15015 2 konsep dasar data mining
0 likes766 views
Data mining melibatkan ekstraksi pola dan informasi penting dari basis data besar untuk menemukan pengetahuan tersembunyi. Hal ini dilakukan dengan memanfaatkan teknik-teknik dari berbagai disiplin ilmu seperti statistik, pembelajaran mesin, pengenalan pola dan algoritma untuk menganalisis data besar yang kompleks dari berbagai sumber. Contoh aplikasi data mining adalah memprediksi perilaku pelanggan bank untuk mengidentifikasi pelanggan pot
More Related Content
What's hot (20)
Similar to 15015 2 konsep dasar data mining (20)
More from Universitas Bina Darma Palembang (20)
Recently uploaded (6)
15015 2 konsep dasar data mining
- 2. KONSEP DASAR ï‚— Data? ï‚— Mining? ï‚— Data mining menyangkut database, kecerdasan buatan (artificial intelligence), statistik, dsb
- 3. DEFINISI ï‚— Data mining adalah ekstraksi informasi atau pola yang penting atau menarik dari data yang ada di database yang besar. ï‚— Data Mining = Knowledge Discovery in Databases (KDD)
- 5. MENGAPA DATA MINING? ï‚— Digitalisasi, kemajuan sistem informasi ï‚— Jumlah data yang semakin besar
- 6. KEBUTUHAN DATA MINING ï‚— Twitter: 8000an tweet per detik ïƒ 600 juta tweet per hari. ï‚— Facebook: 30 milyar item (link, status, note, foto dst) per bulan. 500 juta user menghabiskan 700 milyar menit per bulan di situs FB. ï‚— Indomaret: 4500an gerai, asumsikan 3 transaksi per menit = 12 juta transaksi per hari se Indonesia. ï‚— Kartu kredit visa: berlaku di 200 negara. 10 ribu transaksi per detik ïƒ 850 juta transaksi per hari.
- 7. KEUNTUNGAN ï‚— Perusahaan fokus ke informasi yg berharga di datawarehouse/databasenya. ï‚— Dapat meramalkan masa depan agar perusahaan dapat mempersiapkan diri
- 8. CONTOH Midwest grocery chain menggunakan DM untuk menganalisisi pola pembelian: saat pria membeli rokok di hari Kamis dan Sabtu, mereka juga membeli minuman. Analisis lebih lanjut: pembeli ini belanja di hari kamis dan sabtu, tapi di hari kamis jumlah item lebih sedikit. Kesimpulan yang diambil: pembeli membeli minuman untuk dihabiskan saat weekend. Tindak lanjut: menjual minuman dengan harga full di hari Kamis dan Sabtu. Mendekatkan posisi rokok dan minuman.
- 9. CONTOH APLIKASI ï‚— Bank me-mining transaksi customer untuk mengidentifikasi customer yang kemungkinan besar tertarik terhadap produk baru
- 11. DATA MINING: MULTI DISIPLIN ILMU Data Mining Teknologi DB Statistik Machine Learning Pattern Recognition Algoritma Ilmu Lain Visualisasi
- 12. Mengapa tidak analisis data biasa? ï‚— Jumlah data yang sangat besar Algoritma harus scalable untuk menangani data yang sangat besar (tera) ï‚— Dimensi yang sangat besar: ribuan field ï‚— Data Kompleks ï‚— Aliran data dan sensor ï‚— Data terstruktur, graph, social networdk, multi-linked data ï‚— Database dari berbagai sumber, database lama ï‚— Spasial (peta), multimedia, text, web
- 13. KLASIFIKASI SISTEM DATA MINING ï‚— Fungsi ï‚— Deskriptif ï‚— Prediktif ï‚— Sudut pandang: ï‚— Data : Jenis data yang akan ditambang ï‚— Pengetahuan view: Pengetahuan yang akan ditemukan ï‚— Teknik: Teknik yang akan digunakan ï‚— Aplikasi
- 14. Top-10 Algorithm di ICDM’06  #1: C4.5 (61 votes)  #2: K-Means (60 votes)  #3: SVM (58 votes)  #4: Apriori (52 votes)  #5: EM (48 votes)  #6: PageRank (46 votes)  #7: AdaBoost (45 votes)  #8: kNN (45 votes)  #9: Naive Bayes (45 votes)  #10: CART (34 votes)