1 / 35

Topik Khusus 1

Pertemuan III. Topik Khusus 1. Oleh : Achmad Zakki Falani Universitas Narotama Fakultas Ilmu Komputer. Topik Khusus 1. Permasalahan Kenapa Harus ada DM?. Data yang disimpan dalam waktu yang lama akan menjadi kumpulan data yang berukuran sangat besar . Permasalahan :

baakir
Download Presentation

Topik Khusus 1

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Pertemuan III TopikKhusus 1 Oleh: AchmadZakkiFalani UniversitasNarotama FakultasIlmuKomputer

  2. TopikKhusus 1 PermasalahanKenapaHarusada DM?.. • Data yang disimpandalamwaktuyang lama akan menjadi kumpulan data yang berukuransangatbesar. • Permasalahan: Bagaimanacaranya agar data tersebutdapatmenjadiPENGETAHUAN / KNOWLEDGE (INFORMASI yang PENTING / BERHARGA).

  3. TopikKhusus 1 Definis Data Mining • Ekstraksiatau "menambang" pengetahuandari data dalam jumlah yang besar. (JiaWeihan) • Proses pencarianterhadappengetahuan– yang sebelumnyatidakdiketahui; valid; dandapatdigunakan‐‐ dari database yang besardankemudianmenggunakanpengetahuantersebutuntukmembuatkeputusanbisnis yang penting. (Cabena)

  4. TopikKhusus 1 Data Mining Solusi BI • Apaitu Data Mining?.. Data?.. Mining?...

  5. TopikKhusus 1 Istilah2 Database dalam DM • Field (Columns) = Attributes • Record (Rows) = Instance

  6. TopikKhusus 1 KDD vs DM • Data Mining = Knowledge Discovery in Databases / KDD. (Cabena). • Data Mining = subset (salah satu tahap) dari KDD saja (Jiawei Han). Batasan ini yang selanjutnyadigunakan. KDD DM

  7. TopikKhusus 1 Tujuan DM (1) Top Level Management • Menemukan pola‐pola pengetahuan yang tersembunyi dalam data. Dimanaknowledge tersebutdapatdigunakanuntukdecision making, process control, information management, atauquery processing. Knowledge Medium Level Management Informasi Low Level Management Data

  8. TopikKhusus 1 Tujuan DM (2) Contoh-contoh yang dapatdilakukan DM: • Market segmentation ‐ Identify the common characteristics of customers who buy the same products from your company. • Customer churn ‐ Predict which customers are likely to leave your company and go to a competitor. • Fraud detection ‐ Identify which transactions are most likely to be fraudulent. • Direct marketing ‐ Identify which prospects should be included in a mailing list to obtain the highest response rate. • Interactive marketing ‐ Predict what each individual accessing a Web site is most likely interested in seeing. • Market basket analysis ‐ Understand what products or services are commonly purchased together; e.g., beer and diapers. • Trend analysis ‐ Reveal the difference between a typical customer this month and last. Sumber: • http://www.laits.utexas.edu/~norman/BUS.FOR/course.mat/Alex

  9. TopikKhusus 1 Jenis Data yang Dapat di Mining • Non / Relational Databases • Data Warehouse • Transactional Database • Text Database • Multimedia Database • World Wide Web (Web Mining)

  10. TopikKhusus 1 Tahapan Proses KDDversiJiaWeihan Knowledge Evaluation & Presentation Patterns Data Mining Data Mining Selection & Transformation Data Warehouse Cleaning & Integration Database

  11. TopikKhusus 1 Tahapan Proses KDDversi Peter Cabena • Business Objective Determination • Data Preparation: - Data Selection - Data Preprocessing - Data Transformation • Data Mining • Analisys of Results • Knowledge

  12. TopikKhusus 1 Business Objective Determination (1) • Mendefinisikanpermasalahanatautantanganbisnisdenganjelas. • Tahapan ini sangat penting tapi sering diabaikan/jarangdisebut. • Denganditentukan Business Objective Determinationnya, dapatdiketahuiatributmana yang diperlukanuntukproses mining

  13. TopikKhusus 1 Business Objective Determination Contoh: • Suatu bank hendakmelakukanpenawaranprodukinvestasi (reksadana), tabunganberjangka(deposito), atauaplikasikartukredit. Bank tersebutakanmenggunakan data yang telah ada, dimana dari data tersebut didapatkan beberapaperilaku customer yang dapatdipelajaridandijadikanreferensi.

  14. TopikKhusus 1 Data Preparation (2) Contoh: • Data Cleaning: Digunakanuntukmenghilangkannoise dan yang inkonsisten. • Data integration: Menggabungkanberbagaimacamsumberdata.

  15. TopikKhusus 1 Data Preparation (2) • Mempersiapkan data yang diperlukanuntukproses data mining. • Tujuan: agar data yang digunakanbenar - benarsesuaidenganpermasalahanyang akandipecahkan, dapatdijaminkebernarannya, dan dalam format yang sesuai. • Tahapanini paling banyakmenghabiskanresources (manusia, biaya, danwaktu) yang tersedia. Biasanya mencapai 60% dari seluruh proyekKDD

  16. TopikKhusus 1 Motivasi Preparation (2) • Garbage in Garbage Out: Tanpatersedianyadata yang berkualitas, hasildari proses mining akankurangbermutu / baik. • Pengambilankeputusan yang bermutuharusdihasilkandari data yang bermutupula. Contoh: Alamat -> Surabaya sby sby-jatim

  17. TopikKhusus 1 Noisy Data • Noise adalahkesalahan yang terjadisecararandom atau karena variasi yang terjadi dalampengukuranvariabel • Bagaimanamengatasinya?? Solusi: Smoothing • PendekatanSmoothing: • Binning • Clustering • Regression

  18. TopikKhusus 1 Binning • Metode‐metode binning menghaluskannilaipada data yang terurut dengan memperhatikan nilai‐nilai yang ada di sekitarnya. • Nilai‐nilai yang terurut didistribusikan ke dalamsejumlah “buckets” ataubins. • Penghalusan data dilakukansecaralokal.

  19. TopikKhusus 1 Binning • Binning ada 3 pendekatanyaitu: • Bin‐means • Bin‐medians • Bin‐boundaries

  20. TopikKhusus 1 ContohSoal • Terdapatdata acakdenganurutansebagaiberikut: 4,15,21,8,25,34,28,24,21 Lakukan binning denganequidepth=3 • Sorting data : 4,8,15,21,21,24,25,28,34 Partition into (equidepth) binning: Bin 1: 4, 8 , 15 Bin 2: 21, 21, 24 Bin 3: 25, 28, 34

  21. TopikKhusus 1 Bin-Means (nilai rata-rata) • Bin 1: 9, 9, 9 • Bin 2: 22, 22, 22 • Bin 3: 29, 29, 29

  22. TopikKhusus 1 Bin-Median (nilaitengah) • Bin 1: 8, 8, 8 • Bin 2: 21, 21, 21 • Bin 3: 28, 28, 28

  23. TopikKhusus 1 Bin-Boundaris (nilaibatas) • Bin 1: 4, 4, 15 • Bin 2: 21, 21, 24 • Bin 3: 25, 25, 34

  24. TopikKhusus 1 ContohSoal • Terdapatdata acakdenganurutansebagaiberikut: 2,16,20,9,24,31,29,23,27 Lakukan binning denganequidepth=3

  25. TopikKhusus 1 Data Mining Teknik • PRISM • R1-HOLTE • Clasification Rule • Hunts • ID3 • …dll…

  26. TopikKhusus 1 Data Mining PRISM • Diperkenalkanoleh J. Cendrowska (1987). • Termasukkategorialgoritma covering, berbedadengan ID3 yang termasukdalamkategorialgoritmadivide andconquer. • Disebutdenganpendekatan covering, karenapadasetiapstage diidentifikasi rule yang mengcoversejumlahinstances. • Output algoritma PRISM adalahsejumlahclassification rules. • PRISM hanyamenghasilkan rule‐rule yang sempurnaatau 100% benar.

  27. TopikKhusus 1 Data Mining Algoritma PRISM

  28. TopikKhusus 1 PRISM Datasheet Total Instance?...

  29. TopikKhusus 1 Data Mining PRISM

  30. TopikKhusus 1 Data Mining PRISM

  31. TopikKhusus 1 Data Mining PRISM

  32. TopikKhusus 1 Data Mining PRISM

  33. TopikKhusus 1 Data Mining PRISM

  34. TopikKhusus 1 Data Mining PRISM

  35. TopikKhusus 1 Data Mining PRISM – LatihanSoal

More Related