Data Mining Diskusi 1.docx
- 1. 1 Data Mining Diskusi Pertemuan 1 Nama : Hendro Gunawan NIM : 200401072103 Kelas : IT501 Gambar 1. Introduction To Data Mining, AI, Big Data Kata Pengantar Data Mining mengalami pertumbuhan yang luar biasa, sebanding dengan kecepatan peningkatan ukuran data di era big data saat ini, dengan volume data yang sudah mencapai zettabyte (satu trilyun gigabyte). Pada banyak buku teks, artikel,makalah, dan beragam literatur lainnya, data mining digunakan untuk enam fungsi: klasifikasi (clasification), klasterisasi (clustering), regresi (regression), deteksi anomali (anomaly detection) pembelajaran aturan assosiasi (association rule learning) atau pemodelan kebergantungan (dependency modeling), dan perangkuman (summarization). Mengingat area yang sangat luas. 1.Pendahuluan Sebagai ilmu yang relatif baru, saat ini data Mining menjadi salah satu pusat perhatian para akademisi maupun praktisi. Beragam riset dan pengembangan Data Mining telah memberikan banyak produk yang berguna bagi masyarakat luas, walaupun ada sebagian masyarakat yang merasa dirugikan atau kurang nyaman dengan hadirnya Data Mining. Pada bab ini kita, Anda dan saya, akan mendiskusikan secara singkat mengenai pengertian, kegunaan, aplikasi, dan etika dalam Data Mining. Kita musti memahami semua itu secara benar sebelum membahas hal-hal yang lebih detail. 1.1 Apa Itu Data Mining? Cara pandang dan pengetahuan yang berbeda membuat para ahli memberikan definisi berbeda tentang Data Mining. Sebagian ahli menyatakan bahwa Data Mining adalah langkah analisis terhadap proses penemuan pengetahuan di dalam basis data atau knowledge discovery in database yang disingkat KDD
- 2. 2 (Fayyad et al. 1996). Pengetahuan bisa berupa pola data atau relasi antar data yang valid (yang tidak diketahui sebelumnya). Data Mining merupakan gabungan sejumlah disiplin ilmu komputer (ACM 2006), (Clifton 2010), yang didefinisikan sebagai proses penemuan pola-pola baru dari kumpulan- kumpulan data sangat besar, meliputi metode-metode yang merupakan irisan dari artificial inteligence, machine learning, statistic, dan database systems (ACM 2006). Data Mining ditujukan untuk mengekstrak (mengambil intisari) pengetahuan dari sekumpulan data sehingga didapatkan struktur yang dapat dimengerti manusia (ACM 2006) serta meliputi basis data dan managemen data prapemrosesan data, pertimbangan model dan inferensi, ukuran ketertarikan, pertimbangan kompleksitas, pasca pemrosesan terhadap struktur yang ditemukan, visualisasi, dan online updating (ACM 2006). 1.2 Mengapa Perlu Data Mining? Beberapa tahun terakhir, data semakin heterogen dan kompleks dengan volume yang meningkat cepat secara eksponensial. Menurut John Gantz dan David Reinsel dalam investigasi yang dilakukan di IDC, volume data pada tahun 2011 mencapai 1,8 zettabyte atau 1,8 trilyun gigabyte, pada tahun 2012 meningkat lebih dari 50% menjadi 2,8 zettabytes ( Gantz et al. 2012). Pada tahun 2013 volume data sudah menjadi 4,4 zettabytes dan akan terus meningkat dengan cepat hingga diperkirakan mencapai 44 zettabytes di tahun 2020 (Turner 2014). Oleh karena itu, saat ini dikenal dengan istilah Big data mempunyai empat karakteristik: berukuran sangat besar (high-volume), sangat bervariasi (high-variety), kecepatan pertumbuhan tinggi (high-velocity), dan dan sangat tidak jelas (high veracity). Namun, big data dapat dianalisis sehingga perusahaan dapat mengambil keputusan strategis bisnis dengan lebih baik. Dalam big data, tentu saja Anda akan kesulitan membaca dan mengetahui pola-pola dan relasi-relasi data jika dilakukan secara manual atau konvensional. Sebagai contoh, suatu perusahaan operator seluler dengan ratusan juta pelanggan, dalam setahun bisa menghasilkan milyaran data penggunaan komunikasi suara, SMS, dan internet. Dari milyaran data tersebut, bagaimana menemukan pola-pola pelanggan dalam menggunakan komunikasi suara, SMS, dan internet? Pola tersebut bisa dilihat dalam suatu periode tertentu, misalnya bulan, minggu, hari, bahkan jam. Bagaimana klasifikasi/segmentasi pelanggan? Bagaimana relasi antara komunikasi suara, SMS, dan internet? Bagaimana pola komunikasi antara pelanggan seluler di suatu operator dengan pelanggan operator lain? Semua pertanyaan tersebut tentu saja sulit di jawab jika analisis data dilakukan secara konvensional. Data Mining atau penambangan data adalah teknik yang relatif cepat dan mudah untuk menemukan pengetahuan, pola dan/atau relasi antar data, secara otomatis. Dengan menggabungkan empat disiplin ilmu komputer seperti pada definisi di atas, pengetahuan bisa ditemukan dalam lima proses berurutan: seleksi, prapemrosesan, transformasi, data mining, dan interpretasi/evaluasi (Fayyad et al. 1996). 1.3 Kegunaan Data Mining
- 3. 3 Secara umum, kegunaan Data Mining dapat dibagi menjadi dua: deskriptif dan prediktif. Deskriptif berarti data mining digunakan untuk mencari pola-pola yang dapat dipahami manusia yang menjelaskan karakteristik data. Sedangkan prediktif berarti data mining digunakan untuk membentuk sebuah model pengetahuan yang akan digunakan untuk melakukan prediksi. Berdasarkan fungsionalitasnya, tugas-tugas data mining bisa dikelompokkan ke dalam enam kelompok berikut ini (Fayyad et al. 1996): Klasifikasi (classificationi): men-generalisasi struktur yang diketahui untuk diaplikasikan pada data- data baru. Misalkan, klasifikasi penyakit ke dalam sejumlah jenis, klasifikasi email ke dalam spam atau bukan. Klasterisasi (clustering): mengelompokkan data, yang tidak diketahui label kelasnya, ke dalam sejumlah kelompok tertentu sesuai dengan ukuran kemiripannya. Regresi (regression): menemukan suatu fungsi yang memodelkan data dengan galat (kesalahan prediksi) seminimal mungkin. Deteksi anomali (anomaly detection): mengidentifikasi data yang tidak umum, bisa berupa outlier (pencilan), perubahan atau deviasi yang mungkin sangat penting dan perlu investigasi lebih lanjut. Pembelajaran aturan asosiasi (association rule learning) atau pemodelan kebergantungan (dependency modeling): mencari relasi antar variabel. Perangkuman (summarization): menyediakan representasi data yang lebih sederhana, meliputi visualisasi dan pembuatan laporan. 1.4 Aplikasi-aplikasi Data Mining Saat ini data mining banyak diaplikasikan pada berbagai bidang, seperti bisnis, seni dan hiburan, sains, dan teknik, jurnalistik, politik, dan lain-lain. Berikut ini sejumlah aplikasi yang dikelompokkan berdasarkan bidang-bidang tersebut. 1.4.1 Marketing dan Bisnis Pada suatu perusahaan, banyak proses bisnis dari hulu sampai hilir yang perlu didesain secara serius untuk mendapatkan benefit dan/atau profit yang maksimal dengan biaya pengeluaran yang seminimal mungkin. Misalkan, proses pemilihan vendor dan rekan bisnis yang paling baik, model promosi yang efektif dan tepat sasaran, proses mendeteksi kecurangan pelanggan sehingga perusahaan tidak mengalami kerugian besar, sistem CRM (customer relationship managemen) yang handal, dan banyak lagi yang lain. Beriokut ini beberapa contoh aplikasi data mining dalam bidang marketing dan bisnis secara luas: A. Market Basket Analysis Market basket analysis (analisis keranjang belanja) atau yang dikenal dengan association rule (aturan asosiasi) adalah salah satu konsep menarik dalam data mining yang berusaha menemukan asosiasi atau keterkaitan data. Diberi nama market basket analysis karena pada awal ditemukannya, konsep ini
- 4. 4 berkaitan dengan barang-barang yang berada di dalm keranjang belanjaan yang secara langsung menunjukkan tingakah laku konsumen saat berbelanja. Misalkan, 90 dari 100 konsumen yang membeli margarin, ternyata mereka juga membeli tepung. Hal ini berarti asosiasi antara margarin dan tepung sangatlah kuat, misalnya dinatakan dalam ukuran prosentase sebesar 90%. Konsep ini bisa digunakan untuk tujuan yang baik bagi pedagang maupun pelanggan, seperti menempatkan barang-barang yang memiliki asosiasi kuat di tempat yang berdekatan sehingga pelanggan lebih mudah menemukannya. Misalkan, margarin, tepung, dan gula diletakkan di posisi yang sangat berdekatan karena ketiganya memiliki asosiasi yang kuat. Tetapi, konsep ini bisa disalahgunakan untuk mencari keuntungan maksimal dan bahkan bisa membuat pelanggan merasa dirugikan. Misalkan membuat promosi berupa potongan harga untuk barang A, tetapi diam-diam menaikkan harga untuk barang B yang memiliki asosiasi sangat kuat dengan barang A. Maslah ini pernah muncul pada tahun 2001. Menjelang hari lebaran, ada seorang yang belanja bahan-bahan membuat kue di sebuah supermarket besar yang menawarkan potongan harga (diskon) hingga 30% untuk produk margarin. Tertarik dengan harga margarin yang sangat murah dan beramsumsi bahwa harga barang-barang lainnya pasti murah, dia membeli tepung dalam jumlah banyak. Keesokan harinya, dia pergi ke supermarket lain yang tidak menawarkan potongan harga. Dia terkejut ketika mengetahui harga tepung di situ 60% lebih murah dari pada di supermarket pertama. Setelah dikalkulasi, total harga margarin dan tepung secara keseluruhan lebih murah di supermarket yang tidak menawarkan potongan harga. Dia merasa terkecoh. Beberapa bulan kemudian dia baru tahu bahwa teknik penjualan dengan potongan harga pada supermarket pertama itu ternyata menggunakan konsep market basket atau association rule. Secara hukum, jual beli seperti di atas adalah sah karena konsumen dianggap sudah melihat dan merasa cocok denga label harga barang yang tertera. Pihak supermarket tentu saja merasa tidak bersalah dan justru menyalahkan konsumen yang tidak bersikap kritis dan teliti. Di sisi supermarket, promosi yang dibuat adalah sebuah strategi untuk mendapatkan keuntungan. Namun, di sisi konsumen, promosi yang dibuat supermarket tersebut bisa membuat mereka merasa terkecoh dan merasa dirugikan. Bagaimanapun, promosi yang jujur seperti “Margarin diskon 30% sedangkan tepung naik 40%” apakah mungkin dilakukan? Tentu saja tidak. Jadi, yang sebaiknya dilakukan konsumen adalah bersikap kritis, teliti, dan bijak dalam menilai segala bentuk promosi. B. Recomender System Ketika perusahaan harus memilih satu vendor atau rekan bisnis diantara banyak pilihan yang tersedia, diperlukan usaha dan biaya cukup besar untuk melakukan proses ini. Maslah ini bisa diselesaikan dengan mudah menggunakan recommender system (sistem perekomendasi). Sistem ini bisa dibangun menggunakan teknik perangkingan yang pada dsarnya menggunakan teknik klasifikasi atau klasterisasi. Hal lainnya adalah masalah pemilihan pegawai berdasarkan historinya. Misalkan, lulusan universitas
- 5. 5 mana yang sering kali menunjukkan performansi bagus. Sehingga perusahaan bisa memfokuskan rekrutasi dari lulusan sejumlah universitas tertentu saja. C. Churn Prediction Suatu perusahaan telekomunikasi seluler dengan jumlah pelanggan yang mencapai 100 juta orang perlu memprediksi pelanggan mana yang loyal dan tidak loyal sehingga bisa menentukan promosi yang tepat sasaran kepada setiap kategori pelanggan. Misalkan, jika terdapat 60% pelanggan yang diprediksi termasuk kategori tidak loyal dan mungkin berpindah (churn) ke operator lain, maka perusahaan ini bisa membuat promosi yang lebih menarik dan tepat supaya tidak kehilangan sangat banyak pelanggan. Promosi bisa difokuskan hanya untuk kategori pelanggan tersebut saja tanpa perlu promosi untuk kategori pelanggan yang loyal. Dengan demikian, biaya promosi bisa ditekan. Hal yang sama juga bisa dilakukan untuk perusahan lain yang bergerak dalam bisnis apapun. Lebih luas lagi, masalah ini digunakan untuk membangun sistem optimasi untuk CRM yang lebih lengkap dan menyeluruh. Sistem prediksi churn ini bisa dibangun menggunakan teknik klasifikasi atau klasterisasi. D. Fraud Detection Perusahaan telekomunikasi yang memiliki ratusan juta pelanggan akan menghasilkan basis data sangat besar,. Dari sekian ratus juta pelanggan, mungkin saja terdapat sejumlah kecil pelanggan yang melakukan kecurangan. Misalnya, tagihan telepon pelanggan pasca bayar biasanya dikisaran ratusan ribu rupiah per bulan dan dibayar secara lancar. Tetapi, beberapa bulan terakhir tagihannya mencapai puluhan juta rupiah per bulan. Pembayaran mulai tersendat, dan akhirnya tidak lagi membayar, sehingga perusahaan dirugikan. Mengingat jumlah pelanggan yang mencapai jutaan, sulit dideteksi pola tagihan pelanggan mana yang berpotensi melakukan kecurangan seperti di atas. Tetapi, dengan teknik data mining, masalah ini bisa diselesaikan dengan mudah yaitu dengan membangun fraud detection ( pendeteksi kecurangan). Sistem ini bisa dibangun menggunakan teknik anomaly detection. 1.4.2 Seni dan Hiburan Pada bidang seni musik, kita bisa membuat sistem klasifikasi yang secara otomatis mengelompokkan ribuan atau bahkan jutaan lagu ke dalam sejumlah genre atau mood (suasana hati). Hal ini bisa menghenmat banyak waktu dan biaya dalam proses pencarian serta dapat memudahkan pengguna dalam menetukan pilihan lagu. Untuk dunia hiburan, kita bisa membangun aplikasi untuk memberikan penilaian (rating), memprediksi nilai, atau bahkan merekomendasikan film. Dengan demikian, para penikmat film dapat lebih mudah menentukan pilihan film yang disukai. 1.4.3 Sains dan Teknik Saat ini, dunia sains dan teknik sangat banyak menggunakan teknik data mining untuk menyelesaikan permasalahan yang sangat kompleks, seperti genetika, medis , teknik elektri, dan sebagainya. Pada ilmu biologi, suatu masalah yang sangat dikenal adalah pencocokan susunan genetika manusia yang disebut dengan dioxiribo nucleic acid (DNA). Suatu teknik yang disebut sequence mining bisa membantu kita
- 6. 6 memahami pemetaan hubungan darah antar manusia. Metode data mining yang bisa digunakan adalah multifactor dimensionality reduction (Zhu et al. 2007). Data mining juga digunakan pada bidang teknik tenaga listrik. Beberapa masalah yang bisa diselesikan adalah bagaimana memonitor kondisi peralatan listrik tegangan tinggi, bagaimana memprediksi kebutuhan daya per hari, per mingu atau per bulan. Sehingga daya listrik yang diproduksi bisa sesuai dengan kebutuhan (Suyanto 2008). Selama ini, sistem prediksi beban listrik per jam yang berhasil dibuat memiliki rata-rata galat atau tingkat kesalahan cukup besar, di atas 10%. Jika galat ini bisa direduksi hingga di bawah 1%, maka perusahaan listrik bisa menghemat ribuan atau bahkan jtaan mega watt daya yang selama ini terbuang percuma karena biaya penyimpanan listrik ke dalam baterai memang sangat mahal. Teknik data mining yang bisa digunakan adalah klasterisasi dan prediksi. 1.4.4 Jurnalistik Mereka yang bekerja di bidang jurnalistik telah lama tertarik menggunakan data mining untuk penulisan artikel atau berita secara otomatis. Sejak tahun 2009 telah dikenal istilah Data-Driven Journalism (DDJ), suatu proses jurnalistik berbasis analisis dan penyaringan himpunan data berukuran besar untuk membuat atau mengangkat berita. Banyak aplikasi penulisan artikel otomatis telah dikembangkan. Jika Anda membuka Google dan mengetikkan kat kunci article generator, article creator, news generator, auto content generator, atau easy generator, maka Anda akan mendapati banyak situs yang menawarkan aplikasi penulisan artikel otomatis, seperti http://articlegenerator.org dan http://articoolo.com. Dengan aplikasi ini, Anda hanya perlu memasukkan kata-kata penting mengenai tema yang Anda inginkan, misal tentang kenaikan harga sembako, maka dalam hitungan satu hingga dua menit Anda akan mendapatkan sebuah artikel unik, yang belum pernah ditulis siapapun, tentang kenaikan harga sembako. Tentu saja, aplikasi tersebut bisa saja disalahgunakan untuk menghasilkan ribuan berita palsu (fake news) maupun berita bohong (hoax) yang sengaja disebarkan secara masif demi kepentingan tertentu. Oleh karena itu, beberapa kalangan mencemaskan hal ini. Namun, bagi kalangna lain yang pro data mining justru memiliki pemikiran sebaliknya. Mengapa tidak mengunakan data mining untuk membangun suatu aplikasi pendeteksi berita palsu maupun berita bohong? Mudah kok. Tidak sulit sama sekali. Anda hanya perlu teknik machine learning sederhana. Saat ini bahkan sudah banyak aplikasi pendeteksi berita palsu maupun berita bohong. Anda bisa mencarinya sendiri di Google, bukan? Selain aplikasi penulisan artikel otomatis dan pendeteksi berita palsu/bohong, data mining juga banyak digunakan untuk aplikasi peringkasan teks (text summarization). Pernahkah Anda membaca suatu berita yang di bagian akhirnya tercantum “Ditulis dari berbagai sumber”? Itu artinya Si Penulis membaca bamyak artikel lain, kemudian merangkum dan menulis sebuah artikel unik yang benar-benar baru, berbeda dari semua artikel yang dibacaya. Secara teknis, dalam data mining hal ini disebut multi- document text summarization.
- 7. 7 1.4.5 Politik Dunia politik telah lama menggunakan teknik-teknik data mining untuk menganalisis preferensi politik masyarakat dalam pemilu partai politik, pemilu legislatif, hingga pemilihan presiden. Dengan data mining, para konsultan politik dapat mengeksploitasi data-data pengguna media sosial. Mereka mnganalisis aktivitas jutaan pengguna media sosial untuk memetakkan sentimen dan dukungan rakyat pada calon presiden tertentu. Selain itu, mereka juga dapat melakukan klasifikasi dan klasterisasi data- data pribadi pengguna sehingga dapat merancang strategi dan membangun propaganda yang tepat untuk mempengaruhi persepsi pemilih. 1.5 Teknik-teknik Data Mining Sebagian kalangna kesulitan membedakan data mining dengan machine learning. Hal ini dapat dimaklumi mengingat kedua istilah tersebut memang memiliki tumpang tindih yang tinggi. Dalam banyak literatur, sebagian ahli mendefinisikan data mining sebagai sains yang menggunakan berbagai macam teknik, yang sebagian besar dipelajari dan ditemukan di bidang machine learning, untuk mengekstrak pola-pola penting dan berguna dari kumpulan-kumpulan data berukuran besar (big data). Dengan kata lain, pembelajaran mesin (machine learning) merupakan teknik-teknik yang mendukung dan paling banyak digunakan dalam penggalian data (data mining). Sementara itu, machine learning sring kali disebut-sebut secara berdampingan dengan istilah deep learning dan artificial inteligence. Hal ini juga wajar saja karena posisinya yang juga tumpang tindih. Kita bisa menggambarkan relasi data mining, big data, artificial inteligence, machine learning, dan deep learning secara sederhana dalam sebuah diagram pada gambar 1.5.1 berikut ini. Gambar 1.5.1 data mining, big data, artificial inteligence, machine learning, dan deep learning
- 8. 8 1.6 Etika Dalam Data Mining Data mining bisa memberikan dampak negatif maupun positif bergantung pada penggunaannya. Jika tidak memperhatikan etika pengguanaan data, khususnya yang berhubungan dengan data-data pribadi, maka data mining bisa berdampak negatif. Misalkan, klasterisasi pelanggan berdasarkan suku bangsa, agama, ras, golongan, usia, maupun gender bisa berujung pada masalah diskriminasi dan bisa merugikan suatu kelompok tertentu. Tetapi, ketika data mining digunakan untuk masalah medis yang harus membedakan gender atau usia tertentu, maka hal ini justru berefek positif. Misalkan, ada suatu jenis penyakit yang peluamhnya lebih besar diderita oleh kaum wanita atau oleh kelompok usia tertentu, maka sudah seharusnya pihak medis melakukan penanganan secara berbeda. 1.7 Latihan 1. Jelaskan dengan kalimat sendiri apa yang dimaksud dengan data mining? 2. Sebutkan konsep alur proses data mining! Jawaban: 1. Data mining adalah proses menemukan pola, hubungan, atau informasi yang berharga dalam kumpulan data yang besar dan kompleks. Ini melibatkan penggunaan berbagai teknik dan alat statistik, matematika, dan kecerdasan buatan untuk menganalisis data yang telah dikumpulkan dan disimpan dalam berbagai format. Tujuan utama dari data mining adalah untuk mengungkap wawasan atau pengetahuan yang dapat membantu pengambilan keputusan yang lebih baik dalam berbagai bidang, termasuk bisnis, ilmu pengetahuan, kesehatan, keuangan, dan lainnya. Beberapa teknik umum yang digunakan dalam data mining meliputi: 1. Clustering: Mengelompokkan data ke dalam kelompok-kelompok yang serupa berdasarkan karakteristik atau atribut tertentu. 2. Classification: Mengklasifikasikan data ke dalam kategori atau kelas yang telah ditentukan berdasarkan atribut yang ada. 3. Association Rule Mining: Mengidentifikasi hubungan atau asosiasi antara berbagai atribut dalam data. 4. Regression Analysis: Mengidentifikasi hubungan antara variabel dependen dan variabel independen dalam data. 5. Anomaly Detection: Mengidentifikasi data yang tidak biasa atau tidak sesuai dengan pola umum dalam dataset. 6. Text Mining: Menggali informasi dari data teks, seperti dokumen, tweet, atau laporan. Data mining sering digunakan dalam mendukung pengambilan keputusan strategis, peramalan, pemasaran berbasis data, deteksi fraud, analisis risiko, dan banyak aplikasi lainnya. Dengan
- 9. 9 berkembangnya teknologi dan ketersediaan data yang melimpah, data mining telah menjadi alat yang sangat penting dalam dunia bisnis dan penelitian. 2. Alur proses data mining melibatkan serangkaian langkah-langkah yang sistematis untuk mengidentifikasi pola atau informasi berharga dalam kumpulan data. Berikut adalah konsep alur proses data mining yang umum digunakan: 1. Pemahaman Masalah: Langkah awal dalam proses data mining adalah memahami masalah atau tujuan yang ingin dicapai. Ini melibatkan berbicara dengan pemangku kepentingan dan mengidentifikasi apa yang ingin dicapai dengan analisis data. 2. Pemahaman Data:Mengumpulkan data yang relevan untuk analisis. Ini melibatkan pemahaman terhadap sumber data, jenis data yang ada, dan kualitas data. 3. Eksplorasi Data (Data Exploration): Mengeksplorasi data untuk memahami pola dasar, statistik deskriptif, dan karakteristik umum. Tujuannya adalah mengidentifikasi potensi masalah dalam data seperti missing values atau outliers. 4. Pemilihan Data (Data Selection): Memilih subset data yang relevan untuk analisis lebih lanjut. Terkadang, tidak semua data dalam kumpulan data akan diperlukan untuk mencapai tujuan analisis. 5. Pemrosesan Data (Data Preprocessing): Membersihkan data dengan mengatasi masalah seperti data yang hilang, duplikasi, atau outlier. Ini juga mencakup normalisasi data jika diperlukan. 6. Pemilihan Model dan Teknik Data Mining: Memilih model atau teknik data mining yang paling sesuai untuk masalah yang ada. Ini tergantung pada tujuan analisis, tipe data, dan karakteristik masalah. 7. Transformasi Data: Melakukan transformasi pada data, jika diperlukan, untuk mempersiapkan data untuk analisis. Ini mungkin melibatkan konversi data kategoris menjadi data numerik atau pengurangan dimensi. 8. Penerapan Model Data Mining: Menerapkan teknik data mining yang dipilih pada data yang telah diproses untuk mengekstrak pola atau informasi yang relevan. 9. Evaluasi Model: Mengevaluasi kualitas model dengan metrik yang sesuai. Tujuan adalah memastikan model berfungsi dengan baik dalam mengungkap pola yang relevan dalam data. 10. Interpretasi Hasil: Menginterpretasikan hasil data mining untuk mendapatkan wawasan yang berharga dan mendukung pengambilan keputusan. 11. Integrasi dengan Bisnis atau Penelitian: Mengintegrasikan wawasan dari data mining ke dalam keputusan bisnis atau hasil penelitian. Ini adalah tahap akhir yang memungkinkan tindakan berdasarkan temuan. 12. Penyajian Hasil: Menyajikan hasil analisis data dalam format yang mudah dimengerti, seperti laporan, grafik, atau visualisasi.
- 10. 10 Setelah menyelesaikan alur proses data mining, langkah-langkah ini seringkali diulang dan ditingkatkan seiring dengan perkembangan pemahaman masalah dan data yang lebih baik. Data mining adalah proses iteratif yang memungkinkan organisasi untuk terus memperoleh wawasan baru dari data mereka. Terima kasih Referensi Suyanto, D. (2018). Data Mining Untuk Klasifikasi Dan Klasterisasi. Bandung: Informatika. Website https://www.slideshare.net/HendroGunawan8/data-mining-diskusi-1docx