. Tentu
saja ini tidak hanya bisa diterapkan untuk asuransi kesehatan, tetapi juga
untuk berbagai jenis asuransi lainny
Kelebihan
dan kekurangan
Kelebihan
Data Mining :
1.
Kemampuan dalam mengolah data dalam jumlah yang besar.
2.
Pencarian Data secara otomatis.
Kekurangan
Data Mining :
1.
Kendala Database ( Garbage in garbage out ).
2. Tidak
bisa melakukan analisa sendiri.
Kesimpulan
Data mining
adalah disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan atau
menemukan pola dari suatu data sehingga sering disebut knowledge discovery in
database
DATA
MINING
Pengertian
data mining?
Pengertian Data Mining menurut Para Ahli
Pengertian
data mining berdasarkan (JK06) adalah proses mengekstraksi pola-pola yang
menarik (tidak remeh-temeh, implisit, belum diketahui sebelumnya, dan
berpotensi untuk bermanfaat) dari data yang berukuran besar. Definisi data
mining dari Adelman. pengertian data mining adalah proses pencarian pola data
yang tidak diketahui atau tidak diperkirakan sebelumnya.
Pengertian
data mining menurut Gartner Group, data mining sebagai suatu proses menemukan
hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan
besar data yg tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan
pola seperti teknik statisik dan matematika.
Pramudiono
(2006) mengemukakan bahwa pengertian data mining adalah adalah serangkaian
proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan
yang selama ini tidak diketahui secara manual.
Lalu
Larose berpendapat bahwa data mining adalah bidang yang digabung dari beberapa
bidang keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan
pola, statistik, database, dan visualisasi untuk pengenalan permasalahan
pengambilan informasi dari database yang besar.
Pengertian
data mining menurut Jiawei bahwa data
mining merupakan pemilihan atau “menambang” pengetahuan dari jumlah data yang
banyak.
Definisi
data mining menurut Berry bahwa data mining adalah aktivitas mengeksplorasi dan
menganalisis data jumlah yang besar untuk menemukan pattern (pola) dan rule
(aturan) yang berarti.
Hoffer
dan McFadden mengemukakan bahwa pengertian
data mining adalah penemuan pengetahuan dengan menggunakan teknik-teknik
yang tergabung dari statistik, tradisional, kecerdasan dan grafik komputer.
Pengertian
data mining menurut Turban,dkk.(2005) data mining adalah proses yang
menggunakan teknik statistik, matematika, kecerdasan buatan, dan mesin learning
untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terkait berbagai database besar (baca pengertian database).
Istilah
Istilah khusus dalam Data Mining
Data cleaning (untuk menghilangkan noise
data yang tidak konsisten)
Data integration (di mana sumber data
yang terpecah dapat disatukan)
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 mining (proses esensial di mana
metode yang intelejen digunakan untuk mengekstrak pola data) – Pattern
evolution (untuk mengidentifikasi pola yang benar-benar menarik yang mewakili
pengetahuan berdasarkan atas beberapa tindakan yang menarik)
Knowledge presentation (di mana
gambaran teknik visualisasi dan pengetahuan digunakan untuk memberikan
pengetahuan yang telah ditambang kpada user).
Rancangan
bangun dari data mining yang khas memiliki beberapa komponen utama yaitu : –
Database, data warehouse, atau tempat penyimpanan informasi lainnya. – Server
database atau data warehouse. – Knowledge base – Data mining engine. – Pattern
evolution module. – Graphical user interface.
Langkah
langkah dalam data mining
a.
Pembersihan data. Biasanya terdapat data yang kurang bagus untuk dimasukkan
dalam kelengkapan data perusahaan karena hanya akan dianggap tidak valid bahkan
untuk data yang hilang. Sehingga data yang seperti itu lebih baik dibuang.
b.
Integrasi data
c.
Transformasi data : Beberapa teknik data mining memerlukan format data yang
khusus sebelum bisa digunakan dan disebarluaskan. Dalam tahap ini, dilakukan
pula pemilihan data yang dibutuhkan oleh teknik data mining yang akan dipakai.
Tahap inilah yang akan menentukan kualitas dari data mining.
d.
Aplikasi teknik data mining
Ini
merupakan salah satu langkah dari proses data mining. Gunakan teknik data
mining yang sesuai dengan hasil yang dibutuhkan.
e.
Evaluasi pola yang ditemukan: Dalam tahap ini hasil dari teknik data mining
berupa pola pola yang khas maupun model prediksi dievaluasi untuk menilai
apakah hipotesis yang ada memang tercapai.
e.
Presentasi pola
Tahap
terakhir dari proses data mining adalah bagaimana formulasi keputusan atau aksi
dari hasil analisis dari data mining. Dalam presentasi ini, visualisasi juga
dapat membantu mengkomunikasikan hasil data mining.
Cotoh
data mining
Contoh
Data Mining
Sebagai
cabang ilmu baru di bidang komputer (lihat artikel sebelumnya berjudul ‘Data
Mining’) cukup banyak penerapan yang dapat dilakukann oleh Data Mining. Apalagi
ditunjang ke-kaya-an dan ke-anekaragam-an berbagai bidang ilmu (artificial
intelligence, database, statistik, pemodelan matematika, pengolahan citra dsb.)
membuat penerapan data mining menjadi makin luas. Di bidang apa saja penerapan
data mining dapat dilakukan? Artikel singkat ini berusaha memberikan
jawabannya.
Analisa
Pasar dan Manajemen
Untuk
analisa pasar, banyak sekali sumber data yang dapat digunakan seperti transaksi
kartu kredit, kartu anggota club tertentu, kupon diskon, keluhan pembeli,
ditambah dengan studi tentang gaya hidup publik.
Beberapa
solusi yang bisa diselesaikan dengan data mining diantaranya:
•
Menembak target pasar
Data
mining dapat melakukan pengelompokan (clustering) dari model-model pembeli dan
melakukan klasifikasi terhadap setiap pembeli sesuai dengan karakteristik yang
diinginkan seperti kesukaan yang sama, tingkat penghasilan yang sama, kebiasaan
membeli dan karakteristik lainnya.
•
Melihat pola beli pemakai dari waktu ke waktu
Data
mining dapat digunakan untuk melihat pola beli seseorang dari waktu ke waktu.
Sebagai contoh, ketika seseorang menikah bisa saja dia kemudian memutuskan
pindah dari single account ke joint account (rekening bersama) dan kemudian
setelah itu pola beli-nya berbeda dengan ketika dia masih bujangan.
•
Cross-Market Analysis
Kita
dapat memanfaatkan data mining untuk melihat hubungan antara penjualan satu
produk dengan produk lainnya. Berikut ini saya sajikan beberapa contoh:
o Cari
pola penjualan Coca Cola sedemikian rupa sehingga kita dapat mengetahui barang
apa sajakah yang harus kita sediakan untuk meningkatkan penjualan Coca Cola?
o Cari
pola penjualan IndoMie sedemikian rupa sehingga kita dapat mengetahui barang
apa saja yang juga dibeli oleh pembeli IndoMie. Dengan demikian kita bisa
mengetahui dampak jika kita tidak lagi menjual IndoMie.
o Cari
pola penjualan
• Profil
Customer
Data
mining dapat membantu Anda untuk melihat profil customer/pembeli/nasabah
sehingga kita dapat mengetahui kelompok customer tertentu suka membeli produk
apa saja.
•
Identifikasi Kebutuhan Customer
Anda
dapat mengidentifikasi produk-produk apa saja yang terbaik untuk tiap kelompok
customer dan menyusun faktor-faktor apa saja yang kira-kira dapat menarik
customer baru untuk bergabung/membeli.
•
Menilai Loyalitas Customer
VISA
International Spanyol menggunakan data mining untuk melihat kesuksesan
program-program customer loyalty mereka. Anda bisa lihat di
www.visa.es/ingles/info/300300.html
•
Informasi Summary
Anda
juga dapat memanfaatkan data mining untuk membuat laporan summary yang bersifat
multi-dimensi dan dilengkapi dengan informasi statistik lainnya.
Analisa
Perusahaan dan Manajemen Resiko
•
Perencanaan Keuangan dan Evaluasi Aset
Data
Mining dapat membantu Anda untuk melakukan analisis dan prediksi cash flow
serta melakukan contingent claim analysis untuk mengevaluasi aset. Selain itu
Anda juga dapat menggunakannya untuk analisis trend.
•
Perencanaan Sumber Daya (Resource Planning)
Dengan
melihat informasi ringkas (summary) serta pola pembelanjaan dan pemasukan dari
masing-masing resource, Anda dapat memanfaatkannya untuk melakukan resource
planning.
•
Persaingan (Competition)
o
Sekarang ini banyak perusahaan yang berupaya untuk dapat melakukan competitive
intelligence. Data Mining dapat membantu Anda untuk memonitor pesaing-pesaing
Anda dan melihat market direction mereka.
o Anda
juga dapat melakukan pengelompokan customer Anda dan memberikan variasi
harga/layanan/bonus untuk masing-masing grup.
o
Menyusun strategi penetapan harga di pasar yang sangat kompetitif. Hal ini
diterapkan oleh perusahaan minyak REPSOL di Spanyol dalam menetapkan harga jual
gas di pasaran.
Telekomunikasi
Sebuah
perusahaan telekomunikasi menerapkan data mining untuk melihat dari jutaan
transaksi yang masuk, transaksi mana sajakah yang masih harus ditangani secara
manual (dilayani oleh orang). Tujuannya tidak lain adalah untuk menambah
layanan otomatis khusus untuk transaksi-transaksi yang masih dilayani secara
manual. Dengan demikian jumlah operator penerima transaksi manual tetap bisa
ditekan minimal.
Keuangan
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). Mereka
menyatakan bahwa hal tersebut akan susah dilakukan jika menggunakan analisis
standar. Anda bisa lihat di
www.senate.gov/~appropriations/treasury/testimony/sloan.htm. Mungkin sudah
saatnya juga Badan Pemeriksa Keuangan Republik Indonesia menggunakan teknologi
ini untuk mendeteksi aliran dana BLBI.
Asuransi
Australian
Health Insurance Commision menggunakan data mining untuk mengidentifikasi
layanan kesehatan yang sebenarnya tidak perlu tetapi tetap dilakukan oleh
peserta asuransi. Hasilnya? Mereka berhasil menghemat satu juta dollar per
tahunnya. Anda bisa lihat di www.informationtimes.com.au/data-sum.htm. Tentu
saja ini tidak hanya bisa diterapkan untuk asuransi kesehatan, tetapi juga
untuk berbagai jenis asuransi lainny
Kelebihan
dan kekurangan
Kelebihan
Data Mining :
1.
Kemampuan dalam mengolah data dalam jumlah yang besar.
2.
Pencarian Data secara otomatis.
Kekurangan
Data Mining :
1.
Kendala Database ( Garbage in garbage out ).
2. Tidak
bisa melakukan analisa sendiri.
Kesimpulan
Data mining
adalah disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan atau
menemukan pola dari suatu data sehingga sering disebut knowledge discovery in
database
