Dokumen tersebut membahas perbedaan konsep-konsep utama dalam data mining, seperti estimasi dan peramalan, peramalan dan klasifikasi, klasifikasi dan klastering, klastering dan asosiasi, serta estimasi dan klasifikasi. Perbedaan-perbedaan tersebut meliputi tujuan, jenis data, metode analisis, dan hasil yang dihasilkan pada masing-masing konsep.

1. 1
Data Mining
Diskusi Pertemuan 2
Nama : Hendro Gunawan
NIM : 200401072103
Kelas : IT501
Peran utama, Metode, dan Sejarah Data Mining
1. Sebutkan 5 peran utama data mining!
2. Jelaskan perbedaan estimasi dan forecasting!
3. Jelaskan perbedaan forecasting dan klasifikasi!
4. Jelaskan perbedaan klasifikasi dan klastering!
5. Jelaskan perbedaan klastering dan association!
6. Jelaskan perbedaan estimasi dan klasifikasi!
7. Jelaskan perbedaan estimasi dan klastering!
8. Jelaskan perbedaan supervised dan unsupervised learning!
9. Sebutkan tahapan utama proses data mining!
Jawaban:
1. Data mining memiliki peran utama dalam berbagai domain dan aplikasi. Berikut adalah lima peran
utama data mining:
a. Pengambilan Keputusan: Data mining membantu dalam pengambilan keputusan yang lebih baik
dan informasi berdasarkan pola dan tren yang ditemukan dalam data. Dengan analisis data yang
akurat, organisasi dapat membuat keputusan yang lebih efektif, mengidentifikasi peluang bisnis, dan
mengelola risiko.
b. Prediksi dan Peramalan: Data mining digunakan untuk memprediksi hasil masa depan berdasarkan
data historis. Ini berlaku untuk berbagai bidang, termasuk peramalan penjualan, peramalan cuaca,
peramalan permintaan, dan lainnya. Data mining membantu organisasi meramalkan tren dan
mengambil tindakan yang sesuai.
c. Identifikasi Pola dan Hubungan: Salah satu peran utama data mining adalah mengidentifikasi pola
dan hubungan dalam data yang mungkin tidak terlihat dengan mata telanjang. Ini mencakup deteksi
asosiasi antara atribut data, identifikasi kelompok atau segmen pelanggan, dan pengenalan anomali
atau perilaku yang tidak biasa.
d. Segmentasi Pelanggan: Data mining digunakan untuk mengelompokkan pelanggan ke dalam
segmen berdasarkan karakteristik mereka. Ini memungkinkan perusahaan untuk menyesuaikan

2. 2
strategi pemasaran, layanan, dan produk mereka dengan lebih baik, meningkatkan kepuasan
pelanggan, dan meningkatkan retensi.
e. Deteksi Fraud: Data mining digunakan secara luas dalam deteksi fraud dalam berbagai konteks,
seperti perbankan, asuransi, dan e-commerce. Dengan menganalisis pola transaksi dan perilaku yang
mencurigakan, data mining membantu mengidentifikasi transaksi atau aktivitas yang tidak sah.
Peran data mining dapat sangat bervariasi tergantung pada industri dan tujuan spesifik, tetapi secara
umum, data mining membantu mengungkap wawasan berharga, mendukung pengambilan keputusan,
dan meningkatkan efisiensi dalam berbagai bidang.
2. Estimasi dan forecasting (peramalan) adalah dua konsep yang sering digunakan dalam analisis data untuk
mengantisipasi hasil masa depan. Meskipun keduanya terkait dengan perkiraan nilai-nilai yang akan datang, ada
perbedaan penting antara keduanya:
a. Estimasi (Estimation):
• Estimasi adalah proses memperkirakan nilai-nilai yang tidak diketahui berdasarkan data yang ada. Ini
lebih berfokus pada mengukur atau menghitung suatu parameter atau statistik yang tidak diketahui
berdasarkan sampel data yang tersedia.
• Estimasi sering digunakan dalam statistik untuk menghitung parameter populasi berdasarkan sampel
data. Contohnya, menghitung rata-rata usia dalam populasi berdasarkan sampel usia dari sekelompok
individu.
• Estimasi berusaha untuk memberikan perkiraan yang seakurat mungkin tentang nilai-nilai yang tidak
diketahui dengan meminimalkan kesalahan pengukuran.
b. Forecasting (Peramalan):
• Forecasting adalah proses meramalkan nilai-nilai di masa depan berdasarkan tren, pola, atau metode
tertentu yang digunakan dalam analisis data historis. Ini fokus pada prediksi atau proyeksi nilai-nilai
yang akan datang.
• Peramalan digunakan dalam berbagai konteks, seperti peramalan penjualan, peramalan cuaca,
peramalan permintaan, dan lainnya. Ini bertujuan untuk memprediksi bagaimana variabel tertentu
akan berubah di masa depan.
• Peramalan dapat melibatkan penggunaan model statistik atau matematika, serta analisis data historis
untuk mengidentifikasi pola yang dapat digunakan untuk membuat prediksi.
Singkatnya, estimasi berkaitan dengan menghitung nilai yang tidak diketahui berdasarkan data saat ini,
sedangkan forecasting (peramalan) lebih berkaitan dengan meramalkan nilai-nilai masa depan
berdasarkan data historis dan pola yang ditemukan dalam data tersebut. Estimasi lebih bersifat mengukur
sementara peramalan lebih bersifat memprediksi.

3. 3
3. Perbedaan antara forecasting (peramalan) dan klasifikasi adalah sebagai berikut:
a. Tujuan Utama:
• Forecasting (Peramalan): Tujuan utama dari peramalan adalah meramalkan nilai-nilai di masa depan.
Ini digunakan untuk memprediksi perkembangan waktu atau nilai numerik di masa depan, seperti
peramalan penjualan, peramalan cuaca, atau peramalan permintaan.
• Klasifikasi: Tujuan utama dari klasifikasi adalah mengelompokkan data ke dalam kategori atau kelas
yang telah ditentukan berdasarkan atribut tertentu. Ini digunakan untuk mengidentifikasi atau
mengklasifikasikan entitas atau data ke dalam kategori yang berbeda, seperti mengklasifikasikan
email sebagai spam atau bukan spam.
b. Jenis Data:
• Forecasting: Digunakan pada data numerik atau data yang dapat diurutkan berdasarkan waktu atau
urutan lainnya. Ini mencakup data deret waktu, data angka, atau data yang berhubungan dengan
perkembangan waktu.
• Klasifikasi: Digunakan pada data kategoris atau data yang tidak memiliki urutan tertentu. Data
klasifikasi dapat berupa kategori atau label yang digunakan untuk mengelompokkan entitas atau data.
c. Metode Analisis:
• Forecasting: Metode analisis data yang umum digunakan dalam peramalan melibatkan penggunaan
model statistik, analisis deret waktu, atau metode matematis untuk mengidentifikasi pola dan tren
dalam data historis yang dapat digunakan untuk meramalkan masa depan.
• Klasifikasi: Metode analisis data yang umum digunakan dalam klasifikasi melibatkan penggunaan
algoritma pembelajaran mesin atau metode statistik yang digunakan untuk mengelompokkan data ke
dalam kategori berdasarkan atribut atau fitur tertentu.
d. Hasil:
• Forecasting: Hasil peramalan adalah prediksi nilai-nilai numerik di masa depan. Ini berupa angka
atau proyeksi yang menggambarkan apa yang diharapkan terjadi di masa depan.
• Klasifikasi: Hasil klasifikasi adalah pengelompokan data ke dalam kategori atau kelas yang telah
ditentukan. Hasilnya adalah label atau kategori keanggotaan yang menunjukkan ke mana data
ditempatkan.
Dengan demikian, perbedaan utama antara forecasting dan klasifikasi terletak pada tujuan utama mereka,
jenis data yang mereka proses, metode analisis yang digunakan, dan hasil yang dihasilkan. Peramalan
bertujuan untuk memprediksi nilai numerik di masa depan, sementara klasifikasi bertujuan untuk
mengelompokkan data ke dalam kategori yang sudah ditentukan.

4. 4
4. Klasifikasi (classification) dan clustering (klastering) adalah dua konsep yang berbeda dalam analisis
data yang digunakan untuk tujuan yang berbeda. Berikut perbedaan utama antara klasifikasi dan
klastering:
a. Tujuan Utama:
• Klasifikasi: Tujuan utama dari klasifikasi adalah mengelompokkan data ke dalam kategori atau kelas
yang telah ditentukan berdasarkan atribut tertentu. Klasifikasi digunakan untuk mengidentifikasi atau
mengklasifikasikan entitas atau data ke dalam kategori yang sudah ada, seperti mengklasifikasikan
email sebagai spam atau bukan spam.
• Klastering: Tujuan utama dari klastering adalah mengelompokkan data ke dalam kelompok (klaster)
berdasarkan kemiripan atau pola alamiah dalam data, tanpa memiliki kelompok yang sudah
ditentukan sebelumnya. Ini membantu mengidentifikasi struktur dalam data yang mungkin tidak
diketahui sebelumnya.
b. Supervised vs. Unsupervised:
• Klasifikasi: Klasifikasi adalah metode supervised, yang berarti bahwa algoritma klasifikasi
memerlukan data pelatihan yang sudah memiliki label kelas. Algoritma klasifikasi belajar dari data
pelatihan dan kemudian digunakan untuk mengklasifikasikan data baru berdasarkan apa yang telah
dipelajari.
• Klastering: Klastering adalah metode unsupervised, yang berarti bahwa algoritma klastering bekerja
dengan data yang tidak memiliki label kelas. Algoritma ini mencoba mengelompokkan data ke dalam
kelompok berdasarkan kemiripan, tetapi tanpa memiliki informasi label sebelumnya.
c. Hasil:
• Klasifikasi: Hasil klasifikasi adalah label atau kategori keanggotaan yang menunjukkan ke dalam
kategori mana data ditempatkan. Ini adalah jawaban yang eksplisit tentang keanggotaan data dalam
kelas tertentu.
• Klastering: Hasil klastering adalah kelompok atau klaster data yang dibentuk berdasarkan kesamaan
atau pola dalam data. Ini menggambarkan struktur alamiah dalam data, tetapi tidak memberikan label
eksplisit kepada setiap kelompok.
d. Contoh Aplikasi:
• Klasifikasi: Contoh aplikasi klasifikasi termasuk deteksi spam email, klasifikasi gambar (misalnya,
mengidentifikasi apakah gambar berisi kucing atau anjing), atau pengenalan pola suara.
• Klastering: Contoh aplikasi klastering termasuk segmentasi pelanggan dalam analisis bisnis,
pengelompokan berita berdasarkan topik, atau analisis sentimen pada data sosial media untuk
menemukan kelompok yang berbeda dalam respons publik.
Dengan demikian, perbedaan utama antara klasifikasi dan klastering terletak pada tujuan utama, metode,
dan hasil yang dihasilkan. Klasifikasi digunakan untuk mengklasifikasikan data ke dalam kategori yang

5. 5
sudah ada, sementara klastering digunakan untuk mengelompokkan data berdasarkan kemiripan tanpa
label kelas sebelumnya.
5. Perbedaan antara klastering (clustering) dan association (asosiasi) adalah sebagai berikut:
a. Tujuan Utama:
• Klastering (Clustering): Tujuan utama klastering adalah mengelompokkan data ke dalam kelompok
(klaster) berdasarkan kesamaan atau pola alamiah dalam data, tanpa memiliki kelompok yang telah
ditentukan sebelumnya. Klastering digunakan untuk mengidentifikasi struktur dalam data yang
mungkin tidak diketahui sebelumnya.
• Association (Asosiasi): Tujuan utama asosiasi adalah mengidentifikasi hubungan atau asosiasi antara
berbagai atribut atau item dalam data. Ini digunakan untuk menemukan aturan atau pola yang
mengungkapkan keterkaitan antara elemen-elemen yang muncul bersama dalam kumpulan data.
b. Tipe Data:
• Klastering: Klastering digunakan dengan data yang tidak memiliki label kelas atau kategori
sebelumnya. Algoritma klastering mencoba mengelompokkan data berdasarkan kemiripan atau pola
alamiah, tetapi tidak memberikan label eksplisit kepada setiap kelompok.
• Association: Asosiasi digunakan dengan data yang mengandung item atau atribut yang dapat
dihubungkan. Ini melibatkan data yang mencatat hubungan antara berbagai elemen atau atribut yang
muncul bersama.
c. Hasil:
• Klastering: Hasil klastering adalah kelompok atau klaster data yang dibentuk berdasarkan kemiripan
atau pola dalam data. Ini menggambarkan struktur alamiah dalam data, tetapi tidak memberikan label
eksplisit kepada setiap kelompok.
• Association: Hasil asosiasi adalah aturan asosiasi yang mengungkapkan hubungan antara elemen-
elemen atau atribut dalam data. Aturan ini dapat menggambarkan item yang sering muncul bersama
dalam transaksi atau hubungan lainnya antara atribut dalam data.
d. Contoh Aplikasi:
• Klastering: Contoh aplikasi klastering termasuk segmentasi pelanggan dalam analisis bisnis,
pengelompokan berita berdasarkan topik, atau analisis sentimen pada data sosial media untuk
menemukan kelompok yang berbeda dalam respons publik.
• Association: Contoh aplikasi asosiasi termasuk rekomendasi produk di situs e-commerce
berdasarkan sejarah pembelian pelanggan, analisis keranjang belanja untuk mengidentifikasi produk
yang sering dibeli bersama, atau analisis pola transaksi kredit untuk mendeteksi penipuan.
Jadi, perbedaan utama antara klastering dan asosiasi terletak pada tujuan utama, tipe data yang diolah,
hasil yang dihasilkan, dan contoh aplikasi. Klastering digunakan untuk mengelompokkan data

6. 6
berdasarkan kesamaan, sementara asosiasi digunakan untuk mengidentifikasi hubungan antara item
dalam data.
6. Perbedaan antara estimasi (estimation) dan klasifikasi (classification) adalah sebagai berikut:
a. Tujuan Utama:
• Estimasi: Tujuan utama dari estimasi adalah memperkirakan atau menghitung nilai-nilai yang tidak
diketahui berdasarkan data yang ada. Estimasi lebih fokus pada pengukuran atau perhitungan
parameter atau statistik yang tidak diketahui berdasarkan sampel data yang tersedia. Ini sering
digunakan dalam statistik dan analisis data untuk memperkirakan populasi berdasarkan sampel.
• Klasifikasi: Tujuan utama dari klasifikasi adalah mengelompokkan data ke dalam kategori atau kelas
yang telah ditentukan berdasarkan atribut tertentu. Klasifikasi digunakan untuk mengidentifikasi atau
mengklasifikasikan entitas atau data ke dalam kategori yang sudah ada, seperti mengklasifikasikan
email sebagai spam atau bukan spam.
b. Jenis Data:
• Estimasi: Estimasi digunakan pada data numerik atau data yang dapat diukur dan memiliki tingkat
kontinuitas. Ini mencakup data angka, data berkelanjutan, atau data yang berhubungan dengan
parameter numerik.
• Klasifikasi: Klasifikasi digunakan pada data kategoris atau data yang memiliki atribut kategori. Data
klasifikasi berisi kategori atau label yang digunakan untuk mengelompokkan data.
c. Metode Analisis:
• Estimasi: Metode analisis data yang digunakan dalam estimasi melibatkan statistik inferensial, seperti
perhitungan mean, varians, atau interval kepercayaan, untuk menghitung parameter populasi
berdasarkan sampel data.
• Klasifikasi: Metode analisis data yang digunakan dalam klasifikasi melibatkan penggunaan algoritma
pembelajaran mesin atau metode statistik yang digunakan untuk mengelompokkan data ke dalam
kategori berdasarkan atribut atau fitur tertentu.
d. Hasil:
• Estimasi: Hasil estimasi adalah angka atau proyeksi yang mewakili perkiraan nilai-nilai yang tidak
diketahui berdasarkan data sampel. Hasil ini adalah perkiraan statistik yang digunakan untuk
menggambarkan populasi.
• Klasifikasi: Hasil klasifikasi adalah label atau kategori keanggotaan yang menunjukkan ke dalam
kategori mana data ditempatkan. Hasil ini mengidentifikasi entitas atau data sebagai bagian dari kelas
tertentu.
Jadi, perbedaan utama antara estimasi dan klasifikasi terletak pada tujuan utama, jenis data yang diolah,
metode analisis yang digunakan, dan hasil yang dihasilkan. Estimasi bertujuan untuk menghitung atau

7. 7
memperkirakan nilai-nilai numerik, sementara klasifikasi bertujuan untuk mengelompokkan data ke
dalam kategori yang sudah ada.
7. Perbedaan antara estimasi dan klastering adalah sebagai berikut:
a. Tujuan Utama:
• Estimasi: Tujuan utama dari estimasi adalah memperkirakan atau menghitung nilai-nilai yang tidak
diketahui berdasarkan data yang ada. Ini lebih berfokus pada pengukuran atau perhitungan parameter
atau statistik yang tidak diketahui berdasarkan sampel data yang tersedia. Estimasi digunakan untuk
membuat perkiraan tentang nilai-nilai numerik di masa depan atau untuk memahami karakteristik
statistik dari data tersebut.
• Klastering: Tujuan utama dari klastering adalah mengelompokkan data ke dalam kelompok (klaster)
berdasarkan kesamaan atau pola alamiah dalam data, tanpa memiliki kelompok yang telah ditentukan
sebelumnya. Ini digunakan untuk mengidentifikasi struktur dalam data yang mungkin tidak diketahui
sebelumnya.
b. Tipe Data:
• Estimasi: Estimasi digunakan pada data numerik atau data yang memiliki nilai numerik yang dapat
diukur. Ini mencakup data angka, data berkelanjutan, atau data yang berhubungan dengan parameter
numerik.
• Klastering: Klastering digunakan pada data yang mungkin tidak memiliki nilai numerik dan biasanya
mencakup data kategoris atau data yang memiliki atribut kategori.
c. Metode Analisis:
• Estimasi: Metode analisis data yang digunakan dalam estimasi melibatkan statistik inferensial atau
teknik matematis yang digunakan untuk menghitung atau memperkirakan parameter populasi
berdasarkan sampel data. Contoh metode adalah estimasi rata-rata, varians, atau interval kepercayaan.
• Klastering: Metode analisis data yang digunakan dalam klastering melibatkan algoritma yang
digunakan untuk mengelompokkan data berdasarkan kemiripan atau jarak antara data. Ini mencakup
teknik seperti k-means clustering atau hierarchical clustering.
d. Hasil:
• Estimasi: Hasil estimasi adalah angka atau proyeksi yang mewakili perkiraan nilai-nilai yang tidak
diketahui berdasarkan data sampel. Hasil ini adalah perkiraan statistik yang digunakan untuk
menggambarkan populasi atau data di masa depan.
• Klastering: Hasil klastering adalah kelompok atau klaster data yang dibentuk berdasarkan kesamaan
atau pola dalam data. Hasil ini mengidentifikasi kelompok yang ada dalam data tetapi tidak
memberikan label eksplisit pada setiap kelompok.

8. 8
Jadi, perbedaan utama antara estimasi dan klastering terletak pada tujuan utama, jenis data yang diolah,
metode analisis yang digunakan, dan hasil yang dihasilkan. Estimasi bertujuan untuk menghitung atau
memperkirakan nilai-nilai numerik, sementara klastering bertujuan untuk mengelompokkan data
berdasarkan kesamaan atau pola alamiah.
8. Supervised learning dan unsupervised learning adalah dua pendekatan yang berbeda dalam pembelajaran mesin
untuk mengolah data dan menghasilkan model. Berikut perbedaan utama antara keduanya:
Supervised Learning (Pembelajaran Terawasi):
a. Tujuan Utama:
• Supervised learning memiliki tujuan utama untuk mengajarkan model untuk memahami hubungan
antara input (fitur) dan output (label atau target) yang ada. Dalam konteks ini, algoritma diajar
menggunakan data yang sudah memiliki label, sehingga model dapat memprediksi label untuk data
yang belum terlihat sebelumnya.
b. Data Pelatihan:
• Algoritma supervised learning memerlukan data pelatihan yang sudah memiliki label atau target. Data
ini digunakan untuk melatih model dan membimbingnya dalam memahami hubungan antara fitur dan
label.
c. Contoh Aplikasi:
• Klasifikasi (seperti klasifikasi spam email, identifikasi gambar, klasifikasi penyakit), Regresi (seperti
peramalan harga saham), dan tugas prediksi lainnya adalah contoh dari supervised learning.
d. Contoh Algoritma:
• Algoritma supervised learning meliputi Regresi Linier, Regresi Logistik, Pohon Keputusan, Random
Forest, K-Nearest Neighbors (K-NN), dan banyak lainnya.
Unsupervised Learning (Pembelajaran Tanpa Pengawasan):
a. Tujuan Utama:
• Unsupervised learning bertujuan untuk mengungkap struktur dalam data yang tidak memiliki label
atau target yang jelas. Ini dapat mengidentifikasi pola atau kelompok dalam data tanpa panduan yang
diberikan sebelumnya.
b. Data Pelatihan:
• Algoritma unsupervised learning menggunakan data yang tidak memiliki label atau target. Model
berusaha untuk mengidentifikasi pola alamiah atau struktur dalam data tersebut.
c. Contoh Aplikasi:
• Klastering (seperti pengelompokan pelanggan, analisis asosiasi dalam belanja online), Reduksi
Dimensi (seperti Principal Component Analysis), dan tugas analisis data lainnya adalah contoh dari
unsupervised learning.

9. 9
d. Contoh Algoritma:
• Algoritma unsupervised learning meliputi K-Means Clustering, Hierarchical Clustering, Principal
Component Analysis (PCA), dan t-SNE (t-Distributed Stochastic Neighbor Embedding), serta banyak
lainnya.
Dalam supervised learning, model diajar dengan panduan yang jelas dalam bentuk label atau target,
sementara dalam unsupervised learning, model mencoba mengungkap pola dalam data tanpa panduan
atau label. Supervised learning digunakan dalam tugas prediksi dan klasifikasi, sementara unsupervised
learning digunakan dalam tugas seperti pengelompokan dan reduksi dimensi.
9. Proses data mining melibatkan sejumlah tahapan yang sistematis untuk mengidentifikasi pola, hubungan, atau
informasi berharga dalam kumpulan data yang besar dan kompleks. Tahapan utama dalam proses data mining
adalah sebagai berikut:
a. Pemahaman Bisnis (Business Understanding):
• Tahap awal adalah memahami masalah atau tujuan yang ingin dicapai dalam konteks bisnis atau
penelitian. Ini melibatkan berbicara dengan pemangku kepentingan dan mendefinisikan apa yang
ingin dicapai dengan analisis data.
b. Pemahaman Data (Data Understanding):
• Mengumpulkan data yang relevan untuk analisis. Ini mencakup pemahaman terhadap sumber data,
jenis data yang ada, dan kualitas data. Analisis awal terhadap data juga dilakukan pada tahap ini.
c. Pemilihan Data (Data Selection):
• Memilih subset data yang relevan untuk analisis lebih lanjut. Terkadang, tidak semua data dalam
kumpulan data akan diperlukan untuk mencapai tujuan analisis.
d. Pemrosesan Data (Data Preprocessing):
• Membersihkan data dengan mengatasi masalah seperti data yang hilang, duplikasi, atau outlier. Ini
juga mencakup normalisasi data jika diperlukan.
e. Transformasi Data (Data Transformation):
• Melakukan transformasi pada data, jika diperlukan, untuk mempersiapkan data untuk analisis. Ini
mungkin melibatkan konversi data kategoris menjadi data numerik atau pengurangan dimensi.
f. Pemilihan Model dan Teknik Data Mining (Model and Technique Selection):
• Memilih model atau teknik data mining yang paling sesuai untuk masalah yang ada. Ini tergantung
pada tujuan analisis, tipe data, dan karakteristik masalah.
g. Penerapan Model Data Mining (Data Mining Model Building):
• Menerapkan teknik data mining yang dipilih pada data yang telah diproses untuk mengekstrak pola
atau informasi yang relevan.
h. Evaluasi Model (Model Evaluation):

10. 10
• Mengevaluasi kualitas model dengan metrik yang sesuai. Tujuan adalah memastikan model berfungsi
dengan baik dalam mengungkap pola yang relevan dalam data.
i. Interpretasi Hasil (Results Interpretation):
• Menginterpretasikan hasil data mining untuk mendapatkan wawasan yang berharga dan mendukung
pengambilan keputusan.
j. Integrasi dengan Bisnis atau Penelitian (Business or Research Integration):
• Mengintegrasikan wawasan dari data mining ke dalam keputusan bisnis atau hasil penelitian. Ini
adalah tahap akhir yang memungkinkan tindakan berdasarkan temuan.
k. Penyajian Hasil (Results Presentation):
• Menyajikan hasil analisis data dalam format yang mudah dimengerti, seperti laporan, grafik, atau
visualisasi.
Proses data mining seringkali berulang dan iteratif, yang berarti bahwa tahapan-tahapan ini dapat
dilakukan lebih dari satu kali, terutama jika pemahaman masalah atau data yang lebih baik diperoleh
seiring berjalannya waktu. Data mining adalah alat yang sangat penting dalam mendukung pengambilan
keputusan dan wawasan dari data.
Terima kasih
Referensi
Ir. Henny Yulianti, M. M. (2023, Oktober 23). Data Mining. Diambil kembali dari Edlink Universitas Siber Asia:
https://kuliah.unsia.ac.id/panel/classes/563096
Website
https://www.slideshare.net/HendroGunawan8/data-mining-diskusi-2docx