Proses Data Mining

Data Mining:
2. Proses Data Mining
1

8. Text Mining
7. Algoritma Estimasi dan Forecasting
6. Algoritma Asosiasi
5. Algoritma Klastering
4. Algoritma Klasifikasi
3. Persiapan Data
1. Pengantar Data Mining
2
Course Outline

Recap: Peran Utama Data Mining
3
1. Estimasi
2. Forecasting
3. Klasifikasi4. Klastering
5. Asosiasi

2.1 Proses Data Mining
2.2 Tool Aplikasi Data Mining
2.3 Penerapan Proses Data Mining (Dataset – Model)
2.4 Evaluasi dan Validasi terhadap Model yang Terbentuk
2.5 Proses Standard pada Data Mining (CRISP-DM)
4

1. Himpunan
Data
(Pemahaman dan
Pengolahan Data)
2. Metode
Data Mining
(Pilih Metode
Sesuai Karakter Data)
3. Pengetahuan
(Pola/Model/Rumus/
Tree/Rule/Cluster)
4. Evaluation
(Akurasi, AUC,
RMSE, Lift Ratio,…)
6
Proses Data Mining
DATA PRE-PROCESSING
Data Cleaning
Data Integration
Data Reduction
Data Transformation
Estimation
Prediction
Classification
Clustering
Association

• Atribut adalah faktor atau parameter yang menyebabkan
class/label/target terjadi
• Jenis dataset ada dua: Private dan Public
• Private Dataset: data set dapat diambil dari organisasi
yang kita jadikan obyek penelitian
• Bank, Rumah Sakit, Industri, Pabrik, Perusahaan Jasa, etc
• Public Dataset: data set dapat diambil dari repositori
pubik yang disepakati oleh para peneliti data mining
• UCI Repository (http://www.ics.uci.edu/~mlearn/MLRepository.html)
• ACM KDD Cup (http://www.sigkdd.org/kddcup/)
• PredictionIO (http://docs.prediction.io/datacollection/sample/)
• Trend penelitian data mining saat ini adalah menguji
metode yang dikembangkan oleh peneliti dengan public
dataset, sehingga penelitian dapat bersifat: comparable,
repeatable dan verifiable
7
1. Himpunan Data (Dataset)

Dataset (Himpunan Data)
8
Class/Label/Target
Attribute/Feature/Dimension
Nominal
Numerik
Record/
Object/
Sample/
Tuple

1. Estimation (Estimasi):
• Linear Regression, Neural Network, Support Vector Machine, etc
2. Prediction/Forecasting (Prediksi/Peramalan):
3. Classification (Klasifikasi):
• Naive Bayes, K-Nearest Neighbor, C4.5, ID3, CART, Linear Discriminant
Analysis, Logistic Regression, etc
4. Clustering (Klastering):
• K-Means, K-Medoids, Self-Organizing Map (SOM), Fuzzy C-Means, etc
5. Association (Asosiasi):
• FP-Growth, A Priori, Coefficient of Correlation, Chi Square, etc
9
2. Metode Data Mining (DM)

1. Formula/Function (Rumus atau Fungsi Regresi)
• WAKTU TEMPUH = 0.48 + 0.6 JARAK + 0.34 LAMPU + 0.2 PESANAN
2. Decision Tree (Pohon Keputusan)
3. Tingkat Korelasi
4. Rule (Aturan)
• IF ips3=2.8 THEN lulustepatwaktu
5. Cluster (Klaster)
10
3. Pengetahuan (Pola/Model)

1. Estimation:
• Error: Root Mean Square Error (RMSE), MSE, MAPE, etc
• Error: Root Mean Square Error (RMSE) , MSE, MAPE, etc
3. Classification:
• Confusion Matrix: Accuracy
• ROC Curve: Area Under Curve (AUC)
4. Clustering:
• Internal Evaluation: Davies–Bouldin index, Dunn index,
• External Evaluation: Rand measure, F-measure, Jaccard index,
Fowlkes–Mallows index, Confusion matrix
5. Association:
• Lift Charts: Lift Ratio
• Precision and Recall (F-measure)
11
4. Evaluasi (Akurasi, Error, etc)

1. 0.90 - 1.00 = excellent classification
2. 0.80 - 0.90 = good classification
3. 0.70 - 0.80 = fair classification
4. 0.60 - 0.70 = poor classification
5. 0.50 - 0.60 = failure
(Gorunescu, 2011)
12
Guide for Classifying the AUC

1. Akurasi
• Ukuran dari seberapa baik model mengkorelasikan antara hasil
dengan atribut dalam data yang telah disediakan
• Terdapat berbagai model akurasi, tetapi semua model akurasi
tergantung pada data yang digunakan
2. Kehandalan
• Ukuran di mana model data mining diterapkan pada dataset
yang berbeda
• Model data mining dapat diandalkan jika menghasilkan pola
umum yang sama terlepas dari data testing yang disediakan
3. Kegunaan
• Mencakup berbagai metrik yang mengukur apakah model
tersebut memberikan informasi yang berguna
13
Kriteria Evaluasi dan Validasi Model
Keseimbangan diantaranya ketiganya diperlukan karena belum tentu model
yang akurat adalah handal, dan yang handal atau akurat belum tentu berguna

2.2 Tool Aplikasi Data Mining
14

15
Magic Quadrant for Advanced
Analytics Platform (Gartner, 2015)

16
Magic Quadrant for Advanced
Analytics Platform (Gartner, 2016)

17
Big Data Analytics Solution 2015 (The Forrester Wave)

• Pengembangan dimulai pada 2001 oleh
Ralf Klinkenberg, Ingo Mierswa, dan Simon
Fischer di Artificial Intelligence Unit dari
University of Dortmund, ditulis dalam
bahasa Java
• Open source berlisensi AGPL (GNU Affero
General Public License) versi 3
• Meraih penghargaan sebagai software
data mining dan data analytics terbaik di
berbagai lembaga kajian, termasuk IDC,
Gartner, KDnuggets, dsb
18
Sejarah Rapidminer

• Menyediakan prosedur data mining dan
machine learning termasuk: ETL (extraction,
transformation, loading), data preprocessing,
visualisasi, modelling dan evaluasi
• Proses data mining tersusun atas operator-
operator yang nestable, dideskripsikan
dengan XML, dan dibuat dengan GUI
• Mengintegrasikan proyek data mining Weka
dan statistika R
19
Fitur Rapidminer

1. Atribut: karakteristik atau fitur dari
data yang menggambarkan sebuah
proses atau situasi
• ID, atribut biasa
2. Atribut target: atribut yang menjadi
tujuan untuk diisi oleh proses data
mining
• Label, cluster, weight
20
Atribut Pada Rapidminer

1. nominal: nilai secara kategori
2. binominal: nominal dua nilai
3. polynominal: nominal lebih dari dua nilai
4. numeric: nilai numerik secara umum
5. integer: bilangan bulat
6. real: bilangan nyata
7. text: teks bebas tanpa struktur
8. date_time: tanggal dan waktu
9. date: hanya tanggal
10. time: hanya waktu
21
Tipe Nilai Atribut pada Rapidminer

• Data menyebutkan obyek-obyek dari sebuah
konsep
• Ditunjukkan sebagai baris dari tabel
• Metadata menggambarkan karakteristik dari
konsep tersebut
• Ditunjukkan sebagai kolom dari tabel
• Dukungan Format data
• Oracle, IBM DB2, Microsoft SQL Server, MySQL,
PostgreSQL, Ingres, Excel, Access, SPSS, CSV files
dan berbagai format lain
22
Data dan Format Data

• Menjalankan RapidMiner untuk pertama kali, akan
menanyakan pembuatan repositori baru
• Repositori ini berfungsi sebagai lokasi penyimpanan
terpusat untuk data dan proses analisa kita
23
Repositori

24
Perspektif dan View
1. Perspektif Selamat Datang
(Welcome perspective)
2. Perspektif Desain
(Design perspective)
3. Perspektif Hasil
(Result perspective)

• Perspektif pusat di mana
semua proses analisa
dibuat dan dimanage
• Pindah ke Perspektif
Desain dengan:
• Klik tombol paling kiri
• Atau gunakan menu
View → Perspectives → Design
25
Perspektif Desain

• Process Control
Untuk mengontrol aliran proses, seperti loop atau
conditional branch
• Utility
Untuk mengelompokkan subprocess, juga macro
dan logger
• Repository Access
Untuk membaca dan menulis repositori
• Import
Untuk membaca data dari berbagai format
eksternal
• Export
Untuk menulis data ke berbagai format eksternal
• Data Transformation
Untuk transformasi data dan metadata
• Modelling
Untuk proses data mining yang sesungguhnya
seperti klasifikasi, regresi, clustering, aturan
asosiasi dll
• Evaluation
Untuk menghitung kualitas dan perfomansi dari
model
26
View Operator

Layanan untuk manajemen proses analisa, baik data,
metadata, proses maupun hasil
27
View Repositori

• Operator kadang memerlukan parameter untuk
bisa berfungsi
• Setelah operator dipilih di view Proses,
parameternya ditampilkan di view ini
29
View Parameter

• View Help menampilkan deskripsi dari operator
• View Comment menampilkan komentar yang dapat
diedit terhadap operator
30
View Help dan View Comment

• Proses data mining pada dasarnya adalah
proses analisa yang berisi alur kerja dari
komponen data mining
• Komponen dari proses ini disebut operator,
yang didefinisikan dengan:
1. Deskripsi input
2. Deskripsi output
3. Aksi yang dilakukan
4. Parameter yang diperlukan
32
Operator dan Proses

• Sebuah operator bisa disambungkan melalui port
masukan (kiri) dan port keluaran (kanan)
• Indikator status dari operator:
• Lampu status: merah (tak tersambung), kuning (lengkap
tetapi belum dijalankan), hijau (sudah behasil dijalankan)
• Segitiga warning: bila ada pesan status
• Breakpoint: bila ada breakpoint sebelum/sesudahnya
• Comment: bila ada komentar
• Subprocess: bila mempunyai subprocess
33
Operator dan Proses

 Pilih menu File → New
 Pilih repositori dan lokasi, lalu beri nama
34
Membuat Proses Baru

• Repositori terstruktur ke dalam proyek-proyek
• Masing-masing proyek terstruktur lagi ke dalam
data, processes, dan results
35
Struktur Repositori

Proses dapat dijalankan dengan:
• Menekan tombol Play
• Memilih menu Process → Run
• Menekan kunci F11
37
Menjalankan Proses

2.3 Penerapan Proses Data Mining
(Dataset – Model)
39

1. Himpunan
Data
(Pemahaman dan
Pengolahan Data)
2. Metode
Data Mining
(Pilih Metode
3. Pengetahuan
(Pola/Model/Rumus/
Tree/Rule/Cluster)
4. Evaluation
(Akurasi, AUC,
40
Proses Data Mining
DATA PRE-PROCESSING
Data Cleaning
Data Integration
Data Reduction
Data Transformation
Estimation
Prediction
Classification
Clustering
Association

• Instal Rapidminer versi 7
• Registrasi account di rapidminer.com, dan lakukan dapatkan lisensi
Educational Program untuk mengolah data tanpa batasan record
41
Instalasi dan Registrasi Lisensi Rapidminer

1. Lakukan training pada data golf (ambil
dari repositories rapidminer) dengan
menggunakan algoritma decision tree
2. Tampilkan himpunan data (dataset) dan
pengetahuan (model tree) yang
terbentuk
42
Latihan: Rekomendasi Main Golf

1. Lakukan training pada data Bunga Iris (ambil dari
repositories rapidminer) dengan menggunakan
algoritma decision tree
pengetahuan (model tree) yang terbentuk
53
Latihan: Penentuan Jenis Bunga Iris

54
Latihan: Klastering Jenis Bunga Iris
1. Lakukan training pada data Bunga Iris (ambil dari
algoritma k-Means
3. Tampilkan grafik dari cluster yang terbentuk

1. Lakukan training pada data Sonar (ambil dari
algoritma decision tree (C4.5)
55
Latihan: Penentuan Mine/Rock

1. Lakukan training pada data Contact Lenses (contact-
lenses.xls) dengan menggunakan algoritma decision
tree (http://romisatriawahono.net/lecture/dm/dataset/)
2. Gunakan operator Read Excel atau langsung
menggunakan fitur Add Data
3. Tampilkan himpunan data (dataset) dan pengetahuan
(model tree) yang terbentuk
56
Latihan: Rekomendasi Contact Lenses

1. Lakukan training pada data CPU (cpu.xls) dengan
menggunakan algoritma linear regression
pengetahuan (model regresi) yang terbentuk
3. Lakukan pengujian terhadap data baru (cpu-
testing.xls), untuk model yang dihasilkan dari
tahapan 1
57
Latihan: Estimasi Performance CPU

58
Rumus Performace dari Data CPU.xls
Performance CPU = 0.038 * MYCT
+ 0.017 * MMIN
+ 0.004 * MMAX
+ 0.603 * CACH
+ 1.291 * CHMIN
+ 0.906 * CHMAX
- 43.975
cpu-testing.xls
cpu.xls

1. Lakukan training pada data pemilu
(datapemilukpu.xls) dengan algoritma yang
tepat
2. Tentukan tipe data atribut dan class dari
“Import Configuration Wizard”
pengetahuan (pola/model) yang terbentuk
4. Gunakan model yang dihasilkan untuk
memprediksi datapemilukpu-testing.xls
59
Latihan: Prediksi Elektabilitas Caleg

60
Latihan: Aturan Asosiasi Data Transaksi
1. Lakukan training pada data transaksi
(transaksi.xlsx)
2. Pilih metode yang tepat supaya
menghasilkan pola

1. Lakukan training pada data konsumsi minyak
(HeatingOil.csv)
2. Pilih metode yang tepat supaya menghasilkan
model
3. Apply model yang dihasilkan ke data
pelanggan baru di file HeatingOil-Scoring.csv,
supaya kita bisa mengestimasi berapa
kebutuhan konsumsi minyak mereka, untuk
mengatur stok penjualan minyak
61
Latihan: Estimasi Konsumsi Minyak

1. Lakukan training pada data kanker
payudara (breasttissue.xls)
menghasilkan pola
62
Latihan: Deteksi Kanker Payudara

1. Lakukan training pada data serangan
jaringan (intrusion-training.xls)
menghasilkan pola
63
Latihan: Deteksi Serangan Jaringan

1. Lakukan training pada data resiko kredit
(CreditRisk.csv)
(http://romisatriawahono.net/lecture/dm/dataset/)
menghasilkan pola
64
Latihan: Klasifikasi Resiko Kredit

1. Lakukan training pada data Music Genre
(musicgenre-small.csv)
(http://romisatriawahono.net/lecture/dm/dataset/)
menghasilkan pola
65
Latihan: Klasifikasi Music Genre

1. Lakukan training pada data Harga Saham
(hargasaham-training.xls) dengan
menggunakan algoritma yang tepat
pengetahuan (model regresi) yang
terbentuk
3. Lakukan pengujian terhadap data baru
(hargasaham-testing.xls), untuk model
yang dihasilkan dari tahapan 1
4. Lakukan plot berupa grafik dari data yang
terbentuk dengan menggunakan Scatter
Multiple
66
Latihan: Forecasting Harga Saham

1. Dataset – Methods – Knowledge
1. Dataset Main Golf
2. Dataset Iris (Klasifikasi)
3. Dataset Iris (Klastering)
4. Dataset CPU
5. Dataset Credit Risk
6. Dataset Heating Oil
7. Dataset Transaksi
8. Dataset Harga Saham
9. Dataset Pemilu
68
Competency Check

• Download berbagai dataset yang ada di
http://romisatriawahono.net/lecture/dm/dataset/
• Gunakan rapidminer untuk mengolah
dataset tersebut sehingga menjadi
pengetahuan
• Pilih algoritma yang sesuai dengan jenis data
pada dataset
69
Tugas: Mencari dan Mengolah Dataset

1. Pahami dan kuasai satu metode data mining dari berbagai
literature:
1. Naïve Bayes 2. k Nearest Neighbor
3. k-Means 4. C4.5
5. Neural Network 6. Logistic Regression
7. FP Growth 8. Fuzzy C-Means
9. Self-Organizing Map 0. Support Vector Machine
2. Rangkumkan dengan detail dalam bentuk slide,
dengan format:
1. Definisi
2. Tahapan Algoritma (lengkap dengan formulanya)
3. Penerapan Tahapan Algoritma untuk Studi Kasus Dataset Main
Golf, Iris, Transaksi, CPU, dsb
(hitung manual (gunakan excel) dan tidak dengan menggunakan
rapidminer, harus sinkron dengan tahapan algoritma)
3. Presentasikan di depan kelas pada mata kuliah berikutnya
dengan bahasa manusia yang baik dan benar
70
Tugas: Menguasai Satu Metode DM

1. Kembangkan Java Code dari algoritma yang dipilih
2. Gunakan hanya 1 class (file) dan beri nama sesuai
nama algoritma, boleh membuat banyak method
dalam class tersebut
3. Buat account di Trello.Com dan register ke
https://trello.com/b/ZOwroEYg/course-assignment
4. Buat card dengan nama sendiri dan upload semua
file (pptx, xlsx, pdf, etc) laporan ke card tersebut
5. Deadline: sehari sebelum pertemuan berikutnya
71
Tugas: Kembangkan Code dari Algoritma DM

Algoritma k-Means
Format Template Tugas
72

• K-means adalah ..... (John, 2016)
73
Definisi

1. Siapkan dataset
2. Tentukan A dengan rumus A = x + y
3. Tentukan B dengan rumus B = d + e
4. Ulangi proses 1-2-3 sampai tidak ada perubahan
74
Tahapan Algoritma k-Means

• blablabla
76
2. Tentukan A

• blablabla
77
3. Tentukan B

• blablabla
79
4. Iterasi 2 ... dst

2.4 Evaluasi dan Validasi terhadap
Model yang Terbentuk
80

1. Himpunan
Data
(Pemahaman dan
Pengolahan Data)
2. Metode
Data Mining
(Pilih Metode
3. Pengetahuan
(Pola/Model/Rumus/
Tree/Rule/Cluster)
4. Evaluation
(Akurasi, AUC,
81
Proses Data Mining
DATA PRE-PROCESSING
Data Cleaning
Data Integration
Data Reduction
Data Transformation
Estimation
Prediction
Classification
Clustering
Association

1. Estimation:
3. Classification:
4. Clustering:
5. Association:
82
Evaluasi Data Mining

• Pembagian dataset:
• Dua bagian: data training dan data testing
• Tiga bagian: data training, data validation dan data testing
• Data training untuk pembentukan model, dan
data testing digunakan untuk pengujian model
• Pemisahan data training dan testing
1. Data dipisahkan secara manual
2. Data dipisahkan otomatis dengan operator Split Data
3. Data dipisahkan otomatis dengan X Validation
83
Pengujian Model Data Mining

85
Latihan: Penentuan Kelayakan Kredit
• Gunakan dataset di bawah:
• creditapproval-training.xls: untuk membuat model
• creditapproval-testing.xls: untuk menguji model
• Data di atas terpisah dengan perbandingan:
data testing (10%) dan data training (90%)
• Jadikan data training sebagai pembentuk
model/pola/knowledge, dan data testing untuk
pengujian model
• Ukur
performancenya

• pred MACET- true MACET: Jumlah data yang diprediksi
macet dan kenyataannya macet (TP)
• pred LANCAR-true LANCAR: Jumlah data yang diprediksi
lancar dan kenyataannya lancer (TN)
• pred MACET-true LANCAR: Jumlah data yang diprediksi
macet tapi kenyataannya lancer (FP)
• pred LANCAR-true MACET: Jumlah data yang diprediksi
lancar tapi kenyataanya macet (FN)
86
Confusion Matrix  Accuracy
Accuracy =
TP + TN
TP + TN + FP + FN
=
53 + 37
53 + 37 + 4 + 6
=
90
100
= 90%

Binary classification should be both sensitive and
specific as much as possible:
1. Sensitivity measures the proportion of true
’positives’ that are correctly identified (True
Positive Rate (TP Rate) or Recall)
2. Specificity measures the proportion of true
’negatives’ that are correctly identified (False
Negative Rate (FN Rate or Precision)
87
Sensitivity and Specificity

We need to know the probability that the classifier will
give the correct diagnosis, but the sensitivity and
specificity do not give us this information
• Positive Predictive Value (PPV) is the proportion of cases
with ’positive’ test results that are correctly diagnosed
• Negative Predictive Value (NPV) is the proportion of cases
with ’negative’ test results that are correctly diagnosed
88
PPV and NPV

• ROC curves are two-dimensional graphs in which the TP rate is
plotted on the Y-axis and the FP rate is plotted on the X-axis
• ROC curve depicts relative trade-offs between benefits (’true
positives’) and costs (’false positives’)
• Two types of ROC curves: discrete and continuous
89
Kurva ROC - AUC (Area Under Curve)

90
Kurva ROC - AUC (Area Under Curve)

1. 0.90 - 1.00 = excellent classification
2. 0.80 - 0.90 = good classification
3. 0.70 - 0.80 = fair classification
4. 0.60 - 0.70 = poor classification
5. 0.50 - 0.60 = failure
(Gorunescu, 2011)
91
Guide for Classifying the AUC

• intrusion-training.xls: untuk membuat model
• intrusion-testing.xls: untuk menguji model
pengujian model
• Ukur performance
(AUC dan Accuracy)
92
Latihan: Deteksi Serangan Jaringan

• hargasaham-training.xls: untuk membuat model
• hargasaham-testing.xls: untuk menguji model
pengujian model
• Ukur performance
93
Latihan: Prediksi Harga Saham

• The square root of the mean/average of the square of all of
the error
• The use of RMSE is very common and it makes an excellent
general purpose error metric for numerical predictions
• To construct the RMSE, we first need to determine the
residuals
• Residuals are the difference between the actual values and the
predicted values
• We denoted them by
• where is the observed value for the ith observation and
• is the predicted value
• They can be positive or negative as the predicted value under
or over estimates the actual value
• You then use the RMSE as a measure of the spread of the y
values about the predicted y value
95
Root Mean Square Error

2. Pemisahan Data Otomatis (Split Data)
96

• The Split Data operator takes a dataset as its input and
delivers the subsets of that dataset through its output
ports
• The sampling type parameter decides how the
examples should be shuffled in the resultant partitions:
1. Linear sampling: Linear sampling simply divides the
dataset into partitions without changing the order of
the examples
• Subsets with consecutive examples are created
2. Shuffled sampling: Shuffled sampling builds random
subsets of the dataset
• Examples are chosen randomly for making subsets
3. Stratified sampling: Stratified sampling builds random
subsets and ensures that the class distribution in the
subsets is the same as in the whole dataset
• In the case of a binominal classification, stratified sampling
builds random subsets so that each subset contains roughly the
same proportions of the two values of the label
97
Split Data Otomatis

1. Dataset: datakelulusanmahasiswa.xls
2. Pisahkan data menjadi dua secara otomatis
(Split Data): data testing (10%) dan data
training (90%)
3. Ujicoba parameter pemisahan data baik
menggunakan Linear Sampling, Shuffled
Sampling dan Stratified Sampling
4. Jadikan data training sebagai pembentuk
model/pola/knowledge, dan data testing
untuk pengujian model
5. Terapkan algoritma yang sesuai dan ukur
performance dari model yang dibentuk
99
Latihan: Prediksi Kelulusan Mahasiswa

1. Dataset: HeatingOil.csv
2. Pisahkan data menjadi dua secara otomatis
(Split Data): data testing (10%) dan data
training (90%)
3. Jadikan data training sebagai pembentuk
model/pola/knowledge, dan data testing
untuk pengujian model
4. Terapkan algoritma yang sesuai dan ukur
performance dari model yang dibentuk
100

3 Pemisahan Data Otomatis
(Cross-Validation)
101

• Metode cross-validation digunakan untuk
menghindari overlapping pada data testing
• Tahapan cross-validation:
1. Bagi data menjadi k subset yg berukuran sama
2. Gunakan setiap subset untuk data testing dan sisanya
untuk data training
• Disebut juga dengan k-fold cross-validation
• Seringkali subset dibuat stratified (bertingkat)
sebelum cross-validation dilakukan, karena
stratifikasi akan mengurangi variansi dari estimasi
102
Metode Cross-Validation

• Metode evaluasi standard: stratified 10-fold
cross-validation
• Mengapa 10? Hasil dari berbagai percobaan
yang ekstensif dan pembuktian teoritis,
menunjukkan bahwa 10-fold cross-validation
adalah pilihan terbaik untuk mendapatkan
hasil validasi yang akurat
• 10-fold cross-validation akan mengulang
pengujian sebanyak 10 kali dan hasil
pengukuran adalah nilai rata-rata dari 10 kali
pengujian
103
10 Fold Cross-Validation

Orange: k-subset (data testing)
104
10 Fold Cross-Validation
Eksperimen Dataset Akurasi
1 93%
2 91%
3 90%
4 93%
5 93%
6 91%
7 94%
8 93%
9 91%
10 90%
Akurasi Rata-Rata 92%

(datapemilukpu.xls)
2. Lakukan pengujian dengan menggunakan 10-fold X
Validation
3. Ukur performance-nya dengan confusion matrix dan
ROC Curve
4. Lakukan ujicoba, ubah algoritma menjadi Naive Bayes
dan k-NN, analisis mana algoritma yang
menghasilkan model yang lebih baik (akurasi tinggi)
105
C4.5
Accuracy 92.45%
AUC 0.851

1. Gunakan dataset harga saham
(hargasaham-training.xls) untuk membuat
model
2. Lakukan pengujian dengan menggunakan
10-fold X Validation
3. Ukur performance-nya dengan RMSE
106

Komparasi Algoritma Data Mining
107

1. Estimation (Estimasi):
3. Classification (Klasifikasi):
• Naive Bayes, K-Nearest Neighbor, C4.5, ID3, CART, Linear Discriminant
Analysis, Logistic Regression, etc
4. Clustering (Klastering):
• K-Means, K-Medoids, Self-Organizing Map (SOM), Fuzzy C-Means, etc
5. Association (Asosiasi):
• FP-Growth, A Priori, Coefficient of Correlation, Chi Square, etc
108
Metode Data Mining (DM)

(datapemilukpu.xls) dengan menggunakan
algoritma
1. Decision Tree (C4.5)
2. Naïve Bayes (NB)
3. K-Nearest Neighbor (K-NN)
2. Lakukan pengujian dengan menggunakan 10-fold
X Validation
109
C4.5 NB K-NN
Accuracy 92.45% 77.46% 88.72%
AUC 0.851 0.840 0.5

(datapemilukpu.xls) dengan menggunakan
algoritma C4.5, NB dan K-NN
2. Lakukan pengujian dengan menggunakan 10-fold
X Validation
3. Ukur performance-nya dengan confusion matrix
dan ROC Curve
4. Uji beda dengan t-Test untuk mendapatkan
model terbaik
111

• Komparasi Accuracy dan AUC
• Uji Beda (t-Test)
• Urutan model terbaik: 1. C4.5 2. NB 3. K-NN
113
Hasil Prediksi Elektabilitas Caleg
C4.5 NB K-NN
Accuracy 92.45% 77.46% 88.72%
AUC 0.851 0.840 0.5

1. Statistik Deskriptif
• Nilai mean (rata-rata), standar deviasi,
varians, data maksimal, data minimal, dsb
2. Statistik Inferensi
• Perkiraan dan estimasi
• Pengujian Hipotesis
114
Analisis Statistik

Penggunaan Parametrik Non Parametrik
Dua sampel saling
berhubungan
(Two Dependent samples)
T Test
Z Test
Sign test
Wilcoxon Signed-Rank
Mc Nemar Change test
Dua sampel tidak berhubungan
(Two Independent samples)
T Test
Z Test
Mann-Whitney U test
Moses Extreme reactions
Chi-Square test
Kolmogorov-Smirnov test
Walt-Wolfowitz runs
Beberapa sampel berhubungan
(Several Dependent Samples)
Friedman test
Kendall W test
Cochran’s Q
Beberapa sampel tidak
Berhubungan
(Several Independent Samples)
Anova test (F test) Kruskal-Wallis test
Chi-Square test
Median test
115
Statistik Inferensi

• Metode parametrik dapat dilakukan jika
beberapa persyaratan dipenuhi, yaitu:
• Sampel yang dianalisis haruslah berasal dari
populasi yang berdistribusi normal
• Jumlah data cukup banyak
• Jenis data yang dianalisis adalah biasanya
interval atau rasio
116
Metode Parametrik

• Metode ini dapat dipergunakan secara lebih luas,
karena tidak mengharuskan datanya berdistribusi
normal
• Dapat dipakai untuk data nominal dan ordinal sehingga
sangat berguna bagi para peneliti sosial untuk meneliti
perilaku konsumen, sikap manusia, dsb
• Cenderung lebih sederhana dibandingkan dengan metode
parametrik
• Selain keuntungannya, berikut kelemahan metode non
parametrik:
• Tidak adanya sistematika yang jelas seperti metode
parametrik
• Terlalu sederhana sehingga sering meragukan
• Memakai tabel-tabel yang lebih bervariasi dibandingkan
dengan tabel-tabel standar pada metode parametrik
117
Metode Non Parametrik

•Ho = tidak ada perbedaan signifikan
•Ha = ada perbedaan signifikan
alpha=0.05
Bila p < 0.05, maka Ho ditolak
•Contoh: kasus p=0.03, maka dapat
ditarik kesimpulan?
118
Interpretasi

1. Lakukan training pada data mahasiswa
(datakelulusanmahasiswa.xls) dengan
menggunakan C4.5, NB, K-NN dan LogR
10-fold X Validation
3. Uji beda dengan t-Test untuk mendapatkan
model terbaik
119
Latihan: Prediksi Kelulusan Mahasiswa

• Komparasi Accuracy dan AUC
• Uji Beda (t-Test)
• Urutan model terbaik: 1. C4.5 2. NB1 2.k-NN 2. LogR
120
Hasil Prediksi Kelulusan Mahasiswa
C4.5 NB K-NN LogR
Accuracy 91.55% 82.58% 83.63% 77.47%
AUC 0.909 0.894 0.5 0.721

1. Lakukan training pada data cpu (cpu.xls) dengan
menggunakan algoritma linear regression, neural
network dan support vector machine
2. Lakukan pengujian dengan XValidation
(numerical)
3. Ukur performance-nya dengan menggunakan
RMSE (Root Mean Square Error)
4. Urutan model terbaik: 1. LR 2. NN 3. SVM
121
Latihan: Estimasi Performance CPU
LR NN SVM
RMSE 57.707 61.276 101.559

1. Lakukan training pada data minyak pemanas
(HeatingOil.csv) dengan menggunakan algoritma
linear regression, neural network dan support
vector machine
2. Lakukan pengujian dengan XValidation
(numerical)
3. Ukur performance-nya dengan menggunakan
RMSE (Root Mean Square Error)
4. Urutan model terbaik: 1. 2. 3.
122
LR NN SVM
RMSE

1. Lakukan training pada data pemilu (datapemilukpu.xls)
dengan menggunakan algoritma Naive Bayes,
K-Nearest Neighbor, RandomForest, Logistic Regression
2. Lakukan pengujian dengan menggunakan XValidation
ROC Curve
4. Masukkan setiap hasil percobaan ke dalam file Excel
123
DT NB K-NN RF LR LDA
Accuracy 92.21% 76.89% 89.63%
AUC 0.851 0.826 0.5

1. Lakukan training pada data harga saham
(hargasaham-training.xls) dengan neural network,
linear regression, support vector machine
XValidation
ROC Curve
124
LR NN SVM
RMSE

1. Lakukan training pada data iris (ambil dari
algoritma clustering k-means
2. Gunakan pilihan nilai untuk k, isikan dengan 3, 4, 5,
6, 7
3. Ukur performance-nya dengan Cluster Distance
Performance, dari analisis Davies Bouldin Indeks
(DBI), tentukan nilai k yang paling optimal
125
Latihan: Klastering Jenis Bunga Iris
k=3 k=4 k=5 k=6 k=7
DBI 0.666 0.764 0.806 0.910 0.99

• The Davies–Bouldin index (DBI) (introduced by David L. Davies
and Donald W. Bouldin in 1979) is a metric for evaluating
clustering algorithms
• This is an internal evaluation scheme, where the validation of
how well the clustering has been done is made using quantities
and features inherent to the dataset
• As a function of the ratio of the within cluster scatter, to the
between cluster separation, a lower value will mean that the
clustering is better
• This affirms the idea that no cluster has to be similar to another,
and hence the best clustering scheme essentially minimizes the
Davies–Bouldin index
• This index thus defined is an average over all the i clusters, and
hence a good measure of deciding how many clusters actually
exists in the data is to plot it against the number of clusters it is
calculated over
• The number i for which this value is the lowest is a good measure
of the number of clusters the data could be ideally classified into
126
Davies–Bouldin index (DBI)

1. Estimation:
3. Classification:
4. Clustering:
5. Association:
127
Evaluasi Data Mining

1. Lakukan ujicoba terhadap semua dataset yang ada di
folder datasets, dengan menggunakan berbagai metode
data mining yang sesuai (estimasi, prediksi, klasifikasi,
clustering, association)
2. Kombinasikan pengujian dengan pemecahan data
training-testing, dan pengujian dengan menggunakan
metode X validation
3. Ukur performance dari model yang terbentuk dengan
menggunakan metode pengukuran sesuai dengan
metode data mining yang dipilih
4. Jelaskan secara mendetail tahapan ujicoba yang
dilakukan, kemudian lakukan analisis dan sintesis, dan
buat laporan dalam bentuk slide
5. Presentasikan di depan kelas
128
Tugas: Mengolah Semua Dataset

• Technical Paper:
• Judul: Application and Comparison of Classification
Techniques in Controlling Credit Risk
• Author: Lan Yu, Guoqing Chen, Andy Koronios, Shiwu
Zhu, and Xunhua Guo
• Download:
http://romisatriawahono.net/lecture/dm/paper/
• Baca dan pahami paper di atas dan jelaskan apa
yang dilakukan peneliti pada paper tersebut:
1. Object Penelitian
2. Masalah Penelitian
3. Tujuan Penelitian
4. Metode Penelitian
5. Hasil Penelitian
129
Tugas: Mereview Paper

• Judul: A Comparison Framework of Classification Models for
Software Defect Prediction
• Author: Romi Satria Wahono, Nanna Suryana Herman,
Sabrina Ahmad
• Publications: Adv. Sci. Lett. Vol. 20, No. 10-12, 2014
• Download: http://romisatriawahono.net/lecture/dm/paper
• Baca dan pahami paper di atas dan jelaskan apa yang
dilakukan peneliti pada paper tersebut:
5. Hasil Penelitian
130
Tugas: Mereview Paper

• Judul: An experimental comparison of classification
algorithms for imbalanced credit scoring data sets
• Author: Iain Brown and Christophe Mues
• Publications: Expert Systems with Applications 39 (2012)
3446–3453
• Download: http://romisatriawahono.net/lecture/dm/paper
• Baca dan pahami paper di atas dan jelaskan apa yang
dilakukan peneliti pada paper tersebut:
5. Hasil Penelitian
131
Tugas Mereview Paper

• Cari dataset yang ada di sekitar kita
• Lakukan penelitian berupa komparasi dari (minimal)
5 algoritma machine learning untuk memining
knowledge dari dataset tersebut
• Gunakan uji beda (baik parametrik dan non
parametric) untuk analisis dan pembuatan ranking
dari algoritma machine learning
• Tulis makalah tentang penelitian yang kita buat
• Contoh-contoh makalah komparasi ada di:
http://romisatriawahono.net/lecture/dm/paper/method%20comparison/
• Upload seluruh file laporan ke Card di Trello.Com
• Deadline: sehari sebelum mata kuliah berikutnya
132
Tugas: Menulis Paper Penelitian

• Ikuti template dan contoh paper dari:
http://journal.ilmukomputer.org
• Isi paper:
• Abstract: Harus berisi obyek-masalah-metode-hasil
• Introduction: Latar belakang masalah penelitian dan struktur paper
• Related Work: Penelitian yang berhubungan
• Theoretical Foundation: Landasan dari berbagai teori yang digunakan
• Proposed Method: Metode yang diusulkan
• Experimental Results: Hasil eksperimen
• Conclusion: Kesimpulan dan future works
133
Paper Formatting

1. Dataset – Methods – Knowledge
1. Dataset Main Golf
2. Dataset Harga Saham
3. Dataset Kelulusan Mahasiswa
4. Dataset Pemilu
5. Dataset Credit Risk
6. Dataset Heating Oil
7. Dataset Transaksi
2. Dataset – Methods – Knowledge – Evaluation
1. Manual
2. Data Split
3. Cross Validation
3. Methods Comparison
• Uji t-Test
4. Paper Reading
1. Lan Yu (t-Test)
2. Wahono (Friedman Test)
134
Competency Check

2.5 Proses Standard pada Data
Mining (CRISP-DM)
135

• A cross-industry standard was clearly
required that is industry neutral, tool-
neutral, and application-neutral
• The Cross-Industry Standard Process for Data
Mining (CRISP–DM) was developed in 1996
(Chapman, 2000)
• CRISP-DM provides a nonproprietary and
freely available standard process for fitting
data mining into the general problem-solving
strategy of a business or research unit
136
Data Mining Standard Process

• Enunciate the project objectives and
requirements clearly in terms of the business
or research unit as a whole
• Translate these goals and restrictions into
the formulation of a data mining problem
definition
• Prepare a preliminary strategy for achieving
these objectives
• Designing what you are going to build
138
1. Business Understanding

• Collect the data
• Use exploratory data analysis to familiarize
yourself with the data and discover initial
insights
• Evaluate the quality of the data
• If desired, select interesting subsets that may
contain actionable patterns
139
2. Data Understanding

• Prepare from the initial raw data the final
data set that is to be used for all subsequent
phases
• Select the cases and variables you want to
analyze and that are appropriate for your
analysis
• Perform data cleaning, integration, reduction
and transformation, so it is ready for the
modeling tools
140
3. Data Preparation

• Select and apply appropriate modeling
techniques
• Calibrate model settings to optimize results
• Remember that often, several different
techniques may be used for the same data
mining problem
• If necessary, loop back to the data
preparation phase to bring the form of the
data into line with the specific requirements
of a particular data mining technique
141
4. Modeling

• Evaluate the one or more models delivered in
the modeling phase for quality and
effectiveness before deploying them for use in
the field
• Determine whether the model in fact achieves
the objectives set for it in the first phase
• Establish whether some important facet of the
business or research problem has not been
accounted for sufficiently
• Come to a decision regarding use of the data
mining results
142
5. Evaluation

• Make use of the models created:
• model creation does not signify the completion of a
project
• Example of a simple deployment:
• Generate a report
• Example of a more complex deployment:
• Implement a parallel data mining process in another
department
• For businesses, the customer often carries
out the deployment based on your model
143
6. Deployment

Studi Kasus CRISP-DM
Heating Oil Consumption – Correlational Methods
(Matthew North, Data Mining for the Masses 2nd Edition, 2016,
Chapter 4 Correlational Methods, pp. 69-76)
Dataset: HeatingOil.csv
144

• Motivation:
• Sarah is a regional sales manager for a nationwide supplier of
fossil fuels for home heating
• She feels a need to understand the types of behaviors and
other factors that may influence the demand for heating oil in
the domestic market
• She recognizes that there are many factors that influence
heating oil consumption, and believes that by investigating
the relationship between a number of those factors, she will
be able to better monitor and respond to heating oil demand
• She has selected correlation as a way to model the
relationship between the factors she wishes to investigate.
Correlation is a statistical measure of how strong the
relationships are between attributes in a data set
• Objective:
• To investigate the relationship between a number of factors
that influence heating oil consumption
147

• In order to investigate her question, Sarah has enlisted our
help in creating a correlation matrix of six attributes
• Using employer’s data resources which are primarily drawn
from the company’s billing database, we create a data set
comprised of the following attributes:
1. Insulation: This is a density rating, ranging from one to ten,
indicating the thickness of each home’s insulation. A home
with a density rating of one is poorly insulated, while a home
with a density of ten has excellent insulation
2. Temperature: This is the average outdoor ambient
temperature at each home for the most recent year, measure
in degree Fahrenheit
3. Heating_Oil: This is the total number of units of heating oil
purchased by the owner of each home in the most recent year
4. Num_Occupants: This is the total number of occupants living
in each home
5. Avg_Age: This is the average age of those occupants
6. Home_Size: This is a rating, on a scale of one to eight, of the
home’s overall size. The higher the number, the larger the
home
148

Data set: HeatingOil.csv
149
3. Data Preparation

• Data set appears to be very clean with:
• No missing values in any of the six attributes
• No inconsistent data apparent in our ranges (Min-Max)
or other descriptive statistics
150
3. Data Preparation

• Hasil correlation matrix berupa tabel
• Semakin tinggi nilainya (semakin tebal warna
ungu), semakin tinggi tingkat korelasinya
152
4. Modeling

153
5. Evaluation
Positive
Correlation
Negative
Correlation

• Atribut (faktor) yang paling signifikan berpengaruh (hubungan positif)
pada konsumsi minyak pemanas (Heating Oil) adalah Average Age (Rata-
Rata Umur) penghuni rumah
• Atribut (faktor) kedua yang paling berpengaruh adalah Temperature
(hubungan negatif)
• Atribut (faktor) ketiga yang paling berpengaruh adalah Insulation
(hubungan positif)
• Atribut Home Size, pengaruhnya sangat kecil, sedangkan Num_Occupant
boleh dikatakan tidak ada pengaruh ke konsumsi minyak pemanas
154
5. Evaluation

• Grafik menunjukkan bahwa konsumsi minyak memiliki korelasi
positif dengan rata-rata usia
• Meskipun ada beberapa anomali juga terjadi:
1. Ada beberapa orang yang rata-rata usia tinggi, tapi kebutuhan
minyaknya rendah (warna biru muda di kolom kiri bagian atas)
2. Ada beberapa orang yang rata-rata usia rendah, tapi kebutuhan
minyaknya tinggi (warna merah di kolom kanan bagian bawah)155
5. Evaluation 1
2

1. Grafik menunjukkan hubungan antara temperature dan insulation, dengan warna adalah konsumsi minyak
(semakin merah kebutuhan minyak semakin tinggi)
2. Secara umum dapat dikatakan bahwa hubungan temperatur dengan insulation dan konsumsi minyak adalah
negatif. Jadi temperatur semakin rendah, kebutuhan minyak semakin tinggi (kolom kiri bagian atas) ditunjukkan
dengan banyak yang berwarna kuning dan merah
3. Insulation juga berhubungan negatif dengan temperatur, sehingga makin rendah temperatur, semakin butuh
insulation
4. Beberapa anomali terdapat pada Insulation yang rendah nilainya, ada beberapa yang masih memerlukan minyak
yang tinggi 156
5. Evaluation 2 dan 3
2 dan 3
4

1. Grafik tiga dimensi menunjukkan hubungan antara temperatur, rata-rata
usia dan insulation
2. Warna menunjukkan kebutuhan minyak, semakin memerah maka
semakin tinggi
3. Temperatur semakin tinggi semakin tidak butuh minyak (warna biru tua
4. Rata-rata usia dan insulation semakin tinggi semakin butuh minyak
157
5. Evaluation
4
2

Dropping the Num_Occupants attribute
• While the number of people living in a home might
logically seem like a variable that would influence
energy usage, in our model it did not correlate in any
significant way with anything else
• Sometimes there are attributes that don’t turn out to
be very interesting
158
6. Deployment

Adding additional attributes to the data set
• It turned out that the number of occupants in the
home didn’t correlate much with other attributes,
but that doesn’t mean that other attributes would
be equally uninteresting
• For example, what if Sarah had access to the
number of furnaces and/or boilers in each home?
• Home_size was slightly correlated with Heating_Oil
usage, so perhaps the number of instruments that
consume heating oil in each home would tell an
interesting story, or at least add to her insight
159
6. Deployment

Investigating the role of home insulation
• The Insulation rating attribute was fairly strongly
correlated with a number of other attributes
• There may be some opportunity there to partner
with a company that specializes in adding insulation
to existing homes
160
6. Deployment

Focusing the marketing efforts to the city with low
temperature and high average age of citizen
• The temperature attribute was fairly strongly negative
correlated with a heating oil consumption
• The average age attribute was strongest positive
correlated with a heating oil consumption
161
6. Deployment

Adding greater granularity in the data set
• This data set has yielded some interesting results, but it’s
pretty general
• We have used average yearly temperatures and total
annual number of heating oil units in this model
• But we also know that temperatures fluctuate
throughout the year in most areas of the world, and thus
monthly, or even weekly measures would not only be
likely to show more detailed results of demand and usage
over time, but the correlations between attributes would
probably be more interesting
• From our model, Sarah now knows how certain attributes
interact with one another, but in the day-to-day business
of doing her job, she’ll probably want to know about
usage over time periods shorter than one year
162
6. Deployment

Studi Kasus CRISP-DM
Heating Oil Consumption – Linear Regression
(Matthew North, Data Mining for the Masses 2nd Edition, 2016,
Chapter 8 Linear Regression, pp. 159-171)
Dataset: HeatingOil.csv
Dataset: HeatingOil-scoring.csv
http://romisatriawahono.net/lecture/dm/dataset/
163

• Business is booming, her sales team is signing up
thousands of new clients, and she wants to be sure the
company will be able to meet this new level of demand
• Sarah’s new data mining objective is pretty clear: she
wants to anticipate demand for a consumable product
• We will use a linear regression model to help her with
her desired predictions. She has data, 1,218
observations that give an attribute profile for each
home, along with those homes’ annual heating oil
consumption
• She wants to use this data set as training data to
predict the usage that 42,650 new clients will bring to
her company
• She knows that these new clients’ homes are similar in
nature to her existing client base, so the existing
customers’ usage behavior should serve as a solid
gauge for predicting future usage by new customers
166

• Sarah has assembled separate Comma Separated Values file
containing all of these same attributes, for her 42,650 new
clients
• She has provided this data set to us to use as the scoring
data set in our model
• Data set comprised of the following attributes:
• Insulation: This is a density rating, ranging from one to ten,
indicating the thickness of each home’s insulation. A home with
a density rating of one is poorly insulated, while a home with a
density of ten has excellent insulation
• Temperature: This is the average outdoor ambient temperature
at each home for the most recent year, measure in degree
Fahrenheit
• Heating_Oil: This is the total number of units of heating oil
purchased by the owner of each home in the most recent year
• Num_Occupants: This is the total number of occupants living in
each home
• Avg_Age: This is the average age of those occupants
• Home_Size: This is a rating, on a scale of one to eight, of the
home’s overall size. The higher the number, the larger the home
167

• Filter Examples: attribute value filter or custom filter
• Avg_Age>=15.1
• Avg_Age<=72.2
• Deleted Records= 42650-42042 = 508
168
3. Data Preparation

• Karena bantuan data mining sebelumnya, Sarah akhirnya mendapatkan
promosi menjadi VP marketing, yang mengelola ratusan marketer
• Sarah ingin para marketer dapat memprediksi pelanggan potensial
mereka masing-masing secara mandiri. Masalahnya, data
HeatingOil.csv hanya boleh diakses oleh level VP (Sarah), dan tidak
diperbolehkan diakses oleh marketer secara langsung
• Sarah ingin masing-masing marketer membuat proses yang dapat
mengestimasi kebutuhan konsumsi minyak dari client yang mereka
approach, dengan menggunakan model yang sebelumnya dihasilkan
oleh Sarah, meskipun tanpa mengakses data training (HeatingOil.csv)
• Asumsikan bahwa data HeatingOil-Marketing.csv adalah data calon
pelanggan yang berhasil di approach oleh salah satu marketingnya
• Yang harus dilakukan Sarah adalah membuat proses untuk:
1. Mengkomparasi algoritma yang menghasilkan model yang memiliki akurasi
tertinggi (LR, NN, SVM), gunakan 10 Fold X Validation
2. Menyimpan model ke dalam suatu file (operator Write Model)
• Yang harus dilakukan Marketer adalah membuat proses untuk:
1. Membaca model yang dihasilkan Sarah (operator Read Model)
2. Menerapkannya di data HeatingOil-Marketing.csv yang mereka miliki
• Mari kita bantu Sarah dan Marketer membuat dua proses tersebut
173
Latihan

174
Proses Komparasi Algoritma (Sarah)

175
Proses Pengujian Data (Marketer)

• Pahami dan lakukan eksperimen berdasarkan
seluruh studi kasus yang ada di buku Data
Mining for the Masses (Matthew North)
• Pahami bahwa metode CRISP-DM membantu
kita memahami penggunaan metode data
mining yang lebih sesuai dengan kebutuhan
organisasi
176
Latihan

• Analisis masalah dan kebutuhan yang ada di organisasi
lingkungan sekitar anda
• Kumpulkan dan review dataset yang tersedia, dan
hubungkan masalah dan kebutuhan tadi dengan data
yang tersedia (analisis dari 5 peran data mining). Bila
memungkinkan pilih beberapa peran untuk mengolah
data tersebut, misalnya: lakukan association (analisis
faktor), sekaligus estimation.
• Lakukan proses menggunakan CRISP-DM untuk
menyelesaikan masalah yang ada di organisasi anda
sesuai dengan data yang didapatkan
• Pada proses data preparation, lakukan data cleaning (replace
missing value, replace, filter attribute) sehingga data siap
dimodelkan
• Lakukan juga komparasi algoritma untuk memilih algoritma
terbaik
• Rangkumkan dalam bentuk slide (lihat contoh di slide
romi-dm-02-proses)
177
Tugas

1. Jiawei Han and Micheline Kamber, Data Mining: Concepts and
Techniques Third Edition, Elsevier, 2012
2. Ian H. Witten, Frank Eibe, Mark A. Hall, Data mining: Practical
Machine Learning Tools and Techniques 3rd Edition, Elsevier, 2011
3. Markus Hofmann and Ralf Klinkenberg, RapidMiner: Data Mining
Use Cases and Business Analytics Applications, CRC Press Taylor &
Francis Group, 2014
4. Daniel T. Larose, Discovering Knowledge in Data: an Introduction
to Data Mining, John Wiley & Sons, 2005
5. Ethem Alpaydin, Introduction to Machine Learning, 3rd ed., MIT
Press, 2014
6. Florin Gorunescu, Data Mining: Concepts, Models and
Techniques, Springer, 2011
7. Oded Maimon and Lior Rokach, Data Mining and Knowledge
Discovery Handbook Second Edition, Springer, 2010
8. Warren Liao and Evangelos Triantaphyllou (eds.), Recent Advances
in Data Mining of Enterprise Data: Algorithms and Applications,
World Scientific, 2007
178
Referensi

Proses Data Mining

More Related Content

What's hot (20)

Similar to Proses Data Mining (20)

More from dedidarwis (20)

Proses Data Mining