DATA MINING : RSITEKTUR & MODEL DATA MINING
- 1. ARSITEKTUR & MODEL DATA MINING Part 4
- 2. 1. Tingkat pertama adalah database tingkat di mana data dan metadata disiapkan dan disimpan. 2. Tingkat kedua disebut Data Mining Aplikasi dimana algoritma memproses data dan menyimpan hasilnya dalam database. 3. Tingkat ketiga adalah lapisan Front-End, yang memudahkan pengaturan parameter untuk Aplikasi Data Mining dan visualisasi hasil dalam bentuk ditafsirkan.
- 3. MODEL DATA MINING . Menggunakan beberapa variabel untuk memprediksi sesuatu atau suatu nilai yang akan datang Prediction Methods Description Methods Mendapatkan pola penafsiran (human- interpretable patterns) untuk menjelaskan data.
- 4. Prediksi Pemodelan Pemodelan prediktif adalah proses yang digunakan dalam analisis prediktif untuk membuat model statistik dari perilaku masa depan. Predictive analytics adalah bidang data mining yang bersangkutan dengan probabilitas peramalan dan tren. Sebuah model prediktif terdiri dari sejumlah prediksi, baik faktor variabel yang mungkin mempengaruhi perilaku masa depan atau hasil. Dalam pemasaran, misalnya, jenis kelamin pelanggan, usia, dan sejarah pembelian mungkin memprediksi kemungkinan penjualan masa depan. Pada pemodelan prediktif, data dikumpulkan untuk prediktor yang relevan, model statistik dirumuskan, prediksi yang dibuat dan model divalidasi (atau revisi) sebagai data tambahan telah tersedia. Model ini dapat menggunakan persamaan linier sederhana atau jaringan syaraf kompleks , dipetakan oleh perangkat lunak yang canggih. P emodelan prediktif digunakan secara luas dalam teknologi informasi. sistem penyaringan spam, misalnya, Dalam pemodelan prediktif kadang-kadang digunakan untuk mengidentifikasi kemungkinan bahwa pesan yang diberikan adalah spam.
- 5. clustering Klasifikasi Decision tree Asosiasition R ule Deskriptif Pemodelan 10/ 25/ 2020 P ASKAM AR T OH ASU G IAN
- 6. clustering adalah sebuah prosesuntuk mengelompokan data ke dalam beberapa cluster atau kelompok sehingga data dalam satuclustermemilikitingkat kemiripan yang maksimumdan data antar clustermemilikikemiripanyang minimum. Metode clustering juga harusdapat mengukurkemampuannyasendiridalam usaha untuk menemukan suatu pola tersembunyi pada data yang sedang diteliti. Terdapat berbagai metode yang dapat digunakan untuk mengukur nilai kesamaan antar objek-objek yang dibandingkan clustering Suatu metode clustering harus mampu menangani data dalam jumlah yang besar. Saat ini data dalam jumlahbesar sudah sangat umumdigunakan dalam berbagai bidang misalnyasaja suatudatabase. Tidak hanya berisi ratusan objek, suatudatabase dengan ukuranbesar bahkan berisi lebih dari jutaan objek. 10/ 25/ 2020 P ASKAM AR T OH ASU G IAN
- 7. Klasifikasi merupakan salah satu topik utama dalam data mining atau machine learning. Klasifikasi adalah suatu proses penyajian data dimana data yang digunakan tersebut mempunyai kelas label atau target. Klasifikasi bertujuan untuk mengklasifikasikan item data menjadi satu dari beberapa kelas standar. Sebagai contoh, suatu program email dapat mengklasifikasikan email yang sah dengan email spam. Beberapa algoritma klasifikasi antara lain pohon keputusan, nearest neighbor, nave bayes, neural networks dan support vector machines. Classification merupakan teknik mengklasifikasikan data. Perbedaannya dengan metode clustering terletak pada data, dimana pada clustering variabel dependen tidak ada, sedangkan pada classification diharuskan ada variabel dependen. Contoh algoritma yang menggunakan metode ini ID3 dan K Nearest Neighbors dan lainnya. 10/ 25/ 2020 P ASKAM AR T OH ASU G IAN
- 8. Decision tree Decision Tree (PohonKeputusan). Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat terkenal. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan Pohon keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Karena pohon keputusan memadukan antara eksplorasi data dan pemodelan, pohon keputusan sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain 10/ 25/ 2020 P ASKAM AR T OH ASU G IAN
- 9. Pembelajaran aturan asosiasi mencari hubungan antara variabel. Sebagai contoh suatu toko mengumpulkan data kebiasaan pelanggan dalam berbelanja. Ketika menggunakan pembelajaran aturan asosiasi, toko tersebut dapat menentuan produk yang sering dibeli bersamaan dan menggunakan informasi ini untuk tujuan pemasaran. Asosiasition Rule Association (Asosiasi) merupakan teknik dalam data mining yang mempelajari hubungan antar data. Contoh penggunaannya seperti untuk menganalisis perilaku mahasiswa yang datang terlambat. jika mahasiswa memiliki jadwal dengan dosen A dan B , maka mahasiswa akan datang terlambat. 10/ 25/ 2020 P ASKAM AR T OH ASU G IAN
- 10. 10/ 25/ 2020 P ASKAM AR T OH ASU G IAN SEKIAN DAN TERIMAKASIH