Yudho datamining

Artikel Populer IlmuKomputer.Com
Copyright © 2003 IlmuKomputer.Com

Data Mining

Menggali Informasi yang Terpendam

Yudho Giri Sucahyo
sucahyoy@cs.curtin.edu.au

Lisensi Dokumen:
Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan
disebarkan secara bebas untuk tujuan bukan komersial (nonprofit), dengan syarat
tidak menghapus atau merubah atribut penulis dan pernyataan copyright yang
disertakan dalam setiap dokumen. Tidak diperbolehkan melakukan penulisan ulang,
kecuali mendapatkan ijin terlebih dahulu dari IlmuKomputer.Com.

Ketika saya mengikuti program orientasi mahasiswa baru pasca sarjana di Curtin University of
Technology, saya berkenalan dengan seorang mahasiswi asal Australia. Dia mengambil program
Master di bidang Jaringan Komputer dan telah menyandang gelar MCSE (Microsoft Certified
Systems Engineer). Dia lalu bertanya pada saya, “Apa topik penelitian Anda?”, saya menjawab.
“Data Mining”. Dia kemudian memberi komentar kepada saya, “Oh…. itu bagus sekali…. Anda
tepat sekali mengambil topik itu disini, karena kita punya pertambangan emas yang besar sekali di
Kalgoorlie (Kalgoorlie berada 600 km di sebelah timur Perth dan Curtin University mempunyai
cabang kampus disana)”.
Data Mining memang salah satu cabang ilmu komputer yang relatif baru. Dan sampai sekarang
orang masih memperdebatkan untuk menempatkan data mining di bidang ilmu mana, karena data
mining menyangkut database, kecerdasan buatan (artificial intelligence), statistik, dsb. Ada pihak
yang berpendapat bahwa data mining tidak lebih dari machine learning atau analisa statistik yang
berjalan di atas database. Namun pihak lain berpendapat bahwa database berperanan penting di
data mining karena data mining mengakses data yang ukurannya besar (bisa sampai terabyte) dan
disini terlihat peran penting database terutama dalam optimisasi query-nya.
Lalu apakah data mining itu? Apakah memang berhubungan erat dengan dunia pertambangan….
tambang emas, tambang timah, dsb. Definisi sederhana dari data mining adalah ekstraksi informasi
atau pola yang penting atau menarik dari data yang ada di database yang besar. Dalam jurnal ilmiah,
data mining juga dikenal dengan nama Knowledge Discovery in Databases (KDD).
Kehadiran data mining dilatar belakangi dengan problema data explosion yang dialami akhir-akhir
ini dimana banyak organisasi telah mengumpulkan data sekian tahun lamanya (data pembelian, data
penjualan, data nasabah, data transaksi dsb.). Hampir semua data tersebut dimasukkan dengan

1


menggunakan aplikasi komputer yang digunakan untuk menangani transaksi sehari-hari yang
kebanyakan adalah OLTP (On Line Transaction Processing). Bayangkan berapa transaksi yang
dimasukkan oleh hypermarket semacam Carrefour atau transaksi kartu kredit dari sebuah bank
dalam seharinya dan bayangkan betapa besarnya ukuran data mereka jika nanti telah berjalan
beberapa tahun. Pertanyaannya sekarang, apakah data tersebut akan dibiarkan menggunung, tidak
berguna lalu dibuang, ataukah kita dapat me-‘nambang’-nya untuk mencari ‘emas’, ‘berlian’ yaitu
informasi yang berguna untuk organisasi kita. Banyak diantara kita yang kebanjiran data tapi miskin
informasi.
Jika Anda mempunyai kartu kredit, sudah pasti Anda bakal sering menerima surat berisi brosur
penawaran barang atau jasa. Jika Bank pemberi kartu kredit Anda mempunyai 1.000.000 nasabah,
dan mengirimkan sebuah (hanya satu) penawaran dengan biaya pengiriman sebesar Rp. 1.000 per
buah maka biaya yang dihabiskan adalah Rp. 1 Milyar!! Jika Bank tersebut mengirimkan
penawaran sekali sebulan yang berarti 12x dalam setahun maka anggaran yang dikeluarkan per
tahunnya adalah Rp. 12 Milyar!! Dari dana Rp. 12 Milyar yang dikeluarkan, berapa persenkah
konsumen yang benar-benar membeli? Mungkin hanya 10 %-nya saja. Secara harfiah, berarti 90%
dari dana tersebut terbuang sia-sia.
Persoalan di atas merupakan salah satu persoalan yang dapat diatasi oleh data mining dari sekian
banyak potensi permasalahan yang ada. Data mining dapat menambang data transaksi belanja kartu
kredit untuk melihat manakah pembeli-pembeli yang memang potensial untuk membeli produk
tertentu. Mungkin tidak sampai presisi 10%, tapi bayangkan jika kita dapat menyaring 20% saja,
tentunya 80% dana dapat digunakan untuk hal lainnya.
Lalu apa beda data mining dengan data warehouse dan OLAP (On-line Analytical Processing)?
Secara singkat bisa dijawab bahwa teknologi yang ada di data warehouse dan OLAP dimanfaatkan
penuh untuk melakukan data mining. Gambar di bawah menunjukkan posisi masing-masing
teknologi:

Increasing potential
to support
business decisions

Making
Decisions
Data Presentation
Visualization Techniques
Data Mining
Information Discovery

End User

Business
Analyst
Data
Analyst

Data Exploration
Statistical Analysis, Querying and Reporting
Data Warehouses / Data Marts
OLAP, MDA
Data Sources
Paper, Files, Information Providers, Database Systems, OLTP

DBA

Gambar 1: Data mining dan teknologi database lainnya

2


Dari gambar di atas terlihat bahwa teknologi data warehouse digunakan untuk melakukan OLAP,
sedangkan data mining digunakan untuk melakukan information discovery yang informasinya lebih
ditujukan untuk seorang Data Analyst dan Business Analyst (dengan ditambah visualisasi tentunya).
Dalam prakteknya, data mining juga mengambil data dari data warehouse. Hanya saja aplikasi dari
data mining lebih khusus dan lebih spesifik dibandingkan OLAP mengingat database bukan satusatunya bidang ilmu yang mempengaruhi data mining, banyak lagi bidang ilmu yang turut
memperkaya data mining seperti: information science (ilmu informasi), high performance
computing, visualisasi, machine learning, statistik, neural networks (jaringan syaraf tiruan),
pemodelan matematika, information retrieval dan information extraction serta pengenalan pola.
Bahkan pengolahan citra (image processing) juga digunakan dalam rangka melakukan data mining
terhadap data image/spatial.
Dengan memadukan teknologi OLAP dengan data mining diharapkan pengguna dapat melakukan
hal-hal yang biasa dilakukan di OLAP seperti drilling/rolling untuk melihat data lebih dalam atau
lebih umum, pivoting, slicing dan dicing. Semua hal tersebut diharapkan nantinya dapat dilakukan
secara interaktif dan dilengkapi dengan visualisasi.
Data mining tidak hanya melakukan mining terhadap data transaksi saja. Penelitian di bidang data
mining saat ini sudah merambah ke sistem database lanjut seperti object oriented database,
image/spatial database, time-series data/temporal database, teks (dikenal dengan nama text
mining), web (dikenal dengan nama web mining) dan multimedia database.
Meskipun gaungnya mungkin tidak seramai seperti ketika Client/Server Database muncul, tetapi
industri-industri seperti IBM, Microsoft, SAS, SGI, dan SPSS terus gencar melakukan penelitianpenelitian di bidang data mining dan telah menghasilkan berbagai software untuk melakukan data
mining:
•

•
•
•
•

Intelligent Miner dari IBM. Berjalan di atas sistem operasi AIX, OS/390, OS/400, Solaris dan
Windows NT. Dijual dengan harga sekitar US$60.000. Selain untuk data IBM juga
mengeluarkan produk Intelligent Miner untuk teks. Web site:
www.software.ibm.com/data/iminer/fortext
www-4.inm.com/software/data/iminer/fordata/index.html
Microsoft juga telah menambahkan fasilitas data mining di Microsoft SQL Server 2000. Web
site: www.microsoft.com/sql/productinfo/feaover.htm
Enterprise Miner dari SAS. Berjalan di atas sistem operasi AIX/6000, CMS, Compaq Tru64
UNIX, HP-UX, IRIX, Intel ABI, MVS, OS/2, Open VMS Alpha, Open VMS Vax, Solaris, dan
Windows. Web site: www.sas.com
MineSet dari Silicon Graphics. Berjalan di atas sistem operasi Windows 9x/NT dan IRIX.
Dijual per seat seharga US$995, server (Windows NT) seharga US$35.000 dan untuk IRIX
dijual US$50.000. Web site: www.sgi.com/software/mineset
Clementine dari SPSS. Berjalan di atas sistem operasi UNIX dan Windows NT. Web site:
www.spss.com/software/clementine

Beberapa penelitian sekarang ini sedang dilakukan untuk memajukan data mining diantaranya
adalah peningkatan kinerja jika berurusan dengan data berukuran terabyte, visualisasi yang lebih
menarik untuk user, pengembangan bahasa query untuk data mining yang sedapat mungkin mirip
dengan SQL. Tujuannya tidak lain adalah agar end-user dapat melakukan data mining dengan
mudah dan cepat serta mendapatkan hasil yang akurat.

3

Yudho datamining

More Related Content

Similar to Yudho datamining (20)

Yudho datamining