KONSEP DATA MINING

 

LATAR BELAKANG 

• Banyak data yang telah direkam dan disimpan
• Transaksi penjualan di Supermarket 
• Transaksi perbankan dan Kartu Kredit
• Log kunjungan WEB
• Akuisisi data dalam penelitian (sosial, kesehatan,…) 
• Sistem Komputer semakin cepat dan ekonomis (Moore’s Law)
• Kebutuhan berkompetisi dengan strategi yang tepat semakin meningkat 

TRANSFORMASI DIGITAL DATA MINING

LEDAKAN PERTUMBUHAN DATA

MENGAPA HARUS DATA MINING?

• Data yang sangat besar terkadang memiliki informasi yang tersembunyi
• Kemampuan manusia terbatas untuk mengamati kumpulan data tersebut dalama proses analisis 

DEFINISI DATA MINING

PENGERTIAN YANG SALAH

ILMU DATA MINING

• Gabungan dari beberapa bidang ilmu dalam Memantik dan Ilmu Komputer
• Diperlukan karena: 
• Data yang sangat besat
• Dimensi data yang besar
• Data Heterogen

ARSITEKTUR DATA MINING

ARSITEKTUR DATA MINING

• Knowledge Base
• Domain Knowledge yang digunakan untuk memberi petunjuk pencarian atau mengevaluasi hasil pola
• Data Mining Engine
• Terdiri dari sekumpulan model fungsional seperti characterization, association, classification, cluster analysis, evaluation and deviation analysis
• Pattern Evaluation Module
• Komponen yang berinteraksi dengan modul data mining untuk pencarian pola
• GUI (Graphical User Interface)
• modul yang mempermudah user berinteraksi dengan sistem data mining

TUGAS DATA MINING

METODE DALAM DATA MINING

PREDICTIVE - CLASSIFICATION

• Menemukan fungsi atau model yang membedakan kelas data
• Fungsi atau model tsb dapat berbentuk aturan if-else, descision tree, formula matematika, atau neural network
• Tujuannya untuk memperkirakan kelas dari suatu objek yang labelnya tidak diketahui
• Algoritma : Decision Tree (C4.5), Artificial Neural Network, Naïve Bayes, Genetic Algorithm, Fuzzy, Case-Based Reasoning, k-Nearest Neighbor
• Supervised Method

PREDICTIVE - CLASSIFICATION

CONTOH  

• Pemakaian Kartu Kredit secara Ilegal
• Tujuan : 
• Mendeteksi adanya penggunaan Kartu Kredit secara Ilegal
• Pendekatan:
• Mencari data transaksi sebelumnya (Lokasi & waktu transaksi, jenis barang yg dibeli, nilai transaksi)
• Labeli data-data tersebut dengan Label Curang atau Aman
• DM mencari model klasifikasi Curang & Aman berdasarkan atribut transaksi
• Menerapkan model tersebut jika ada transaksi baru untuk mempercepat/tepat tindakan preventif

CONTOH LAIN

• Deteksi SPAM  
• tindakan preventif untuk mendeteksi email yang tidak diharapkan 
• Direct Marketing 
• Mencari pengelompokan profil pelanggan agar target market sesuai dengan produk yang akan dipasarkan 
• Sky Survey Cataloging 
• Mengelompokan benda langit hasil pemotretan teleskop kedalam class nya

METODE POHON KEPUTUSAN

PREDICTIVE – TIME SERIES ANALYSIS

• Time series data : sekuens data yang nilainya berubah setiap interval waktu tertentu.
• Time series data dapat dipresentasikan dalam bentuk grafik atau kurva yang menunjukkan fungsi sebuah variabel data terhadap satuan waktu. 
• Metode : Neural Network (model Backpropagation, multi layer perceptron)
• Aplikasi : memprediksikan indeks harga saham 

CONTOH : PREDIKSI DALAM PASAR SAHAM

garis yang tegas adalah time-series data sebenarnya dari nilai saham Microsoft, dan garis putus-putus adalah time series model yang memprediksi nilai saham berdasarkan nilai saham pada masa lalu

PREDICTIVE - REGRESSION

• Regression vs Classification : 
• Regression diterapkan untuk mengklasifikasikan target data numerik
• Classification untuk mengklasifikasikan target data kategorial
• Aplikasi : prediksi nilai penjualan yang akan datang berdasarkan trend data penjualan tahun sebelumnya. 
• Algoritma : Support Vector Machine (SVM), Generalized Linear Model (GLM) 

DESCRIPTIVE - CLUSTERING 

• Mengidentifikasi kelompok alami dari data berdasarkan kemiripan atribut : seringkali disebut juga Segmentation
• Unsupervised Method : tidak satupun atribut yang digunakan untuk memandu proses pembelajaran (tidak ada label)
• Algoritma : k-Means, k-Medoid, Fuzzy C-Means, Subtractive, Mountain, Hierarki

CONTOH : DATA PELANGGAN

• Terdiri dari dua atribut, yaitu Age (Umur) dan Income (Pendapatan).
• Algoritma Clustering mengelompokkan kelompok data kedalam tiga segment berdasarkan kedua atribut ini.
• Cluster 1 : populasi berusia muda dengan pendapatan rendah 
• Cluster 2 : populasi berusia menengah dengan pendapatan yang lebih tinggi
• Cluster 3 : populasi berusia tua dengan pendapatan yang relatif rendah. 

SEGMENTASI PASAR

• Tujuan: mencari gugus segmentasi pasar berdasarkan data transaksi untuk keperluan marketing 
• Pendekatan: 
• mempersiapkan data transaksi beserta atribut data pelanggan berdasarkan geografi dan data pribadi lainnya 
• mencari gugus pelanggan yang mirip berdasarkan atribut atribut tersebut 
• melakukan observasi perilaku pasar berdasarkan gugus-gugus pelanggan yang ditemukan 
• Hasil : Strategi marketing yang tepat sasaran

DESCRIPTIVE – ASSOCIATION RULE

• Disebut juga Market Basket Analysis.
• Menganalisa tabel transaksi penjualan dan mengidentifikasi produk-produk yang seringkali dibeli bersamaan oleh customer 
• Untuk mengidentifikasi kelompok kesamaan dari produk dan kebiasaan apa yang terjadi guna kepentingan cross-selling
• Untuk mencari produk apa yang biasanya terjual bersamaan
• Untuk mencari tahu apa aturan yang menyebabkan kesamaan tersebut

CONTOH

• Ketika orang membeli susu, dia biasanya membeli keju 
• Ketika orang membeli pepsi atau coke, biasanya dia membeli juice 

CONTOH LAIN

MARKETING & SALES PROMOTION

• Contoh pola yang ditemukan
• {Susu Kental Manis,…} —> {Kwaci}
• Kwaci sebagai konsekuen: bagaimana caranya menaikan penjualan kwaci
• Susu Ketal Manis sebagai anteseden: jika tidak lagi menjual susu kental manis, memprediksi produk lain yang ikut jatuh penjualannya
• Dua duanya: membuat paket promo Susu Kental Manis, Kwaci, dll…

DESCRIPTIVE – SEQUENCE ANALYSIS

• Digunakan untuk mencari pola pada serangkaian kejadian yang disebut dengan Sequence.
• Contoh rangkaian klik pada sebuah website berisi rentetan URL. 
• Implementasi : memodelkan pembelian oleh pelanggan sebagai sebuah sequence (rangkaian) data : 
• Pertama-tama seorang pelanggan membeli komputer 
• kemudian membeli speaker 
• dan akhirnya membeli sebuah webcam.

CONTOH : RANGKAIAN KLIK PADA SEBUAH WEBSITE BERITA

• Setiap node adalah sebuah kategori URL. 
• Garis melambangkan transisi antar kategori URL tersebut. 
• Setiap transisi dikelompokan dengan sebuah bobot yang menggambarkan kemungkinan transisi antara satu URL dan URL yang lain