More Related Content
What's hot (20)
Viewers also liked (9)
Similar to Data mining week 1 - pengantar data mining (20)
Data mining week 1 - pengantar data mining
- 1. Data Mining Week 1: Pengantar Data Mining
- 2. MATERI PERKULIAHANMATERI PERKULIAHAN INTRODUCTION DATA WAREHOUSE DATA PREPROCESSING FUNGSI MINOR FUNGSI DESKRIPSI FUNGSI ESTIMASI FUNGSI PREDIKSI FUNGSI MAYOR FUNGSI KLASIFIKASI FUNGSI PENGELOMPOKAN FUNGSI ASOSIASI PENERAPAN DATA MINING DALAM MATLAB INTRODUCTION DATA WAREHOUSE DATA PREPROCESSING FUNGSI MINOR FUNGSI DESKRIPSI FUNGSI ESTIMASI FUNGSI PREDIKSI FUNGSI MAYOR FUNGSI KLASIFIKASI FUNGSI PENGELOMPOKAN FUNGSI ASOSIASI PENERAPAN DATA MINING DALAM MATLAB
- 3. Pengantar Data Mining Mengapa ada data mining? Apa itu data mining? Data apa saja yang diproses dalam data mining? Fungsi data mining Model & fungsi dari data mining 10 algoritma data mining yang paling umum Aplikasi data mining
- 4. Mengapa Data Mining: Banjir Data Twitter: 8000an tweet per detik 600 juta tweet per hari. Facebook: 30 milyar item (link, status, note, foto dst) per bulan. 500 juta user menghabiskan 700 milyar menit per bulan di situs FB. Indomaret: 4500an gerai, asumsikan 3 transaksi per menit = 12 juta transaksi per hari se Indonesia. Kartu kredit visa: berlaku di 200 negara. 10 ribu transaksi per detik 850 juta transaksi per hari.
- 5. Mengapa Datamining? We are drowning in INFORMATION, but starving in KNOWLEDGE. - John Naisbitt - We are drowning in INFORMATION, but starving in KNOWLEDGE. - John Naisbitt -
- 6. Mengapa data mining? Digitalisasi, kemajuan sistem informasi data, data, data (Tera Peta) Web berita, blog, twitter, forum, flickr, fb, youtube Streaming data twitter, sensor (satelit) DATA MINING DATA MINING
- 7. Evolusi DB 60-an: koleksi data (file system primitif) 70-80: MIS (Sistem Informasi Management) 80-sekarang: OO, Spatial, Multimedia 90-sekarang: Web based (XML, web mining), Datawarehouse, OLAP, Text Database, Text + Data mining 05-sekarang: Stream data management and mining, Cloud, Web
- 8. Apa Data Mining? Data mining (pencarian pengetahuan dari data) Mengekstrak secara otomatis pola atau pengetahuan yang menarik (tidak sederhana, tersembunyi, tidak diketahui sebelumnya, berpotensi berguna) dari data dalam jumlah sangat besar.
- 9. Apa Datamining? (lanj) Nama alternatif: Knowledge discovery (mining) in databases (KDD), knowledge extraction, data/pattern analysis, data archeology, data dredging, information harvesting, business intelligence dsb Keuntungan bagi organisasi yang menerapkan data mining?
- 10. Keuntungan Datamining Perusahaan fokus ke informasi yg berharga di datawarehouse/databasenya. Meramalkan masa depan perusahaan dapat mempersiapkan diri
- 11. Contoh: Midwest grocery chain menggunakan DM untuk menganalisisi pola pembelian: saat pria membeli roti 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 roti dan minuman.
- 12. Lanjutan.. CONTOH KASUS : 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.
- 13. Lanjutan.. Dari contoh kasus 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.
- 14. 28 September 2005 Arsitektur dan Model Data Mining 14 Proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data dengan tujuan untuk dapat memprediksi kelas dari suatu objek yang labelnya tidak diketahui Contoh : Mendeteksi Penipuan Tujuan : Memprediksi kasus kecurangan transaksi kartu kredit. Pendekatan : Menggunakan transaksi kartu kredit dan informasi dilihat dari atribut account holder Kapan cutomer melakukan pembelian, Dengan cara apa customer membayar, sebarapa sering customer membayar secara tepat waktu, dll Beri nama/tanda transaksi yang telah dilaksanakan sebagai transaksi yang curang atau yang baik. Ini sebagai atribut klass ( the class attribute.) Pelajari model untuk class transaksi Gunakan model ini untuk mendetekdi kecurangan dengan meneliti transaksi kartu kredit pada account. Contoh
- 15. Contoh Aplikasi Bank me-mining transaksi customer untuk mengidentifikasi customer yang kemungkinan besar tertarik terhadap produk baru. Setelah teknik ini digunakan, terjadi peningkatan 20 kali lipat penurunan biaya dibandingkan dengan cara biasa.
- 16. Contoh Aplikasi Perusahaan transportasi memining data customer untuk mengelompokkan customer yang memiliki nilai tinggi yang perlu diprioritaskan.
- 17. Proses Datamining Pembersihan Data Data Integration Databases Data Warehouse Task-relevant Data Selection Data Mining Pattern Evaluation Diambil dari www.cs.uiuc.edu/~hanj
- 18. Data Mining dan Business Intelligence Semakin mendukung pengambilan keputusan End User Business Analyst Data Analyst DBA Pengambil an Keputusan Presentasi Data Teknik Visualiasi Data Mining Penemuan Informasi Eksplorasi Data Statistical Summary, Querying, and Reporting Data Preprocessing/Integrasi, Data Warehouses Sumber Data Database, Web, Paper, Files, Web, eksperimen Diambil dari www.cs.uiuc.edu/~hanj
- 19. Data Mining: Multi Disiplin Ilmu Data Mining Teknologi DB Statistik Machine Learning Pattern Recognition Algoritma Ilmu Lain Visualisasi
- 20. Mengapa tidak analisis data biasa? Jumlah data yang sangat besar Algoritma harus scalable untuk menangani data yang sangat besar (tera) Dimensi yang sangat besar: ribuan field Data Kompleks Aliran data dan sensor Data terstruktur, graph, social network, multi-linked data Database dari berbagai sumber, database lama Spasial (peta), multimedia, text, web Software Simulator
- 21. Data Mining dari berbagai sudut pandang Data Relational, data warehouse, web, transactional, stream, OO, spacial, text, multimedia Pengetahuan yang akan ditambang Karakterisitik, diskriminasi, asosiasi, klasifikasi, clustering, trend, outlier Teknik Database, OLAP, machine learning, statistik, visualiasi Penerapan Retail, telekomunikasi, banking, analisis kejahatan, bio-data mining, saham, text mining, web mining
- 22. Model dalam Data Mining Verification Model Model ini menggunakan (hypothesis) dari pengguna, dan melakukan test terhadap perkiraan yang diambil sebelumnya dengan menggunakan data-data yang ada. Model verifikasi menggunakan pendekatan top down dengan mengambil hipotesa dari user dan memeriksa validitasnya dengan data sehingga bisa dibuktikan kebenaran hipotesa tersebut.
- 23. Model dalam Data Mining Discovery Model Sistem secara langsung menemukan informasi- informasi penting yang tersembunyi dalam suatu data yang besar. Data-data yang ada kemudian dipilah- pilah untuk menemukan suatu pola, trend yang ada, dan keadaan umum pada saat itu tanpa adanya campur tangan dan tuntutan dari pengguna. Model knowledge discovery menggunakan pendekatan bottom up untuk mendapatkan informasi yang sebelumnya tidak diketahui. Model ini terbagi menjadi dua directed knowledge discovery dan undirected knowledge discovery.
- 24. Model dalam Data Mining Discovery Model Pada directed knowledge discovery, data mining akan mencoba mencari penjelasan nilai target field tertentu (seperti pengahasilan, respons, usia, dan lain-lain) terhadap field-field yang lain. Pada undirected knowledge discovery tidak ada target field karena komputer akan mecari pola yang ada pada data. Jadi undirected knowledge discovery digunakan untuk mengenali hubungan/relasi yang ada pada data sedangkan directed discovery akan menjelaskan hubungan/relasi tersebut.
- 25. Fungsi dalam Data Mining Fungsi atau sub kegiatan yang ada dalam data mining dalam rangka menemukan, menggali, atau menambang pengetahuan, mengacu pada Larose (2005), terdapat enam fungsi dalam data mining, yaitu: Fungsi deskripsi (description) Fungsi estimasi (estimation) Fungsi prediksi (prediction) Fungsi klasifikasi (classification) Fungsi pengelompokan (classification), Fungsi asosiasi (association).
- 26. Fungsi dalam Data Mining Mengacu pada Berry dan Browne (2006), keenam fungsi data mining tersebut dapat dipilah menjadi: Fungsi minor atau fungsi tambahan, yang meliputi ketiga fungsi pertama, yaitu deskripsi, estimasi, dan prediksi Fungsi mayor atau fungsi utama, yang meliputi ketiga fuingsi berikutnya, yaitu klasifikasi, pengelompokkan, dan asosiasi.
- 27. Data Mining: Data apa saja? Database Tradisional Relational database, data warehouse, transactional database Advanced Database Data streams dan data sensor Time-series data, temporal data, sequence data (incl. bio-sequences) Structure data, graphs, social networks and multi-linked data Object-relational databases Heterogeneous databases dan legacy databases Spatial data dan spatiotemporal data Multimedia database Text databases World-Wide Web
- 28. Top-10 Algorithm di ICDM06 #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) #7: kNN (45 votes) #7: Naive Bayes (45 votes) #10: CART (34 votes)
- 29. Aplikasi Data Mining Pemasaran/ Penyewaan Identifikasi pola pembayaran pelanggan Menemukan asosiasi diantara karakteristik demografik pelanggan Analisis keranjang pemasaran Perbankan Mendeteksi pola penyalahgunaan kartu kredit Identifikasi pelanggan yang loyal Mendeteksi kartu kredit yang dihabiskan oleh kelompok pelanggan Asuransi & Pelayanan Kesehatan Analisis dari klaim Memprediksi pelanggan yang akan membeli polis baru Identifikasi pola perilaku pelanggan yang berbahaya
- 30. Aplikasi Data Mining Analisa Perusahaan dan Manajemen Resiko Perencanaan Keuangan dan Evaluasi Aset Perencanaan Sumber Daya (Resource Planning) Persaingan (competition) Competitive Intelligence Telekomunication menerapkan data mining untuk melihat dari jutaan transaksi yang masuk, transaksi mana saja yang masih harus ditangani secara manual (dilayani oleh orang).