Data Mining Outline BAB I Pendahuluan. Rules. Pendahuluan 9/9/2016. Who Am I? Manusia Memproduksi Data. Ricky Maulana Fajri

Ukuran: px

Mulai penontonan dengan halaman:

Download "Data Mining Outline BAB I Pendahuluan. Rules. Pendahuluan 9/9/2016. Who Am I? Manusia Memproduksi Data. Ricky Maulana Fajri"

Ridwan Lesmana
7 tahun lalu
Tontonan:

Systems, Data Mining Outline BAB I Pendahuluan BAB II Data BAB III Algoritma Klasifikasi BAB IV Algoritma BAB V Algoritma Asosiasi BAB VI Algoritma Estimasi BAB VII Deteksi Anomali BAB IX Text Mining

1 Who Am I? SDN146 Palembang (1997) SMPN 33 Palembang (2000) SMA 11 Palembang (2003) S.Kom, M.Sc and in Software Engineering from Ricky Maulana Fajri Universitas Bina Darma Palembang( ) University of Technology Sydney (2011) Research Interests: Software Engineering, Intelligent Systems, Data Mining Outline BAB I Pendahuluan BAB II Data BAB III Algoritma Klasifikasi BAB IV Algoritma BAB V Algoritma Asosiasi BAB VI Algoritma Estimasi BAB VII Deteksi Anomali BAB IX Text Mining Rules Rules 80 % attendance Dress code??? Task, Quis, Mid Term and Final is a must Goals Attendance 10 % Quis 10 % Task 10 % Mid Term 30 % Final 40 % Pendahuluan Jelaskan perbedaan antara data, informasi dan pengetahuan? Pengetahuan atau pola apa yang bisa kita dapatkan dari data dibawah? NIM Gender Nilai UN Asal Sekolah IPS1 IPS2 IPS3 IPS 4... Lulus Tepat Waktu L 28 SMAN Ya P 27 SMAN Tidak P 24 SMAN Tidak L 26.4 SMAN Ya L 23.4 SMAN Ya Manusia Memproduksi Data Manusia memproduksi beragam data yang jumlah dan ukurannya sangat besar Astronomi Bisnis Kedokteran Ekonomi Olahraga Cuaca Financial 6 1

Perubahan Kultur dan Perilaku Mengapa Data Mining? We are drowning in data, but starving for knowledge!

pengetahuan: 1. Data: fakta yang terekam dan tidak membawa arti 2.

extraction Pattern analysis Information harvesting Business intelligence 9 10 Apa Itu Data Mining?

2 Perubahan Kultur dan Perilaku Mengapa Data Mining? We are drowning in data, but starving for knowledge! (Insight, Big Data Trends for Media, 2015) 7 8 Apa itu Data Mining? Apa itu Data Mining? Disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan atau menemukan pola dari suatu data yang besar Ekstraksi dari data ke pengetahuan: 1. Data: fakta yang terekam dan tidak membawa arti 2. Pengetahuan: pola, rumus, aturan atau model yang muncul dari data Nama lain data mining: Knowledge Discovery in Database (KDD) Knowledge extraction Pattern analysis Information harvesting Business intelligence 9 10 Apa Itu Data Mining? Definisi Data Mining Melakukan ekstraksi untuk mendapatkan informasi penting yang sifatnya implisit dan sebelumnya tidak diketahui, dari suatu data (Witten et al., 2011) Himpunan Data Metode Data Mining Pengetahuan Kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola dan hubungan dalam set data berukuran besar (Santosa, 2007) Extraction of interesting (non trivial, implicit, previously unknown and potentially useful) patterns or knowledge from huge amount of data (Han et al., 2011)

NIP TGL DATANG PULANG 1103 02/12/2004 07:20 15:40 1142 02/12/2004 07:45 15:33 1156 02/12/2004 07:51 16:00

13 NIP 1103 22 Masuk Alpa Cuti 1142 18 2 2 1156 10 1 11 Sakit 1173 12 5 5 1180 10 12 Telat Informasi

Cepat Izin 3 0 0 1 4 Alpa 1 0 2 0 2 Kebijakan Kebijakan penataan jam kerja karyawan khusus untuk hari senin

dikompensasi ke hari lain Pola Kebiasaan Kehadiran Mingguan Pegawai 15 16 Data Mining pada Business

Making Data Presentation Visualization ation Techniques End User Business Analyst Pattern Recognition

Exploration Statistical Summary, Querying, and Reporting Data Preprocessing/Integration, Data Warehouses DBA

3 NIP TGL DATANG PULANG /12/ :20 15: /12/ :45 15: /12/ :51 16: /12/ :00 15: /12/ :01 16: /12/ :49 17:00 Data Kehadiran Pegawai 13 NIP Masuk Alpa Cuti Sakit Telat Informasi Akumulasi Bulanan Kehadiran Pegawai 14 Senin Selasa Rabu Kamis Jumat Terlambat Pulang Cepat Izin Alpa Kebijakan Kebijakan penataan jam kerja karyawan khusus untuk hari senin dan jumat Peraturan jam kerja: Hari Senin dimulai jam 10:00 Hari Jumat diakhiri jam 14:00 Sisa jam kerja dikompensasi ke hari lain Pola Kebiasaan Kehadiran Mingguan Pegawai Data Mining pada Business Intelligence Hubungan dengan Berbagai Bidang Increasing potential to support business decisions Decision Making Data Presentation Visualization ation Techniques End User Business Analyst Pattern Recognition Statistics Computing Algorithms Database Technology Data Mining Data Analyst Information Discovery Data Exploration Statistical Summary, Querying, and Reporting Data Preprocessing/Integration, Data Warehouses DBA Data Sources Paper, Files, Web documents, Scientific experiments, Database Systems Machine Learning Data Mining High Performance Computing

4 Masalah Masalah di Data Mining Tremendous amount of data Algorithms must be highly scalable to handle such as tera bytes of data High dimensionality of data Micro array may have tens of thousands of dimensions High complexity of data Data streams and sensor data Time series data, temporal data, sequence data Structure data, graphs, social networks and multi linked data Heterogeneous databases and legacy databases Spatial, spatiotemporal, multimedia, text and Web data Software programs, scientific simulations New and sophisticated applications Teknik Data Mining 1. Klasifikasi (Predictive) 2. (Descriptive) 3. Association Rule Discovery (Descriptive) 4. Sequential Pattern Discover (Descriptive) 5. Regression (Predictive) 6. DeviationDetection (Predictive) 19 Klasifikasi Menentukan sebuah record data baru ke salah satu dari beberapa kategori (atau klas) yang telah didefenisikan sebelumnya. Contoh Penjualan langsung Mengurangi cost surat menyurat dengan menentukan target sau set konsumen yang mempunyai kesamaan dalam membeli telepon selular baru. Klasifikasi Cont Gunakan data penjualan untuk suatu produk telepon selular Kita mengetahui pelanggan yang memutuskan untuk membeli dan yang memutuskan untuk tidak membeli Himpun bermacam demografi, gaya hidup dan company interaction sehubungan dengan informasi mengenai pelanggan tertentu. Gunakan inforamsi tersebut sebagai atribut input untuk mempelajari suatu model klasifikasi Mempartisi data set menjadibeberapa subset atau kelompok sedemikian rupa sehingga elemen elemen dari suatu kelompok teretentuk memilikiset properti yang dishare bersama dengan tingkat similartisa yang tinggi dalam satu kelompok dan tingkat similaritas antar kelompok yang rendah. Contoh Market Segmentation Membagi pasar kedalam sub set pelanggan yang berbeda, dimana satusub setmungkin sub set dapat dipilih sebagai target pasar yang dicapai dengan satu kombinasi pemasaran yang berbeda 4

5 Kumpulkan atribut dari pelanggan yang berbeda berdasarkan pada informasi tempat tinggal dan gaya hidup Tentukan klaster dari pelanggan pelanggan yang sama. Hitung kualitas klaster dengan mengobservasi pola gaya beli pelanggan pada klaster yang sama versus klaster yang berbeda Association Rules Mendeteksi kumpulan atribut atribut yang muncul bersamaan (Co Occur) dalam frekuensi yang sering, dan membentuk sejumlah kaidah dari kumpulan kumpulan tersebut. Contoh 90% orang yang berbelanja di suatu supermarket yang membeli roti juga membeli selai, dan 60 % dari semua orang yang berbelanja membeli keduanya. Summary Question Definisi Data, Informasi, Pengetahuan Definisi Data Mining Teknik dalam Data Mining 5

dokumen-dokumen yang mirip

DATA MINING. Pertemuan 2. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi

DATA MINING. Pertemuan 2. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 2 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2016 Mengapa Data Mining? Penumpukan data Minimnya pemanfaatan data