More Related Content
Similar to Pengantar_Data_Mining.ppt (20)
Recently uploaded (6)
Pengantar_Data_Mining.ppt
- 2. Pengantar • Mengapa data mining? • Apa data mining? • Data Mining: data apa saja? • Fungsi data mining • Klasifikasi sistem data mining • 10 algoritma data mining yang paling umum • Permasalahan dalam data mining
- 3. Mengapa DM: Banjir Data • Twitter: 8000an tweet per detik ïƒ 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 ïƒ 850 juta transaksi per hari.
- 4. Mengapa Datamining We are drowning in data, but starving for knowledge!
- 5. Mengapa data mining? • Digitalisasi, kemajuan sistem informasi ïƒ data, data, data (Tera ïƒ Peta) • Web ïƒ berita, blog, twitter, forum, flickr, fb, youtube • Streaming data ïƒ twitter, f4, sensor (satelit)
- 6. Evolusi DB • 60-an: koleksi data (file system primitif) • 70-80: MIS (Sistem Informasi Management) • 80-sekarang: OO, Deductive, 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
- 7. 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.
- 8. 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?
- 9. Keuntungan Datamining • Perusahaan fokus ke informasi yg berharga di datawarehouse/databasenya. • Meramalkan masa depan ïƒ perusahaan dapat mempersiapkan diri
- 10. Contoh: Midwest grocery chain menggunakan DM untuk menganalisisi pola pembelian: saat pria membeli popok 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 popok dan minuman.
- 11. 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 biaya.
- 12. Contoh Aplikasi Perusahaan transportasi memining data customer untuk mengelompokan customer yang memiliki nilai tinggi yang perlu diprioritaskan.
- 13. Datamining di DB vs Independen • Oracle 9i • MS SQL Server • IBM Intelligent Miner V7R1 • NCR Teraminer • Kelebihan dan Kerugiannya?
- 14. Proses Datamining Pembersihan Data Data Integration Databases Data Warehouse Task-relevant Data Selection Data Mining Pattern Evaluation Diambil dari www.cs.uiuc.edu/~hanj
- 15. 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
- 16. Data Mining: Multi Disiplin Ilmu Data Mining Teknologi DB Statistik Machine Learning Pattern Recognition Algoritma Ilmu Lain Visualisasi
- 17. 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 networdk, multi-linked data – Database dari berbagai sumber, database lama – Spasial (peta), multimedia, text, web – Software Simulator
- 18. Data Mining dari berbagai sudut pandang • Data – Relational, datawarehouse,web, transaksional, stream, OO, spasial, 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
- 19. Klasifikasi sistem Data Mining • Fungsi – Deskriptif – Prediktif • Sudut pandang: – Data : Jenis data yang akan ditambang – Pengetahuan view: Pengetahuan yang akan ditemukan – Teknik: Teknik yang akan digunakan – Aplikasi
- 20. 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
- 21. 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) • #7: kNN (45 votes) • #7: Naive Bayes (45 votes) • #10: CART (34 votes)
- 22. Permasalahan Pada DM • Metodologi – Mining beragam pengetahuan dari beragam sumber data – Kinerja: efesiensi, efektivitas dan skalabilitas – Evaluasi pola – Background knowledge – Noise (gangguan) dan data yang tidak lengkap – Distributed dan paralel method. – knowledge fusion (penggabungan)
- 23. Permasalahan DM (lanj) • Interaksi pengguna – Data mining query languages dan ad-hoc mining – Visualisasi – Interactive mining • Aplikasi – Domain spesifiik – Perlindungan data
- 24. Tugas • Carilah artikel dari jurnal atau ebook tentang algoritma yang digunakan dalam data mining, minimal 2 algoritma. Buat resumenya dan cantumkan sumber artikelnya beserta isinya. Resume Dikumpulkan tanggal 21 maret 2018 dalam bentuk hardcopy