SlideShare a Scribd company logo
1 of 12
 ALAMSYAH SABAN (201972024)
 APRIYANTI ALY (201972108)
 SANGRIAN HITIMALA (201972029)
 GRAY C. PESIWARISA (201972088)
 ROHANI MAHULETTE (201972105)
Oktober
2022
KELOMPOK 4
Data mining adalah suatu proses pengumpulan informasi dan data yang
penting dalam jumlah yang besar atau big data. Dalam proses ini
seringkali memanfaatkan beberapa metode, seperti matematika,
statistika, dan pemanfaatan teknologi artificial intelligence (AI).
Pengeertian data mining ini juga dikenal dengan istilah lain, seperti
Knowledge Discovery in Databases (KDD) dan Data Analysis.
Selain itu juga ada knowledge extraction, business intelligence, data
dredging, information harvesting, data archeology dan lainnya. Proses
penambangan data terdiri dari beberapa tahapan dan teknik, dari adanya
data cleansing (pembersihan data), integrasi data, seleksi data dan data
transformation hingga evaluasi pola dalam mendapatkan informasi dari
data itu.
ADD A FOOTER 2
 Deskriptif
Deskriptif lebih kepada merujuk ke fungsi dalam
pemahaman data, hal ini membuat pengolahnya bisa
teliti lebih mendalam. Tujuan dari proses ini adalah
untuk menemukan pola dan karakteristik yang terdapat
pada data. Fungsi deskriptif dimanfaatkan sebagai
pattern tertentu yang awalnya tidak terlihat di dalam
data.
 Prediktif
Fungsi terkait dengan proses yang nantinya digunakan
untuk mengetahui pola khusus dari data yang
digunakan. Pola ini bisa ditemukan dari beberapa
variabel dalam data, ketika sudah menemukan pola,
maka pola yang digunakan dipakai untuk
memperkirakan variabel lain dan masih belum diketahui
nilainya karena itu disebut fungsi prediktif.
ADD A FOOTER 3
ADD A FOOTER 4
 Asosiasi
Fungsi asosiasi adalah fungsi data mining yang dapat diproses untuk melakukan identifikasi
relasi atau hubungan dari setiap data yang ada. Data ini bisa merupakan data dahulu
maupun data yang didapat saat ini.
 Klasifikasi
Klasifikasi dilakukan untuk sebagai cara menyimpulkan beberapa pengertian karakteristik
dari suatu grup atau kelompok data. Seperti data pelanggan yang tak lagi menggunakan
produk, karena menganggap produk kompetitor memberi manfaat lebih banyak dan
customer value untuk para pelanggan.
 Clustering
Clustering merupakan fungsi yang mengarah pada proses identifikasi kelompok, kemudian
produk atau barang yang memiliki karakteristik khusus. Biasanya digunakan dalam
mengetahui kelompok-kelompok tertentu dalam penyebarannya.
ADD A FOOTER 5
 Peramalan
Disebut juga dengan teknik forecasting yang dipakai untuk memperoleh gambaran
mengenai nilai dari suatu data di masa mendatang, Forecasting dan peramalan ini bisa
dilakukan dengan pengumpulan informasi dalam jumlah yang besar, contoh penerapan
forecasting merupakan data terkait peramalan jumlah permintaan terhadap produk tertentu.
 Sequencing
Sequencing merupakan fungsi terakhir dari data mining, proses identifikasi setiap hubungan
yang berbeda dalam periode waktu tertentu. Kemudian sequencing merupakan data
pelanggan ketika melakukan repeat purchase suatu produk yang terjadi atau dilakukan
secara berulang pada pelanggan.
Penerapan metode data mining yang tepat dapat
membuat perencanaan bisnis atau business plan
berjalan baik, proses dari eksekusi perencanaan
ini juga akan baik pula. Karena itu memahami
metode dalam penerapan data ini sangat
diperlukan, lantas penjelasan apa saja terkait
dari metode penambangan ini? berikut
diantaranya.
ADD A FOOTER 6
A. MEMAHAMI TUJUAN DATA MINING
• Sebagai sarana yang dipakai untuk
menjelaskan atau explanatory, data mining
digunakan sebagai sarana yang menjelaskan
suatu kondisi dari penelitian.
• Saran konfirmasi, konfirmasi dibutuhkan
karena data mining memerlukan adanya
kepastian untuk menyatakan atau
mempertegas hipotesa.
• Sarana eksplorasi, data mining digunakan
sebagai sarana yang dipakai untuk mencari
pola baru dan sebelumnya tidak terdeteksi.
B. MENGUMPULKAN DATA
• Tahapan dari pengumpulan data ini
berawal dari merapikan data mentah
dan hasilnya berupa pengetahuan atau
informasi yang sudah diolah. Di
antaranya adalah data cleansing
(buang data yang tak diperlukan), data
integration (proses integrasi), selection
(memilih data yang relevan sebelum
proses) dan data transformation atau
transformasi data yang dipilih.
ADD A FOOTER 7
ADD A FOOTER 8
C. Menyiapkan Data
Masuk ke tahap berikutnya yaitu data mining, fungsinya untuk mengekstrak berbagai pola yang
berpotensi dalam mendapatkan data yang berguna. Selain itu dilakukan juga pattern evolution
sebagai pola dari proses menarik data yang sudah ditemukan berdasarkan penekanan yang diberikan.
Knowledge presentation dengan visualisasi data.
D. Proses Modeling
Memasuki proses penambangan data dengan menerapkan predictive modeling yang terdiri dari dua
teknik, yakni classification dan value prediction. Adapula database segmentation, merupakan partisi
database menjadi sejumlah bagian atau segmen, hingga cluster atau perekaman yang sama.
Digunakan pula link analysis untuk menghubungkan record satu dengan lainnya.
ADD A FOOTER 9
E. Evaluasi Data
Menggunakan teknik deviation detection, yakni identifikasi outlier dengan mengekspresikan deviasi
dari ekspektasi yang ada. Kemudian dilakukan nearest neighbour yang dipakai untuk memprediksi
pengelompokan, teknik tertua dalam data mining. Dan terakhir clustering, mengklasifikasikan data
berdasarkan kriteria masing-masing.
F. Penyajian Data
Digunakan model prediktif seperti decision tree, digambarkan layaknya seperti pohon karena setiap
node di dalam struktur pohon mewakili sebuah pertanyaan yang digunakan untuk menggolongkan
data bisa didapat dari jurnal data mining.
A. Market Analysis
Fungsi data mining di sektor pemasaran adalah sebagai analisis pasar,
segmentasi market (STP), market research, penentuan target di pasar, cross
selling dan manajemen hubungan pelanggan atau disebut juga dengan
CRM. Meski begitu, terdapat beberapa contoh dari penerapan data mining
di sektor pemasaran, seperti berikut ini.
Target pemasaran untuk menemukan kelompok atau pelanggan dengan
karakteristik sama dengan kebutuhan mereka. Didasarkan pada perilaku,
minat, tingkat pendapatan dan lain sebagainya yang mewakili karakteristik
konsumen di pasar.
 Analisis lalu lintas pasar, tujuannya untuk menemukan hubungan yang
terjalin antara produk penjualan dan prediksi berdasarkan dengan
asosiasi.
 Profiling konsumen yang merupakan cara menentukan konsumen seperti
apa, berkebutuhan jasa atau barang yang nantinya akan diklasifikasikan
sesuai dengan peran mereka.
 Analisis kebutuhan konsumen, dilakukan untuk melakukan identifikasi
produk yang terbaik bagi sejumlah kelompok pelanggan. Berlanjut ke
orientasi pasar, memperkirakan faktor yang mampu menarik sales lead
dan menganalisis informasi konsumen dan lain sebagainya.
ADD A FOOTER 10
ADD A FOOTER 11
B. Corporate Analysis
Di sektor perusahaan, data mining memegang peranan penting
dalam retensi pelanggan yang disebut dengan customer
retention, analisis kompetitor hingga kontrol kualitas. Namun
begitu, berikut ini beberapa contoh dari penerapan data mining
untuk corporate analysis.
 Perencanaan finansial, proses analisis dari perkiraan arus kas
dan financial forecasting dan selain itu juga analisis cross
sectional dan time series hingga evaluasi business asset.
 Perencanaan sumber daya untuk merangkum dan
membandingkan sumber daya hingga pengeluaran dalam
produksi.
 Persaingan yang dilakukan dengan competitive analysis dan
strategi analisis pesaing, mengatur strategi menetapkan harga
pasar agar kompetitif menetapkan harga dan basis kelas
prosedur.
UNIVERSITAS PATTIMURA
FAKUKTAS TEKNIK

More Related Content

Similar to TUGAS 1 KEL 4 SISTEM LOGISTIK.pptx

ppt metopen kel 09.pptx
ppt metopen kel 09.pptxppt metopen kel 09.pptx
ppt metopen kel 09.pptxRahmaNatasyah
 
Analisis dan penyajian data
Analisis dan penyajian dataAnalisis dan penyajian data
Analisis dan penyajian dataKacung Abdullah
 
17. sarah fadilah implementasi data mining untuk pengenalan karakteristik t...
17. sarah fadilah   implementasi data mining untuk pengenalan karakteristik t...17. sarah fadilah   implementasi data mining untuk pengenalan karakteristik t...
17. sarah fadilah implementasi data mining untuk pengenalan karakteristik t...ym.ygrex@comp
 
MODUL DATA MINING
MODUL DATA MININGMODUL DATA MINING
MODUL DATA MININGNanzalXIV
 
Essential sql server 2008 bi sql server indonesia group - data mining
Essential sql server 2008 bi sql server indonesia group - data miningEssential sql server 2008 bi sql server indonesia group - data mining
Essential sql server 2008 bi sql server indonesia group - data miningCharlez Dbc
 
Pendekatan_kuantitatif-Alimudin, S.Pd.I, M.Ud.pptx
Pendekatan_kuantitatif-Alimudin, S.Pd.I, M.Ud.pptxPendekatan_kuantitatif-Alimudin, S.Pd.I, M.Ud.pptx
Pendekatan_kuantitatif-Alimudin, S.Pd.I, M.Ud.pptxAlimudin Garbiz
 
Data Mining Diskusi 3.pdf
Data Mining Diskusi 3.pdfData Mining Diskusi 3.pdf
Data Mining Diskusi 3.pdfHendroGunawan8
 
Fundamental Riset Pemasaran
Fundamental Riset PemasaranFundamental Riset Pemasaran
Fundamental Riset PemasaranDede Firmansah
 
Makalah riset-pasar-dan-pemasaran
Makalah riset-pasar-dan-pemasaranMakalah riset-pasar-dan-pemasaran
Makalah riset-pasar-dan-pemasaranFahmy Metala
 
Data Mining Diskusi 1.docx
Data Mining Diskusi 1.docxData Mining Diskusi 1.docx
Data Mining Diskusi 1.docxHendroGunawan8
 
Kelompok 7 Informasi Dalam Praktik
Kelompok 7 Informasi Dalam PraktikKelompok 7 Informasi Dalam Praktik
Kelompok 7 Informasi Dalam Praktikakuntansi2012
 
Pertemuan 10 - Metodologi Data Science - Copy.pptx
Pertemuan 10 - Metodologi Data Science - Copy.pptxPertemuan 10 - Metodologi Data Science - Copy.pptx
Pertemuan 10 - Metodologi Data Science - Copy.pptxFennyRahmayani
 
01 pengantar kdd
01 pengantar kdd01 pengantar kdd
01 pengantar kddAslam Janto
 
Siskohatkes 2020 (kompetensi ppih) d. pengolahan dan analisa data
Siskohatkes 2020 (kompetensi ppih)   d. pengolahan dan analisa dataSiskohatkes 2020 (kompetensi ppih)   d. pengolahan dan analisa data
Siskohatkes 2020 (kompetensi ppih) d. pengolahan dan analisa datarickygunawan84
 
Procceding_KNIT_2_97-102_AndikaDwiHadiri
Procceding_KNIT_2_97-102_AndikaDwiHadiriProcceding_KNIT_2_97-102_AndikaDwiHadiri
Procceding_KNIT_2_97-102_AndikaDwiHadiriAndika Dwi Hadiri
 

Similar to TUGAS 1 KEL 4 SISTEM LOGISTIK.pptx (20)

Kecerdasan bisnis
Kecerdasan bisnisKecerdasan bisnis
Kecerdasan bisnis
 
Pertemuan 4.pdf
Pertemuan 4.pdfPertemuan 4.pdf
Pertemuan 4.pdf
 
ppt metopen kel 09.pptx
ppt metopen kel 09.pptxppt metopen kel 09.pptx
ppt metopen kel 09.pptx
 
Data mining
Data miningData mining
Data mining
 
Tugas 1 dm1
Tugas 1 dm1Tugas 1 dm1
Tugas 1 dm1
 
Analisis dan penyajian data
Analisis dan penyajian dataAnalisis dan penyajian data
Analisis dan penyajian data
 
17. sarah fadilah implementasi data mining untuk pengenalan karakteristik t...
17. sarah fadilah   implementasi data mining untuk pengenalan karakteristik t...17. sarah fadilah   implementasi data mining untuk pengenalan karakteristik t...
17. sarah fadilah implementasi data mining untuk pengenalan karakteristik t...
 
Arsitektur dan model data mining
Arsitektur dan model data miningArsitektur dan model data mining
Arsitektur dan model data mining
 
MODUL DATA MINING
MODUL DATA MININGMODUL DATA MINING
MODUL DATA MINING
 
Essential sql server 2008 bi sql server indonesia group - data mining
Essential sql server 2008 bi sql server indonesia group - data miningEssential sql server 2008 bi sql server indonesia group - data mining
Essential sql server 2008 bi sql server indonesia group - data mining
 
Pendekatan_kuantitatif-Alimudin, S.Pd.I, M.Ud.pptx
Pendekatan_kuantitatif-Alimudin, S.Pd.I, M.Ud.pptxPendekatan_kuantitatif-Alimudin, S.Pd.I, M.Ud.pptx
Pendekatan_kuantitatif-Alimudin, S.Pd.I, M.Ud.pptx
 
Data Mining Diskusi 3.pdf
Data Mining Diskusi 3.pdfData Mining Diskusi 3.pdf
Data Mining Diskusi 3.pdf
 
Fundamental Riset Pemasaran
Fundamental Riset PemasaranFundamental Riset Pemasaran
Fundamental Riset Pemasaran
 
Makalah riset-pasar-dan-pemasaran
Makalah riset-pasar-dan-pemasaranMakalah riset-pasar-dan-pemasaran
Makalah riset-pasar-dan-pemasaran
 
Data Mining Diskusi 1.docx
Data Mining Diskusi 1.docxData Mining Diskusi 1.docx
Data Mining Diskusi 1.docx
 
Kelompok 7 Informasi Dalam Praktik
Kelompok 7 Informasi Dalam PraktikKelompok 7 Informasi Dalam Praktik
Kelompok 7 Informasi Dalam Praktik
 
Pertemuan 10 - Metodologi Data Science - Copy.pptx
Pertemuan 10 - Metodologi Data Science - Copy.pptxPertemuan 10 - Metodologi Data Science - Copy.pptx
Pertemuan 10 - Metodologi Data Science - Copy.pptx
 
01 pengantar kdd
01 pengantar kdd01 pengantar kdd
01 pengantar kdd
 
Siskohatkes 2020 (kompetensi ppih) d. pengolahan dan analisa data
Siskohatkes 2020 (kompetensi ppih)   d. pengolahan dan analisa dataSiskohatkes 2020 (kompetensi ppih)   d. pengolahan dan analisa data
Siskohatkes 2020 (kompetensi ppih) d. pengolahan dan analisa data
 
Procceding_KNIT_2_97-102_AndikaDwiHadiri
Procceding_KNIT_2_97-102_AndikaDwiHadiriProcceding_KNIT_2_97-102_AndikaDwiHadiri
Procceding_KNIT_2_97-102_AndikaDwiHadiri
 

TUGAS 1 KEL 4 SISTEM LOGISTIK.pptx

  • 1.  ALAMSYAH SABAN (201972024)  APRIYANTI ALY (201972108)  SANGRIAN HITIMALA (201972029)  GRAY C. PESIWARISA (201972088)  ROHANI MAHULETTE (201972105) Oktober 2022 KELOMPOK 4
  • 2. Data mining adalah suatu proses pengumpulan informasi dan data yang penting dalam jumlah yang besar atau big data. Dalam proses ini seringkali memanfaatkan beberapa metode, seperti matematika, statistika, dan pemanfaatan teknologi artificial intelligence (AI). Pengeertian data mining ini juga dikenal dengan istilah lain, seperti Knowledge Discovery in Databases (KDD) dan Data Analysis. Selain itu juga ada knowledge extraction, business intelligence, data dredging, information harvesting, data archeology dan lainnya. Proses penambangan data terdiri dari beberapa tahapan dan teknik, dari adanya data cleansing (pembersihan data), integrasi data, seleksi data dan data transformation hingga evaluasi pola dalam mendapatkan informasi dari data itu. ADD A FOOTER 2
  • 3.  Deskriptif Deskriptif lebih kepada merujuk ke fungsi dalam pemahaman data, hal ini membuat pengolahnya bisa teliti lebih mendalam. Tujuan dari proses ini adalah untuk menemukan pola dan karakteristik yang terdapat pada data. Fungsi deskriptif dimanfaatkan sebagai pattern tertentu yang awalnya tidak terlihat di dalam data.  Prediktif Fungsi terkait dengan proses yang nantinya digunakan untuk mengetahui pola khusus dari data yang digunakan. Pola ini bisa ditemukan dari beberapa variabel dalam data, ketika sudah menemukan pola, maka pola yang digunakan dipakai untuk memperkirakan variabel lain dan masih belum diketahui nilainya karena itu disebut fungsi prediktif. ADD A FOOTER 3
  • 4. ADD A FOOTER 4  Asosiasi Fungsi asosiasi adalah fungsi data mining yang dapat diproses untuk melakukan identifikasi relasi atau hubungan dari setiap data yang ada. Data ini bisa merupakan data dahulu maupun data yang didapat saat ini.  Klasifikasi Klasifikasi dilakukan untuk sebagai cara menyimpulkan beberapa pengertian karakteristik dari suatu grup atau kelompok data. Seperti data pelanggan yang tak lagi menggunakan produk, karena menganggap produk kompetitor memberi manfaat lebih banyak dan customer value untuk para pelanggan.  Clustering Clustering merupakan fungsi yang mengarah pada proses identifikasi kelompok, kemudian produk atau barang yang memiliki karakteristik khusus. Biasanya digunakan dalam mengetahui kelompok-kelompok tertentu dalam penyebarannya.
  • 5. ADD A FOOTER 5  Peramalan Disebut juga dengan teknik forecasting yang dipakai untuk memperoleh gambaran mengenai nilai dari suatu data di masa mendatang, Forecasting dan peramalan ini bisa dilakukan dengan pengumpulan informasi dalam jumlah yang besar, contoh penerapan forecasting merupakan data terkait peramalan jumlah permintaan terhadap produk tertentu.  Sequencing Sequencing merupakan fungsi terakhir dari data mining, proses identifikasi setiap hubungan yang berbeda dalam periode waktu tertentu. Kemudian sequencing merupakan data pelanggan ketika melakukan repeat purchase suatu produk yang terjadi atau dilakukan secara berulang pada pelanggan.
  • 6. Penerapan metode data mining yang tepat dapat membuat perencanaan bisnis atau business plan berjalan baik, proses dari eksekusi perencanaan ini juga akan baik pula. Karena itu memahami metode dalam penerapan data ini sangat diperlukan, lantas penjelasan apa saja terkait dari metode penambangan ini? berikut diantaranya. ADD A FOOTER 6
  • 7. A. MEMAHAMI TUJUAN DATA MINING • Sebagai sarana yang dipakai untuk menjelaskan atau explanatory, data mining digunakan sebagai sarana yang menjelaskan suatu kondisi dari penelitian. • Saran konfirmasi, konfirmasi dibutuhkan karena data mining memerlukan adanya kepastian untuk menyatakan atau mempertegas hipotesa. • Sarana eksplorasi, data mining digunakan sebagai sarana yang dipakai untuk mencari pola baru dan sebelumnya tidak terdeteksi. B. MENGUMPULKAN DATA • Tahapan dari pengumpulan data ini berawal dari merapikan data mentah dan hasilnya berupa pengetahuan atau informasi yang sudah diolah. Di antaranya adalah data cleansing (buang data yang tak diperlukan), data integration (proses integrasi), selection (memilih data yang relevan sebelum proses) dan data transformation atau transformasi data yang dipilih. ADD A FOOTER 7
  • 8. ADD A FOOTER 8 C. Menyiapkan Data Masuk ke tahap berikutnya yaitu data mining, fungsinya untuk mengekstrak berbagai pola yang berpotensi dalam mendapatkan data yang berguna. Selain itu dilakukan juga pattern evolution sebagai pola dari proses menarik data yang sudah ditemukan berdasarkan penekanan yang diberikan. Knowledge presentation dengan visualisasi data. D. Proses Modeling Memasuki proses penambangan data dengan menerapkan predictive modeling yang terdiri dari dua teknik, yakni classification dan value prediction. Adapula database segmentation, merupakan partisi database menjadi sejumlah bagian atau segmen, hingga cluster atau perekaman yang sama. Digunakan pula link analysis untuk menghubungkan record satu dengan lainnya.
  • 9. ADD A FOOTER 9 E. Evaluasi Data Menggunakan teknik deviation detection, yakni identifikasi outlier dengan mengekspresikan deviasi dari ekspektasi yang ada. Kemudian dilakukan nearest neighbour yang dipakai untuk memprediksi pengelompokan, teknik tertua dalam data mining. Dan terakhir clustering, mengklasifikasikan data berdasarkan kriteria masing-masing. F. Penyajian Data Digunakan model prediktif seperti decision tree, digambarkan layaknya seperti pohon karena setiap node di dalam struktur pohon mewakili sebuah pertanyaan yang digunakan untuk menggolongkan data bisa didapat dari jurnal data mining.
  • 10. A. Market Analysis Fungsi data mining di sektor pemasaran adalah sebagai analisis pasar, segmentasi market (STP), market research, penentuan target di pasar, cross selling dan manajemen hubungan pelanggan atau disebut juga dengan CRM. Meski begitu, terdapat beberapa contoh dari penerapan data mining di sektor pemasaran, seperti berikut ini. Target pemasaran untuk menemukan kelompok atau pelanggan dengan karakteristik sama dengan kebutuhan mereka. Didasarkan pada perilaku, minat, tingkat pendapatan dan lain sebagainya yang mewakili karakteristik konsumen di pasar.  Analisis lalu lintas pasar, tujuannya untuk menemukan hubungan yang terjalin antara produk penjualan dan prediksi berdasarkan dengan asosiasi.  Profiling konsumen yang merupakan cara menentukan konsumen seperti apa, berkebutuhan jasa atau barang yang nantinya akan diklasifikasikan sesuai dengan peran mereka.  Analisis kebutuhan konsumen, dilakukan untuk melakukan identifikasi produk yang terbaik bagi sejumlah kelompok pelanggan. Berlanjut ke orientasi pasar, memperkirakan faktor yang mampu menarik sales lead dan menganalisis informasi konsumen dan lain sebagainya. ADD A FOOTER 10
  • 11. ADD A FOOTER 11 B. Corporate Analysis Di sektor perusahaan, data mining memegang peranan penting dalam retensi pelanggan yang disebut dengan customer retention, analisis kompetitor hingga kontrol kualitas. Namun begitu, berikut ini beberapa contoh dari penerapan data mining untuk corporate analysis.  Perencanaan finansial, proses analisis dari perkiraan arus kas dan financial forecasting dan selain itu juga analisis cross sectional dan time series hingga evaluasi business asset.  Perencanaan sumber daya untuk merangkum dan membandingkan sumber daya hingga pengeluaran dalam produksi.  Persaingan yang dilakukan dengan competitive analysis dan strategi analisis pesaing, mengatur strategi menetapkan harga pasar agar kompetitif menetapkan harga dan basis kelas prosedur.