Universitas Indonesia

Transkripsi

1 UNIVERSITAS INDONESIA DATA MINING & BUSINESS INTELLIGENCE PENERAPAN DATA MINING PADA EVALUASI PROGRAM STUDI BERDASARKAN EVALUASI DIRI (EPSBED) STUDI KASUS UNIVERSITAS BUDI LUHUR INDRA NPM : Magister Teknologi Informasi Universitas Indonesia Januari 2011

2 ABSTRAK Setiap satu semester program studi di suatu program studi diwajibkan untuk melakukan pelaporan kegiatan akademiknya kepada Departemen Pendidikan Tinggi (Dikti). Sebagai studi kasus pada penelitian ini adalah Universitas Budi Luhur. Pelaporan itu biasanya lebih dikenal dengan nama Evaluasi Program Studi Berdasarkan Evaluasi Diri (EPSBED). Hasil pelaporan EPSBED ini dijadikan prasyarat utama suatu program studi untuk memperpanjang ijin dan melakukan proses akreditasi. Untuk itulah EPSBED sangat penting peranannya pada suatu perguruan tinggi. Di dalam proses penyusunan pelaporan EPSBED, terdapat masalah yang sering terjadi yaitu adanya transaksi mahasiswa yang tidak wajar. Mahasiswa yang tergolong transaksi akademiknya tidak wajar tersebut akan di Drop Out(DO) atau dikeluarkan. Untuk meminimalisir jumlah DO tersebut perlunya dibuat suatu data mining untuk melihat pola data transaksi mahasiswa. Pola data mahasiswa ini nantinya digunakan sebagai acuan untuk melihat kategori mahasiswa yang akan di DO. Sehingga dapat diharapkan adanya suatu preventif dari pihak fakultas untuk meminimalisir jumlah DO tersebut. Kata kunci : perguruan tinggi, EPSBED, dikti, Drop Out, data mining. 4

3 DAFTAR ISI BAB I... 4 PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Penelitian Batasan Penelitian... 5 BAB II... 6 LANDASAN TEORI Data mining Data mining Teknik Pembuatan Data mining... 6 BAB III... 8 METODOLOGI PENELITIAN Data Preparation Data Exploration Tahap Analisis Menggunakan Metode Classification BAB IV PERANCANGAN DATA MINING Dasar Drop Out (DO) Data Preparation Pengolahan Data dengan Orange Data Validation Data Transformation Data Reduction Data Exploration Tahap Analisis dengan Metode Classification

4 BAB V PENUTUP Kesimpulan Saran Daftar Pustaka

5 DAFTAR GAMBAR Gb 2.1 Classification Tree... 7 Gb 4.1 Tabel TRAKM Gb 4.2. Widget File di Orange Gb 4.3 tabel trakm di Orange Gb 4.4 Alur Preprocess Gb 4.5. Konfigurasi Preprocess Gb 4.6 Hasil Preprocess Gb 4.7 Proses Outlier Gb 4.8 Proses Data Sampler Gb 4.9 Konfigurasi Data Sampler Gb 4.10 Hasil Data Sampler Gb 4.11 Proses Discretize Gb 4.12 Hasil Proses Diskrit Gb 4.13 Proses Attribute Statistic dan Distributions Gb 4.14 Hasil Widget Discretize Gb 4.15 Proses Classification Tree Gb 4.16 Hasil Classification Tree Graph... 24

6 BAB I PENDAHULUAN Pada bab ini akan dijelaskan tentang latar belakang, rumusan masalah, tujuan penelitian, batasan penelitian. Sebagai studi kasus dalam tugas matakuliah data mining dan business intelligence pada Universitas Budi Luhur. 1.1 Latar Belakang Universitas Budi Luhur sebagai salah satu perguruan tinggi swasta di Indonesia. Memiliki jumlah mahasiswa sekitar pada strata 1. Universitas Budi Luhur yang nantinya lebih dikenal dengan kata UBL memiliki lima fakultas. Sampai sekarang jumlah mahasiswa pun terus bertambah seiring bertambahnya jumlah mahasiswa baru yang baru masuk. Setiap semester, program studi diwajibkan untuk melaporkan kegiatan akademiknya kepada Departemen Pendidikan Tinggi (DIKTI). Pelaporan itu digunakan sebagai prasyarat untuk melakukan akreditasi dan memperpanjang perijinan setiap program studi tersebut. Pelaporan itu biasanya dikenal dengan kata EPSBED (Evaluasi Program Studi Berdasarkan Evaluasi Diri). Didalam penyusunan pelaporan EPSBED, permasalahan yang sering terjadi adalah adanya transaksi mahasiswa yang tidak wajar. Transaksi mahasiswa yang tidak wajar itu biasanya berupa jumlah sks mahasiswa yang tidak wajar, misal sudah 2 tahun kuliah sks masih < 48 sks atau nilai IPK mahasiswa yang tidak wajar seperti IPK mahasiswa dibawah nilai IPS mahasiswa. Bagi mahasiswa yang transaksi akademiknya tidak wajar inilah harus dilakukan DO (Drop out) atau dikeluarkan sebagai prasyarat dalam penyusunan pelaporan EPSBED sehingga diharapkan tidak terjadi lagi transaksi mahasiswa yang tidak wajar lagi. 1.2 Rumusan Masalah Dari permasalahan yang sering terjadi pada penyusunan pelaporan EPSBED adalah transaksi yang tidak wajar. Sehingga didapatkan suatu 4

7 pertanyaan dalam penelitian ini adalah Bagaimana menganalisa data transaksi Mahasiswa yang tidak wajar, untuk menentukan mahasiswa yang harus di DO?. 1.3 Tujuan Penelitian Tujuan akhir dari penelitian ini adalah untuk : 1. Merancang suatu data mining untuk membuat suatu pola data transaksi mahasiswa. 2. Dari pola tersebut digunakan untuk menentukan data mahasiswa yang harus di DO. 1.4 Batasan Penelitian Pembatasan masalah dalam penelitian ini meliputi : 1. Perancangan data mining untuk pengolahan transaksi mahasiswa untuk menentukan mahasiswa yang harus di DO. 5

8 BAB II LANDASAN TEORI Pada bab ini akan dijelaskan tentang konsep dasar dari data mining. Serta teknik yang dipakai untuk perancangan data mining. 2.1 Data mining Data mining adalah suatu teknologi terbaru yang dapat mengartikan (mining) data sehingga dapat digunakan untuk sebagai informasi untuk proses kebijakan dan prediksi di masa yang akan datang Data mining Data mining adalah suatu proses pencarian pengetahuan. Data mining dapat membantu kita memahami substansi dari data secara khusus yang tadinya tidak diketahui seperti pola-pola atau trend yang ada dalam data yang sebelumnya tidak pernah diketahui. (Conolly, 2005). Dengan data mining dapat didapatkan suatu pola tertentu dan prediksi untuk masa depan dalam pembuatan keputusan oleh pihak eksekutif Teknik Pembuatan Data mining Teknik yang dipakai dalam perancangan data mining pada penelitian ini adalah menggunakan metode Classification dengan menggunakan teknik Classification Tree. Classification adalah teknik Mining untuk metode ini digunakan untuk meniru kemampuan induksi otak manusia. Logika induksi adalah logika untuk menarik kesimpulan dari beberapa premis yang sudah ada. Kelebihan dengan metode ini adalah target atribut yang capai adalah atribut yang bertipe 6

9 diskrit, memprediksi pengelompokan dari suatu data. Isu yang berkembang dengan metode ini adalah akurasi, presisi dan loss function. Teknik dari metode ini adalah menggunakan Classification Tree. Didalam teknik ini menggunakan pendekatan induksi top-down. Pendeskripsian pertama biasanya masih general dan akan di detilkan dapa tree-tree selanjutnya. Untuk lebih jelasnya akan digambarkan seperti dibawah ini: Gb 2.1 Classification Tree 7

10 BAB III METODOLOGI PENELITIAN Metodologi yang digunakan dalam penelitian terbagi dalam beberapa tahap, tahapan dalam pengolahan data tersebut meliputi tiga tahap. Tahapan tersebut adalah Tahap Preparation, Tahap Exploration dan Tahap Analisis Data menggunakan teknik Classification. 3.1 Data Preparation Pada tahapan ini akan dilakukan tiga tahapan utama yaitu tahap validasi, tahap transformasi dan tahap reduksi. Untuk lebih jelasnya akan seperti dibawah ini: 1. Data Validation Pada tahapan ini digunakan untuk melakukan proses menghilangkan missing values data. Missing values dikategorikan kedalam tiga jenis yaitu data yang tidak lengkap, data yang tidak normal (outlier) dan data yang tidak konsisten. Output dari tahap ini adalah dihasilkannya data yang normal dan tidak memiliki Missing Values. 2. Data Transformation Pada tahapan ini dilakukan untuk meningkatkan keakuratan dan efisiensi dari penggunaan data mining. Tetapi teknik outlier juga termasuk dalam tahap transformasi data, karena didalam widget outlier terdapat komponen untuk pengukuran outlier dengan Z Index. Teknik yang digunakan penulis untuk mengolah data dalam tahap ini adalah menggunakan teknik Z-Index. Karena teknik Z-Index sudah terakomodir dalam fitur di Orange. Output dari tahap ini adalah menghasilkan data yang lebih akurat. 3. Data Reduction 8

11 Tahapan ini dilakukan untuk mengefisienkan algoritma yang digunakan tanpa mengurangi kualitas data yang dihasilkan sehingga kita perlu mereduksi data. Pada tahap ini penulis menggunakan metode Random Sampling (Sampel secara acak). dengan mengambil sampel 30 % dari keseluruhan data. Yaitu sekitar 8581 data. Output dari tahap ini adalah dihasilkan data sampel yang diambil sebesar 8581 record dari jumlah yang awal sebesar record. Data sampel tersebut akan diolah lebih lanjut ke tahap berikutnya. 3.2 Data Exploration Tujuan utama dalam tahapan ini adalah untuk menonjolkan fitur yang relevan pada setiap atribut, menggunakan metode grafikal dan menghitung data statistic dan mengindentifikasi hubungan antar atribut. Didalam tahapan ini untuk mencapai tujuan itu meliputi tiga fase yaitu unvariate analysis, bivariate analysis dan multivariate analysis. 4. Unvariate Analysis Pada tahap ini dijelaskan bagaimana menginvestigasi properties dari setiap atribut. Pada tahapan ini dapat dilakukan dengan menambahkan widget Attribute Statistic dan Distributions pada canvas 5. Bivariate Analysis Bivariate analisys digunakan untuk menganalisa hubungan antar atribut. Selain itu juga untuk menganalisa hubungan antara atribut dengan target variabel yang ditentukan.pada Orange widget yang biasanya dipakai untuk tahap ini adalah widget Scatter Plot dan widget Time Series. 3. Multivariate Analysis Untuk tahapan ini digunakan untuk menganalisa hubungan dari relasi antar atribut dan merupakan kelanjutan dari bivariate analysis. Pada uji coba kasus ini penulis baru menggunakan teknik Unvariate Analysis. Karena dari hasil ini bisa diketahui distribusi dan attribute statistic data mahasiswa.output dari tahap ini adalah dihasilkan pola distribusi data mahasiswa 9

12 yang di DO dan mahasiswa yang tidak di DO dengan widget Distribution serta data statistik tiap atribut dengan widget attribute statistic. 3.3 Tahap Analisis Menggunakan Metode Classification Pada tahap ini dilakukan untuk mengelompokan data mahasiswa yang di DO dengan mahasiswa yang tidak di DO. Output dari tahapan ini adalah berupa grafik classification tree. Grafik tersebut menggambarkan hasil pengelompokan data mahasiswa, sehingga dapat dijelaskan pola dari mahasiswa yang akan di DO. 10

13 BAB IV PERANCANGAN DATA MINING Pada bab ini akan dijelaskan Dasar Drop Out (DO), langkah-langkah perancangan dan penerapan data mining untuk dihasilkan suatu pola transaksi mahasiswa yang akan di DO. perancangan tersebut meliputi data preparation, data exploration dan tahap analisis menggunakan metode Classification. 4.1 Dasar Drop Out (DO) Dasar dalam menentukan mahasiswa berdasarkan aturan fakultas adalah : a. Lama studi mahasiswa pada 2 tahun pertama jumlah sks < 48 sks. b. Lama studi mahasiswa pada 4 tahun pertama jumlah sks < 96 sks. Berdasarkan aturan diatas maka penulis menambahkan atribut Kondisi yang berisi keteranga DO dan Tidak DO pada setiap record ditabel Transaksi aktivitas Mahasiswa (TRAKM). 4.2 Data Preparation Didalam tahapan ini akan dijelaskan tentang sumber data,pengolahan data dengan orange, data validation,data transformation dan data reduction Sumber Data Pada tahap ini dilakukan pengolahan data dari tabel TRAKM (Transaksi Aktivitas Mahasiswa) dalam bentuk file.tab-delimited, TRAKM berisi semua data transaksi mahasiswa semua program studi. Didalam tabel TRAKM berisi 11 atribut. Atribut tersebut dapat digambarkan pada gambar dibawah ini : 11

14 Gb 4.1 Tabel TRAKM Didalam tabel trakm diatas memiliki 12 (dua belas) atribut. Atribut tersebut adalah thsmstrakm (tahun semester trakm),kdptitrakm (kode perguruan tinggi trakm),kdpsttrakm (kode program studi trakm), kdjentrakm(kode jenjang trakm),nimhstrakm(nim mahasiswa trakm),nlipstrakm(nilai IPS mahasiswa trakm), skssemtrakm (total sks pada satu semester mahasiswa trakm), nlipktrakm (nilai ipk mahasiswa trakm), skstttrakm (total sks mahasiswa keseluruhan trakm), thmasuk(tahun Masuk mahasiswa), selang masa studi(lama studi mahasiswa) dan sedangkan atribut kondisi (DO atau Tidak DO) adalah hasil dari suatu kondisi dari atribut skstttrakm dan selang masa studi. Jumlah mahasiswa dari semua fakultas yang penulis dijadikan sampel adalah sebesar record. Data tersebut merupakan data dari semua program studi dari transaksi mahasiswa dari semua fakultas yang diambil dari tahun 2007 s.d

15 4.3 Pengolahan Data dengan Orange Atribut tersebut akan diolah lebih lanjut dalam Órange untuk dihasilkan suatu pattern atau pola data transaksi aktivitas mahasiswa. Tahapan selanjutnya adalah menyiapkan dan memasukan data trakm ke dalam Órange. Untuk menyiapkan file yang akan kita olah, tahapan pertama adalah menyiapan widget File dalam Orange. lalu klik 2 kali dan pilihlah tombol browse untuk memilih file trakm yang kita inginkan. Tahapan ini dapat digambarkan seperti dibawah ini : Gb 4.2. Widget File di Orange Pada gambar diatas terlihat jumlah data adalah record, dengan jumlah atribut 11. Untuk melihat isi file, tambahkan link yang menghubungkan widget File ke Data Tabel dengan melakukan drag mouse dari widget File ke Data. Untuk melihat isi dari file, tambahkan link yang menghubungkan widget file ke Data table, kemudian double klik mouse pada widget data table. Sehingga tertampil data trakm seperti dibawah ini : 13

16 Gb 4.3 tabel trakm di Orange Dari gambar diatas jumlah record adalah dan terdapat 183 sampel (0.6 % ) yang mengandung missing values, yaitu data data yang tidak terisi, yang direpresentasikan dengan tanda?. 4.4 Data Validation Pada penjelasan di point sudah ditemukan missing values pada data. Untuk menghilangkan missing values tersebut pada orange dapat dihilangkan dengan widget Preprocess dan Data Table (untuk melihat hasil eliminasi missing values) pada canvas, kemudian tambahkan link diantara dua widget tersebut seperti pada gambar dibawah ini : 14

17 Gb 4.4 Alur Preprocess Untuk melakukan konfigurasi dalam Preprocess dapat dilihat seperti gambar dibawah ini : Gb 4.5. Konfigurasi Preprocess Pilihlah preprocess Remove missing untuk mengeliminasi semua sampel yang mengandung missing values,lalu klik tombol Commit. Untuk 15

18 melihat hasil Preprocessing dapat diklik tabel tanpa missing values seperti gambar dibawah ini : Gb 4.6 Hasil Preprocess Pada gambar diatas data sudah tidak mengandung missing values dan berkurang menjadi record. 4.5 Data Transformation Data transformation dilakukan untuk meningkatkan akurasi dan efisiensi algoritma data mining yang digunakan. Outlier merupakan salah satu teknik transformasi data yang sering digunakan. Outlier adalah adanya suatu data yang tidak wajar (16nomaly) sehingga data tersebut harus dibetulkan atau dihilangkan. Untuk melakukan tahapan outlier dapat dilihat seperti dibawah ini : 16

19 Gb 4.7 Proses Outlier Didalam kasus ini, penulis melakukan uji coba untuk mendapatkan outlier dari data sampler. Setelah dipilih widget outlier, data akan kita tampilkan kedalam data tabel adalah data inlier. Data inlier adalah data selain dari data outlier atau data yang wajar (normal). 4.6 Data Reduction Setelah data dihilangkan dari missing values,tahapan berikutnya adalah kita akan mereduksi data yang lebih dikenal dengan kata data reduksi. Data reduksi dilakukan karena begitu banyaknya data mahasiswa dari record, sehingga untuk mengefisienkan algoritma yang digunakan tanpa mengurangi kualitas data yang dihasilkan maka kita perlu mereduksi data. Dalam melakukan data reduksi, tahapan yang dilakukan adalah dengan memilih widget Data Sampler pada Orange dan menghubungkannya dengan widget Preprocess. Data yang kita ambil 30% dari data asilnya yaitu sekitar 9000 record. Sedangkan teknik yang digunakan 17

20 adalah teknik Random Sampling artinya data diambil secara acak dari data yang asli. Untuk prosesnya dapat dilihat seperti gambar dibawah ini : Gb 4.8 Proses Data Sampler Jika kita mengklik widget data sampler 2x maka akan tertampil seperti dibawah ini : 18

21 Gb 4.9 Konfigurasi Data Sampler Dari widget diatas Sample Size adalah 30%, artinya ada sekitar 8581 data yang diolah untuk dijadikan sampel. Untuk menampilkan data setelah dilakukan data Sampler dapat diklik tabel inlier. Hasilnya dapat dilihat seperti gambar dibawah ini : Gb 4.10 Hasil Data Sampler Dari gambar diatas terlihat bahwa data sample yang dihasilkan 8581 record setelah direduksi 30 % dari data aslinya dan setelah dihilangkan outlier. Didalam tahapan selanjutnya adalah kita melakukan data diskrit untuk mengolah data yang fieldnya bertipe continuous atau terhadapa field tertentu yang dipilih oleh pengguna. Untuk mengolah data diskrit dapat memilih widget discretize, untuk lebih jelasnya dapat dilihat pada gambar dibawah ini : 19

22 Gb 4.11 Proses Discretize Untuk memilih data hasil pengolahan tabel diskrit dapat dilihat dengan mengklik tabel diskrit 2x dan akan tertampil seperti dibawah ini : Gb 4.12 Hasil Proses Diskrit 20

23 Dari tabel diskrit diatas jika kita klik dua kali akan terlihat bahwa data diatas untuk mahasiswa dengan keterangan DO dapat di prediksi dengan beberapa atribut diantaranya adalah selang masa studi > 2 tahun dan jumlah sks total adalah diantara 71 s.d. 95 sks. 4.7 Data Exploration Pada tahapan ini dilakukan untuk menonjolkan fungsi dari setiap atribut dan mengkalkulasinya secara statistik dan untuk mengidentifikasikan intensitas dari hubungan antar atribut. Didalam tahapan ini terdapat tiga tahapan penting yaitu : unvariate analysis, bivariate analysis dan multivariate analysis. Untuk lebih jelasnya akan dijelaskan seperti dibawah ini, pada tahap ini penulis baru bisa menguji coba menggunakan teknik Unvariate Analysis. Unvariate Analysis Pada tahap ini dijelaskan bagaimana menginvestigasi properties dari setiap atribut. Pada tahapan ini dapat dilakukan dengan menambahkan widget Attribute Statistic dan Distributions pada canvas. Untuk lebih jelasnya dapat dilihat seperti gambar dibawah ini : Gb 4.13 Proses Attribute Statistic dan Distributions 21

24 Untuk melihat peranan dari setiap atribut dapat dilihat dengan mengklik dua kali widget misal pada widget attribute statistic. Yang akan terlihat seperti pada gambar dibawah ini : Gb 4.14 Hasil Widget Discretize Dari gambar diatas terlihat bahwa misal pada atribut SKSTTRAKM (total sks trkam) untuk jumlah sks <=24 maka berjumlah 1755 dengan prosentase (20.5%). Kalau kita pilih atribut yang lain maka akan menampilkan values yang berbeda pula. 4.8 Tahap Analisis dengan Metode Classification Setelah kita melakukan analisis dari data sudah kita olah pada tahap Eksplorasi. Tahapan berikutnya adalah kita akan menganalisa data dengan metode Classification. Kenapa digunakan metode Classification, Karena digunakan untuk mengelompokan data mahasiswa yang di DO dan mahasiswa yang tidak di DO. Untuk pengolahnnya pada orange ini dapat digunakan widget Classification 22

25 Tree dan hasilnya nantinya akan ditampilkan pada Classification Tree Graph. Untuk lebih jelasnya dapat dilihat pada gambar dibawah ini : Gb 4.15 Proses Classification Tree Untuk mengetahui hasil Classification ini dapat dilihat dengan melakukan klik dua kali pada widget Classification Tree Graph. Hasilnya dapat dilihat seperti gambar dibawah ini : 23

26 Gb 4.16 Hasil Classification Tree Graph Dari gambar diatas telah dijelaskan ternyata dari data transaksi mahasiswa (trakm) didapatkan suatu pengelompokan data, pengelompokan data tersebut nantinya dijadikan suatu rules untuk menentukan mahasiswa mana yang akan di DO,mahasiswa yang tidak di DO dan memprediksi mahasiswa yang akan di DO untuk kedepannya. Rules untuk mahasiswa yang dapat terkena DO adalah: a. Nim Mahasiswa yang berada dibawah nim (nim mahasiswa baru), akan terkena DO Dengan kemungkinan 80.7 %. b. Nim mahasiswa diatas nim (nim mahasiswa baru) atau nim mahasiswa yang akan masuk yang akan datang, kemungkinan kecil akan terkena DO dengan prosentase 98.0%. 24

27 c. Mahasiswa dibawah nim dengan selang masa studi mahasiswa diatas 1.5 tahun, maka kemungkinan terkeno DO sangat besar dengan kemungkinan 96.2 %. d. Jika selang masa studi diatas 1.5 tahun dan jumlah total sks mahasiswa e. Total sks yang didapatkan pada selang waktu diatas 1.5 tahun dengan jumlah sks dibawah atau sama dengan 48 sks, maka kemungkinan DO mutlak dengan kemungkinan 100%.. 25

28 BAB V PENUTUP Didalam bab ini akan dijelaskan kesimpulan dan saran dari hasil penelitian ini yang menjadi hasil akhir dari penelitian ini. 5.1 Kesimpulan Didalam penelitian ini didapatkan suatu kesimpulan, yang nantinya dijadikan suatu pattern atau pola data mahasiswa yang akan di DO. Kesimpulan itu adalah : a. Nim Mahasiswa yang berada dibawah nim (nim mahasiswa baru), akan terkena DO Dengan kemungkinan 80.7 %. b. Nim mahasiswa diatas nim (nim mahasiswa baru) atau nim mahasiswa yang akan masuk di tahun yang akan datang, kemungkinan kecil akan terkena DO dengan prosentase 98.0%. c. Mahasiswa dibawah nim dengan selang masa studi mahasiswa diatas 1.5 tahun, maka kemungkinan terkeno DO sangat besar dengan kemungkinan 96.2 %. d. Jika selang masa studi mahasiswa diatas 1.5 tahun dan jumlah total sks mahasiswa e. Total sks yang didapatkan mahasiswa pada selang waktu diatas 1.5 tahun dengan jumlah sks dibawah atau sama dengan 48 sks, maka kemungkinan DO mutlak dengan kemungkinan 100% Saran Saran yang dapat digunakan untuk pihak fakultas dalam melakukan suatu tindakan preventif untuk meminimalisir mahasiswa yang akan di DO adalah : a. Dilakukan suatu preventif oleh pihak fakultas untuk meminimalisir jumlah mahasiswa yang akan di DO. 26

29 b. Perlu diwaspadai adalah mahasiswa yang sudah melakukan studi pada masa 1.5 tahun dan jumlah sks < = 48 sks untuk dilakukan pembinaan lebih mendalam agar terhindar dari DO. Daftar Pustaka [1] Chen,Ming-Syan,Han, Jiawei, & Yu, Philip S. Data mining : An Overview from a Database Perspective. IEEE TRANSACTION ON KNOWLEDGE AND DATA ENGINEERING : vol 8, No.6 [2] Inmon, W.H. Building The Data warehouse. New York : John Wiley and Sons Inc [3] Jiawei Han and Micheline Kamber. Data Mining : Concept and Techniques. Morgan Kaufmann Publishers.2006 [4] Khan, Danish. CAKE Classifying, Associating & Knowledge DiscovEry An Approach for Distributed Data mining (DDM) Using PArallel Data mining Agents (PADMAs). International Conference on Web Intelligence and Intelligent Agent Technology IEEE, [5] Tan PN, Steinbach, M Kumar,V. Introduction To Data mining. Addison Wesley [6] Thomas Connolly & Carolyn Begg, Database System : A Practical Approach to Design, Implementation and Management, Addison Wesly 4 th Edition [7] Vercellis,Carlo. Business intelligence: datamining and optimization for decision making. John Wiley and Sons Ltd [8] =55&lang=in 27