SlideShare a Scribd company logo

Data mining

Agung Apriyadi
Agung Apriyadi
Agung ApriyadiInformation Systems Analyst

pelatihan data mining

Data mining

1 of 70
Download to read offline
Data Mining 
Romi Satria Wahono 
romi@romisatriawahono.net 
http://romisatriawahono.net 
+6281586220090
Romi Satria Wahono 
 SD Sompok Semarang (1987) 
 SMPN 8 Semarang (1990) 
 SMA Taruna Nusantara, Magelang (1993) 
 S1, S2 dan S3 (on-leave) 
Department of Computer Sciences 
Saitama University, Japan (1994-2004) 
 Research Interests: Software Engineering and 
Intelligent Systems 
 Founder IlmuKomputer.Com 
 Peneliti LIPI (2004-2007) 
 Founder dan CEO PT Brainmatics Cipta Informatika
Learning Design 
Educational Objectives 
(Benjamin Bloom) 
Cognitive 
Affective 
Psychomotor 
Criterion Referenced 
Instruction 
(Robert Mager) 
Competencies 
Performance 
Evaluation 
Minimalism 
(John Carroll) 
Start Immediately 
Minimize the Reading 
Error Recognition 
Self-Contained
Learning Design 
Pretest dan Posttest untuk 
Mengukur Kompetensi Kognifif 
Mahasiwa 
Penyajian Materi dengan 
Model Minimalism berbasis 
Konsep Amati-Tiru-Modifikasi 
Penugasan berbasis Self- 
Contained Project atau 
Literatur Review 
Latihan Secara Iteratif untuk 
Meningkatkan Kompetensi Kognitif 
dan Psikomotorik Mahasiswa
Textbooks
Course Outline 
1. Pengenalan Data Mining 
2. Proses Data Mining 
3. Evaluasi dan Validasi pada Data Mining 
4. Metode dan Algoritma Data Mining 
5. Penelitian Data Mining
Ad

Recommended

Proses Data Mining
Proses Data MiningProses Data Mining
Proses Data Miningdedidarwis
 
Graf ( Matematika Diskrit)
Graf ( Matematika Diskrit)Graf ( Matematika Diskrit)
Graf ( Matematika Diskrit)zachrison htg
 
4 diagram relasi antar entitas (ERD)
4 diagram relasi antar entitas (ERD)4 diagram relasi antar entitas (ERD)
4 diagram relasi antar entitas (ERD)Simon Patabang
 
Perancangan dan Analisa Sistem
Perancangan dan Analisa SistemPerancangan dan Analisa Sistem
Perancangan dan Analisa Sistemguestb7aaaf1e
 
Ukuran variasi atau dispersi (penyebaran)
Ukuran variasi atau dispersi (penyebaran)Ukuran variasi atau dispersi (penyebaran)
Ukuran variasi atau dispersi (penyebaran)eyepaste
 
Mata Kuliah Basis Data
Mata Kuliah Basis DataMata Kuliah Basis Data
Mata Kuliah Basis DataMr. Nugraha
 

More Related Content

What's hot

Analisis Pieces Terhadap Sistem Informasi Lukman Hermanto 55518110066
Analisis Pieces Terhadap Sistem Informasi Lukman Hermanto 55518110066Analisis Pieces Terhadap Sistem Informasi Lukman Hermanto 55518110066
Analisis Pieces Terhadap Sistem Informasi Lukman Hermanto 55518110066LukmanHermanto
 
Data Base Tiket Pesawat
Data Base Tiket PesawatData Base Tiket Pesawat
Data Base Tiket Pesawatnaufals11
 
Tugas mandiri struktur data
Tugas mandiri struktur dataTugas mandiri struktur data
Tugas mandiri struktur dataAsep Jaenudin
 
Bab 2 Aljabar Relasional
Bab 2   Aljabar RelasionalBab 2   Aljabar Relasional
Bab 2 Aljabar RelasionalRatzman III
 
Uji Run ( Keacakan )
Uji Run ( Keacakan )Uji Run ( Keacakan )
Uji Run ( Keacakan )Nur Sandy
 
Konsep Data Mining
Konsep Data MiningKonsep Data Mining
Konsep Data Miningdedidarwis
 
K-Means Clustering.ppt
K-Means Clustering.pptK-Means Clustering.ppt
K-Means Clustering.pptAdam Superman
 
5. ukuran kemiringan dan ukuran keruncingan
5. ukuran kemiringan dan ukuran keruncingan5. ukuran kemiringan dan ukuran keruncingan
5. ukuran kemiringan dan ukuran keruncinganRia Defti Nurharinda
 
Konsep dasar pendugaan parameter
Konsep dasar pendugaan parameterKonsep dasar pendugaan parameter
Konsep dasar pendugaan parametermatematikaunindra
 
Transformasi Linear ( Aljabar Linear Elementer )
Transformasi Linear ( Aljabar Linear Elementer )Transformasi Linear ( Aljabar Linear Elementer )
Transformasi Linear ( Aljabar Linear Elementer )Kelinci Coklat
 
Analisis Penerapan Sistem Informasi pada PT GO-JEK Indonesia
Analisis Penerapan Sistem Informasi pada PT GO-JEK IndonesiaAnalisis Penerapan Sistem Informasi pada PT GO-JEK Indonesia
Analisis Penerapan Sistem Informasi pada PT GO-JEK IndonesiaMaitsa Anggraini
 
Pengertian field, record, table, file, data dan basis data lengkap pengerti...
Pengertian field, record, table, file, data dan basis data lengkap   pengerti...Pengertian field, record, table, file, data dan basis data lengkap   pengerti...
Pengertian field, record, table, file, data dan basis data lengkap pengerti...ym.ygrex@comp
 
Algoritma Pemrograman (Flowchart) - Logika dan Algoritma
Algoritma Pemrograman (Flowchart) - Logika dan AlgoritmaAlgoritma Pemrograman (Flowchart) - Logika dan Algoritma
Algoritma Pemrograman (Flowchart) - Logika dan AlgoritmaAri Septiawan
 
Bab 4 operasi-operasi dasar pengolahan citra dijital
Bab 4 operasi-operasi dasar pengolahan citra dijitalBab 4 operasi-operasi dasar pengolahan citra dijital
Bab 4 operasi-operasi dasar pengolahan citra dijitalSyafrizal
 

What's hot (20)

Kualitas informasi
Kualitas informasiKualitas informasi
Kualitas informasi
 
Analisis Pieces Terhadap Sistem Informasi Lukman Hermanto 55518110066
Analisis Pieces Terhadap Sistem Informasi Lukman Hermanto 55518110066Analisis Pieces Terhadap Sistem Informasi Lukman Hermanto 55518110066
Analisis Pieces Terhadap Sistem Informasi Lukman Hermanto 55518110066
 
Data Base Tiket Pesawat
Data Base Tiket PesawatData Base Tiket Pesawat
Data Base Tiket Pesawat
 
VARIABEL RANDOM & DISTRIBUSI PELUANG
VARIABEL RANDOM & DISTRIBUSI PELUANGVARIABEL RANDOM & DISTRIBUSI PELUANG
VARIABEL RANDOM & DISTRIBUSI PELUANG
 
Turunan numerik
Turunan numerikTurunan numerik
Turunan numerik
 
Kurva Normal
Kurva NormalKurva Normal
Kurva Normal
 
Tugas mandiri struktur data
Tugas mandiri struktur dataTugas mandiri struktur data
Tugas mandiri struktur data
 
Bab 2 Aljabar Relasional
Bab 2   Aljabar RelasionalBab 2   Aljabar Relasional
Bab 2 Aljabar Relasional
 
Uji Run ( Keacakan )
Uji Run ( Keacakan )Uji Run ( Keacakan )
Uji Run ( Keacakan )
 
Konsep Data Mining
Konsep Data MiningKonsep Data Mining
Konsep Data Mining
 
K-Means Clustering.ppt
K-Means Clustering.pptK-Means Clustering.ppt
K-Means Clustering.ppt
 
5. ukuran kemiringan dan ukuran keruncingan
5. ukuran kemiringan dan ukuran keruncingan5. ukuran kemiringan dan ukuran keruncingan
5. ukuran kemiringan dan ukuran keruncingan
 
Konsep dasar pendugaan parameter
Konsep dasar pendugaan parameterKonsep dasar pendugaan parameter
Konsep dasar pendugaan parameter
 
Use skenario
Use skenarioUse skenario
Use skenario
 
Transformasi Linear ( Aljabar Linear Elementer )
Transformasi Linear ( Aljabar Linear Elementer )Transformasi Linear ( Aljabar Linear Elementer )
Transformasi Linear ( Aljabar Linear Elementer )
 
Analisis Penerapan Sistem Informasi pada PT GO-JEK Indonesia
Analisis Penerapan Sistem Informasi pada PT GO-JEK IndonesiaAnalisis Penerapan Sistem Informasi pada PT GO-JEK Indonesia
Analisis Penerapan Sistem Informasi pada PT GO-JEK Indonesia
 
Pengertian field, record, table, file, data dan basis data lengkap pengerti...
Pengertian field, record, table, file, data dan basis data lengkap   pengerti...Pengertian field, record, table, file, data dan basis data lengkap   pengerti...
Pengertian field, record, table, file, data dan basis data lengkap pengerti...
 
Pertemuan 10
Pertemuan 10Pertemuan 10
Pertemuan 10
 
Algoritma Pemrograman (Flowchart) - Logika dan Algoritma
Algoritma Pemrograman (Flowchart) - Logika dan AlgoritmaAlgoritma Pemrograman (Flowchart) - Logika dan Algoritma
Algoritma Pemrograman (Flowchart) - Logika dan Algoritma
 
Bab 4 operasi-operasi dasar pengolahan citra dijital
Bab 4 operasi-operasi dasar pengolahan citra dijitalBab 4 operasi-operasi dasar pengolahan citra dijital
Bab 4 operasi-operasi dasar pengolahan citra dijital
 

Viewers also liked

Sistem informasi prediksi harga kebutuhan bahan pokok
Sistem informasi prediksi harga kebutuhan bahan pokokSistem informasi prediksi harga kebutuhan bahan pokok
Sistem informasi prediksi harga kebutuhan bahan pokokAbdul Fauzan
 
Tugas 5 Data Mining
Tugas 5 Data Mining Tugas 5 Data Mining
Tugas 5 Data Mining Ivul Varel Fu
 
Belajar mudah algoritma data mining apriori
Belajar mudah algoritma data mining aprioriBelajar mudah algoritma data mining apriori
Belajar mudah algoritma data mining aprioriilmuBiner
 
Minggu10 algoritma genetika
Minggu10   algoritma genetikaMinggu10   algoritma genetika
Minggu10 algoritma genetikamkbx01
 
Analisa dengan uji t dua variabel bebas
Analisa dengan uji t dua variabel bebasAnalisa dengan uji t dua variabel bebas
Analisa dengan uji t dua variabel bebasFeri Chandra
 
pert 8
pert 8pert 8
pert 8t34ra
 
67 jurnal skripsi dwi martha - fuzzy mamdani
67 jurnal skripsi dwi martha - fuzzy mamdani67 jurnal skripsi dwi martha - fuzzy mamdani
67 jurnal skripsi dwi martha - fuzzy mamdaniirhdy
 
Bab 1 pendahuluan weka
Bab 1 pendahuluan wekaBab 1 pendahuluan weka
Bab 1 pendahuluan wekaMedika Risna
 
Implementasi algoritma genetika untuk memprediksi gunung meletus berdasarkan ...
Implementasi algoritma genetika untuk memprediksi gunung meletus berdasarkan ...Implementasi algoritma genetika untuk memprediksi gunung meletus berdasarkan ...
Implementasi algoritma genetika untuk memprediksi gunung meletus berdasarkan ...Aris Prasetyo
 
Proses fp growth modul
Proses fp growth modulProses fp growth modul
Proses fp growth modulIsty Hara
 
Belajar mudah algoritma data mining k means
Belajar mudah algoritma data mining k meansBelajar mudah algoritma data mining k means
Belajar mudah algoritma data mining k meansilmuBiner
 
Perancangan aplikasi data mining berbasis web dengan algoritma
Perancangan aplikasi data mining berbasis web dengan algoritmaPerancangan aplikasi data mining berbasis web dengan algoritma
Perancangan aplikasi data mining berbasis web dengan algoritmaAndreas Chandra
 
materi umum sospol punya curi ilmu nama
materi umum sospol punya curi ilmu namamateri umum sospol punya curi ilmu nama
materi umum sospol punya curi ilmu namaalbert giban
 
OPTIMASI PENJADWALAN MATA KULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI...
OPTIMASI PENJADWALAN MATA KULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI...OPTIMASI PENJADWALAN MATA KULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI...
OPTIMASI PENJADWALAN MATA KULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI...Uofa_Unsada
 

Viewers also liked (20)

Machine learning dan data mining
Machine learning dan data miningMachine learning dan data mining
Machine learning dan data mining
 
Contoh data mining
Contoh data miningContoh data mining
Contoh data mining
 
Sistem informasi prediksi harga kebutuhan bahan pokok
Sistem informasi prediksi harga kebutuhan bahan pokokSistem informasi prediksi harga kebutuhan bahan pokok
Sistem informasi prediksi harga kebutuhan bahan pokok
 
Tugas 5 Data Mining
Tugas 5 Data Mining Tugas 5 Data Mining
Tugas 5 Data Mining
 
Belajar mudah algoritma data mining apriori
Belajar mudah algoritma data mining aprioriBelajar mudah algoritma data mining apriori
Belajar mudah algoritma data mining apriori
 
3475 16 decision tree
3475 16 decision tree3475 16 decision tree
3475 16 decision tree
 
9349 12 supervised dan-unsupervised-learning
9349 12 supervised dan-unsupervised-learning9349 12 supervised dan-unsupervised-learning
9349 12 supervised dan-unsupervised-learning
 
Minggu10 algoritma genetika
Minggu10   algoritma genetikaMinggu10   algoritma genetika
Minggu10 algoritma genetika
 
Analisa dengan uji t dua variabel bebas
Analisa dengan uji t dua variabel bebasAnalisa dengan uji t dua variabel bebas
Analisa dengan uji t dua variabel bebas
 
pert 8
pert 8pert 8
pert 8
 
67 jurnal skripsi dwi martha - fuzzy mamdani
67 jurnal skripsi dwi martha - fuzzy mamdani67 jurnal skripsi dwi martha - fuzzy mamdani
67 jurnal skripsi dwi martha - fuzzy mamdani
 
Support Vector Machine
Support Vector MachineSupport Vector Machine
Support Vector Machine
 
Bab 1 pendahuluan weka
Bab 1 pendahuluan wekaBab 1 pendahuluan weka
Bab 1 pendahuluan weka
 
Implementasi algoritma genetika untuk memprediksi gunung meletus berdasarkan ...
Implementasi algoritma genetika untuk memprediksi gunung meletus berdasarkan ...Implementasi algoritma genetika untuk memprediksi gunung meletus berdasarkan ...
Implementasi algoritma genetika untuk memprediksi gunung meletus berdasarkan ...
 
Proses fp growth modul
Proses fp growth modulProses fp growth modul
Proses fp growth modul
 
Belajar mudah algoritma data mining k means
Belajar mudah algoritma data mining k meansBelajar mudah algoritma data mining k means
Belajar mudah algoritma data mining k means
 
Perancangan aplikasi data mining berbasis web dengan algoritma
Perancangan aplikasi data mining berbasis web dengan algoritmaPerancangan aplikasi data mining berbasis web dengan algoritma
Perancangan aplikasi data mining berbasis web dengan algoritma
 
materi umum sospol punya curi ilmu nama
materi umum sospol punya curi ilmu namamateri umum sospol punya curi ilmu nama
materi umum sospol punya curi ilmu nama
 
OPTIMASI PENJADWALAN MATA KULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI...
OPTIMASI PENJADWALAN MATA KULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI...OPTIMASI PENJADWALAN MATA KULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI...
OPTIMASI PENJADWALAN MATA KULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA (STUDI...
 
Cara pemakaian weka
Cara pemakaian wekaCara pemakaian weka
Cara pemakaian weka
 

Similar to Data mining

Pert 03 introduction dm 2012
Pert 03 introduction dm 2012Pert 03 introduction dm 2012
Pert 03 introduction dm 2012aiiniR
 
file_2013-10-07_22_18_49_Junta_Zeniarja,_M.Kom,_M.CS__Sesi_1_-_Overview_DM.pptx
file_2013-10-07_22_18_49_Junta_Zeniarja,_M.Kom,_M.CS__Sesi_1_-_Overview_DM.pptxfile_2013-10-07_22_18_49_Junta_Zeniarja,_M.Kom,_M.CS__Sesi_1_-_Overview_DM.pptx
file_2013-10-07_22_18_49_Junta_Zeniarja,_M.Kom,_M.CS__Sesi_1_-_Overview_DM.pptxFeriskaListrianti
 
Pengantar Data Mining di Teknik Lingkungan
Pengantar Data Mining di Teknik LingkunganPengantar Data Mining di Teknik Lingkungan
Pengantar Data Mining di Teknik LingkunganBimastyaji Surya
 
01. Pengantar Penambangan Data.pdf
01. Pengantar Penambangan Data.pdf01. Pengantar Penambangan Data.pdf
01. Pengantar Penambangan Data.pdfherii2k01
 
Jawaban No. 2 Tahap-Tahap Data Mining Karena DM adalah suatu ...
Jawaban No. 2 Tahap-Tahap Data Mining Karena  DM adalah suatu ...Jawaban No. 2 Tahap-Tahap Data Mining Karena  DM adalah suatu ...
Jawaban No. 2 Tahap-Tahap Data Mining Karena DM adalah suatu ...butest
 
MODUL DATA MINING
MODUL DATA MININGMODUL DATA MINING
MODUL DATA MININGNanzalXIV
 
Preparasi Data: Penetapan Tujuan dan Pengumpulan Data - Modul Ajar Kuliah 03
Preparasi Data: Penetapan Tujuan dan Pengumpulan Data - Modul Ajar Kuliah 03Preparasi Data: Penetapan Tujuan dan Pengumpulan Data - Modul Ajar Kuliah 03
Preparasi Data: Penetapan Tujuan dan Pengumpulan Data - Modul Ajar Kuliah 03Arif Rahman
 
99 1-414-2-10-20190724
99 1-414-2-10-2019072499 1-414-2-10-20190724
99 1-414-2-10-20190724ssuser82ed8e
 
10 feature engineering-univ-gunadarma
10 feature engineering-univ-gunadarma10 feature engineering-univ-gunadarma
10 feature engineering-univ-gunadarmaArdianDwiPraba
 
PENGANTAR DATA SCIENCE.pdf
PENGANTAR DATA SCIENCE.pdfPENGANTAR DATA SCIENCE.pdf
PENGANTAR DATA SCIENCE.pdfmelrideswina
 
PMK 1 PENGANTAR DATA ANALITIK.pdf
PMK 1 PENGANTAR DATA ANALITIK.pdfPMK 1 PENGANTAR DATA ANALITIK.pdf
PMK 1 PENGANTAR DATA ANALITIK.pdfAndri946883
 
Big Data - Python for Data Science (Bahas Indonesia)
Big Data - Python for Data Science (Bahas Indonesia)Big Data - Python for Data Science (Bahas Indonesia)
Big Data - Python for Data Science (Bahas Indonesia)ArianDerida
 

Similar to Data mining (20)

Pert 03 introduction dm 2012
Pert 03 introduction dm 2012Pert 03 introduction dm 2012
Pert 03 introduction dm 2012
 
file_2013-10-07_22_18_49_Junta_Zeniarja,_M.Kom,_M.CS__Sesi_1_-_Overview_DM.pptx
file_2013-10-07_22_18_49_Junta_Zeniarja,_M.Kom,_M.CS__Sesi_1_-_Overview_DM.pptxfile_2013-10-07_22_18_49_Junta_Zeniarja,_M.Kom,_M.CS__Sesi_1_-_Overview_DM.pptx
file_2013-10-07_22_18_49_Junta_Zeniarja,_M.Kom,_M.CS__Sesi_1_-_Overview_DM.pptx
 
Pengantar Data Mining di Teknik Lingkungan
Pengantar Data Mining di Teknik LingkunganPengantar Data Mining di Teknik Lingkungan
Pengantar Data Mining di Teknik Lingkungan
 
01. Pengantar Penambangan Data.pdf
01. Pengantar Penambangan Data.pdf01. Pengantar Penambangan Data.pdf
01. Pengantar Penambangan Data.pdf
 
Bab1.pptx
Bab1.pptxBab1.pptx
Bab1.pptx
 
Jawaban No. 2 Tahap-Tahap Data Mining Karena DM adalah suatu ...
Jawaban No. 2 Tahap-Tahap Data Mining Karena  DM adalah suatu ...Jawaban No. 2 Tahap-Tahap Data Mining Karena  DM adalah suatu ...
Jawaban No. 2 Tahap-Tahap Data Mining Karena DM adalah suatu ...
 
MODUL DATA MINING
MODUL DATA MININGMODUL DATA MINING
MODUL DATA MINING
 
10
1010
10
 
Preparasi Data: Penetapan Tujuan dan Pengumpulan Data - Modul Ajar Kuliah 03
Preparasi Data: Penetapan Tujuan dan Pengumpulan Data - Modul Ajar Kuliah 03Preparasi Data: Penetapan Tujuan dan Pengumpulan Data - Modul Ajar Kuliah 03
Preparasi Data: Penetapan Tujuan dan Pengumpulan Data - Modul Ajar Kuliah 03
 
99 1-414-2-10-20190724
99 1-414-2-10-2019072499 1-414-2-10-20190724
99 1-414-2-10-20190724
 
PENGENALAN DATA SCIENCE.pptx
PENGENALAN DATA SCIENCE.pptxPENGENALAN DATA SCIENCE.pptx
PENGENALAN DATA SCIENCE.pptx
 
10 feature engineering-univ-gunadarma
10 feature engineering-univ-gunadarma10 feature engineering-univ-gunadarma
10 feature engineering-univ-gunadarma
 
PENGANTAR DATA SCIENCE.pdf
PENGANTAR DATA SCIENCE.pdfPENGANTAR DATA SCIENCE.pdf
PENGANTAR DATA SCIENCE.pdf
 
P1 data mining
P1  data mining P1  data mining
P1 data mining
 
PMK 1 PENGANTAR DATA ANALITIK.pdf
PMK 1 PENGANTAR DATA ANALITIK.pdfPMK 1 PENGANTAR DATA ANALITIK.pdf
PMK 1 PENGANTAR DATA ANALITIK.pdf
 
Big data.pptx
Big data.pptxBig data.pptx
Big data.pptx
 
Big Data - Python for Data Science (Bahas Indonesia)
Big Data - Python for Data Science (Bahas Indonesia)Big Data - Python for Data Science (Bahas Indonesia)
Big Data - Python for Data Science (Bahas Indonesia)
 
pertemuan 1(ELA)rev.ppt
pertemuan 1(ELA)rev.pptpertemuan 1(ELA)rev.ppt
pertemuan 1(ELA)rev.ppt
 
3. Konsep Data Mining
3. Konsep Data Mining3. Konsep Data Mining
3. Konsep Data Mining
 
DM-Pertemuan_01.pptx
DM-Pertemuan_01.pptxDM-Pertemuan_01.pptx
DM-Pertemuan_01.pptx
 

More from Agung Apriyadi

handbook sistem informasi manajemen proses bisnis
handbook sistem informasi manajemen proses bisnishandbook sistem informasi manajemen proses bisnis
handbook sistem informasi manajemen proses bisnisAgung Apriyadi
 
Proposal pengajuan sistem informasi pt.kargo transkontinental
Proposal pengajuan sistem informasi pt.kargo transkontinentalProposal pengajuan sistem informasi pt.kargo transkontinental
Proposal pengajuan sistem informasi pt.kargo transkontinentalAgung Apriyadi
 
Analisis Customer Relationship Management CRM
Analisis Customer Relationship Management CRMAnalisis Customer Relationship Management CRM
Analisis Customer Relationship Management CRMAgung Apriyadi
 
Presentasi kerja praktek
Presentasi kerja praktek Presentasi kerja praktek
Presentasi kerja praktek Agung Apriyadi
 
Sistem informasi-pelayan-jasa-servis-motor
Sistem informasi-pelayan-jasa-servis-motorSistem informasi-pelayan-jasa-servis-motor
Sistem informasi-pelayan-jasa-servis-motorAgung Apriyadi
 
Jurnal pa aplikasi penjualan suku cadang dan jasa perbaikan sepeda motor
Jurnal pa aplikasi penjualan suku cadang dan jasa perbaikan sepeda motorJurnal pa aplikasi penjualan suku cadang dan jasa perbaikan sepeda motor
Jurnal pa aplikasi penjualan suku cadang dan jasa perbaikan sepeda motorAgung Apriyadi
 

More from Agung Apriyadi (6)

handbook sistem informasi manajemen proses bisnis
handbook sistem informasi manajemen proses bisnishandbook sistem informasi manajemen proses bisnis
handbook sistem informasi manajemen proses bisnis
 
Proposal pengajuan sistem informasi pt.kargo transkontinental
Proposal pengajuan sistem informasi pt.kargo transkontinentalProposal pengajuan sistem informasi pt.kargo transkontinental
Proposal pengajuan sistem informasi pt.kargo transkontinental
 
Analisis Customer Relationship Management CRM
Analisis Customer Relationship Management CRMAnalisis Customer Relationship Management CRM
Analisis Customer Relationship Management CRM
 
Presentasi kerja praktek
Presentasi kerja praktek Presentasi kerja praktek
Presentasi kerja praktek
 
Sistem informasi-pelayan-jasa-servis-motor
Sistem informasi-pelayan-jasa-servis-motorSistem informasi-pelayan-jasa-servis-motor
Sistem informasi-pelayan-jasa-servis-motor
 
Jurnal pa aplikasi penjualan suku cadang dan jasa perbaikan sepeda motor
Jurnal pa aplikasi penjualan suku cadang dan jasa perbaikan sepeda motorJurnal pa aplikasi penjualan suku cadang dan jasa perbaikan sepeda motor
Jurnal pa aplikasi penjualan suku cadang dan jasa perbaikan sepeda motor
 

Recently uploaded

Teks Terjemahan Website Desa Wisata Melung.pdf
Teks Terjemahan Website Desa Wisata Melung.pdfTeks Terjemahan Website Desa Wisata Melung.pdf
Teks Terjemahan Website Desa Wisata Melung.pdfKangMargino
 
PPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdf
PPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdfPPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdf
PPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdfAGUSWACHID4
 
01 PETUNJUK APLIKASI_PNDMPNGN_THP_I (2).ppt
01 PETUNJUK APLIKASI_PNDMPNGN_THP_I (2).ppt01 PETUNJUK APLIKASI_PNDMPNGN_THP_I (2).ppt
01 PETUNJUK APLIKASI_PNDMPNGN_THP_I (2).pptErmantoErmanto4
 
Sosialisasi MUK versi 2023 YANG AKAN DIPAKAI PADA TAHUN 2024.pdf
Sosialisasi MUK versi 2023  YANG AKAN DIPAKAI PADA TAHUN 2024.pdfSosialisasi MUK versi 2023  YANG AKAN DIPAKAI PADA TAHUN 2024.pdf
Sosialisasi MUK versi 2023 YANG AKAN DIPAKAI PADA TAHUN 2024.pdfhadiwiryo2019
 
Modul Ajar Kelas 11 Bahasa Inggris Tingkat Lanjut Fase F
Modul Ajar Kelas 11 Bahasa Inggris Tingkat Lanjut Fase FModul Ajar Kelas 11 Bahasa Inggris Tingkat Lanjut Fase F
Modul Ajar Kelas 11 Bahasa Inggris Tingkat Lanjut Fase FModul Guruku
 
Refleksi dengan model W3 ( What, So What dan Now What)
Refleksi dengan model W3 ( What, So What dan Now What)Refleksi dengan model W3 ( What, So What dan Now What)
Refleksi dengan model W3 ( What, So What dan Now What)CahyadiWahyono
 
RUBRIK OBSERVASI KINERJA GURU. dalam proses kegiatan belajar mengajarpdf
RUBRIK OBSERVASI KINERJA GURU. dalam proses kegiatan belajar mengajarpdfRUBRIK OBSERVASI KINERJA GURU. dalam proses kegiatan belajar mengajarpdf
RUBRIK OBSERVASI KINERJA GURU. dalam proses kegiatan belajar mengajarpdfimamasyari24
 
koneksi antar materi pendidikan profesi guru
koneksi antar materi pendidikan profesi gurukoneksi antar materi pendidikan profesi guru
koneksi antar materi pendidikan profesi guruAlfianaNurulWijayant
 
Modul Ajar Matematika Kelas 11 Fase F - [modulguruku.com]
Modul Ajar Matematika Kelas 11 Fase F - [modulguruku.com]Modul Ajar Matematika Kelas 11 Fase F - [modulguruku.com]
Modul Ajar Matematika Kelas 11 Fase F - [modulguruku.com]Modul Guruku
 
Contoh Sertifikat Komunitas Belajar SMPN
Contoh Sertifikat Komunitas Belajar SMPNContoh Sertifikat Komunitas Belajar SMPN
Contoh Sertifikat Komunitas Belajar SMPNwatihirma7
 
PPT Musik Ansambel Kelas 9 K. 13 Pelajaran Seni Budaya
PPT Musik Ansambel Kelas 9 K. 13 Pelajaran Seni BudayaPPT Musik Ansambel Kelas 9 K. 13 Pelajaran Seni Budaya
PPT Musik Ansambel Kelas 9 K. 13 Pelajaran Seni BudayaIsfanFauzi
 
SERTIFIKAT PELATIHAN GURU DDGWE JATENG.pdf
SERTIFIKAT PELATIHAN GURU DDGWE JATENG.pdfSERTIFIKAT PELATIHAN GURU DDGWE JATENG.pdf
SERTIFIKAT PELATIHAN GURU DDGWE JATENG.pdfSITIWASIATUNNIKMAH
 
Panduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptx
Panduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptxPanduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptx
Panduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptxgiriindrakharisma
 
RENCANA + Link-Link MATERI Inhouse Training "Teknik Perhitungan & Verifikasi ...
RENCANA + Link-Link MATERI Inhouse Training "Teknik Perhitungan & Verifikasi ...RENCANA + Link-Link MATERI Inhouse Training "Teknik Perhitungan & Verifikasi ...
RENCANA + Link-Link MATERI Inhouse Training "Teknik Perhitungan & Verifikasi ...Kanaidi ken
 
Mesyuarat Unit Induk Hal Ehwal Murid SKS 1/2024
Mesyuarat Unit Induk Hal Ehwal Murid SKS  1/2024Mesyuarat Unit Induk Hal Ehwal Murid SKS  1/2024
Mesyuarat Unit Induk Hal Ehwal Murid SKS 1/2024RhomemyTze
 
Evaluasi Bahasa dan Sastra Indonesia
Evaluasi Bahasa dan Sastra IndonesiaEvaluasi Bahasa dan Sastra Indonesia
Evaluasi Bahasa dan Sastra IndonesiaPenerbit Manggu
 
Kegiatan Asosiasi Guru Penulis PGRI.pptx
Kegiatan Asosiasi Guru Penulis PGRI.pptxKegiatan Asosiasi Guru Penulis PGRI.pptx
Kegiatan Asosiasi Guru Penulis PGRI.pptxRaimundus Prasetyawan
 
Modul Ajar Pendidikan Pancasila Kelas 8 Fase D Bab 5 Jati Diri Bangsa Dan Bud...
Modul Ajar Pendidikan Pancasila Kelas 8 Fase D Bab 5 Jati Diri Bangsa Dan Bud...Modul Ajar Pendidikan Pancasila Kelas 8 Fase D Bab 5 Jati Diri Bangsa Dan Bud...
Modul Ajar Pendidikan Pancasila Kelas 8 Fase D Bab 5 Jati Diri Bangsa Dan Bud...Abdiera
 
Pentaksiran Praktikal (Project) Cg Afifah (1) KUMPULAN.pptx
Pentaksiran Praktikal (Project) Cg Afifah (1) KUMPULAN.pptxPentaksiran Praktikal (Project) Cg Afifah (1) KUMPULAN.pptx
Pentaksiran Praktikal (Project) Cg Afifah (1) KUMPULAN.pptxNursyahirsyahmiSyahi
 
PETUNJUK TEKNIS (JUKNIS )BANPEM ROKEU 2024.pdf
PETUNJUK TEKNIS (JUKNIS )BANPEM ROKEU 2024.pdfPETUNJUK TEKNIS (JUKNIS )BANPEM ROKEU 2024.pdf
PETUNJUK TEKNIS (JUKNIS )BANPEM ROKEU 2024.pdfSITIWASIATUNNIKMAH
 

Recently uploaded (20)

Teks Terjemahan Website Desa Wisata Melung.pdf
Teks Terjemahan Website Desa Wisata Melung.pdfTeks Terjemahan Website Desa Wisata Melung.pdf
Teks Terjemahan Website Desa Wisata Melung.pdf
 
PPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdf
PPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdfPPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdf
PPT - Ruang Kolaborasi 3.2 Angkatan 9 - Sesi 1.pdf
 
01 PETUNJUK APLIKASI_PNDMPNGN_THP_I (2).ppt
01 PETUNJUK APLIKASI_PNDMPNGN_THP_I (2).ppt01 PETUNJUK APLIKASI_PNDMPNGN_THP_I (2).ppt
01 PETUNJUK APLIKASI_PNDMPNGN_THP_I (2).ppt
 
Sosialisasi MUK versi 2023 YANG AKAN DIPAKAI PADA TAHUN 2024.pdf
Sosialisasi MUK versi 2023  YANG AKAN DIPAKAI PADA TAHUN 2024.pdfSosialisasi MUK versi 2023  YANG AKAN DIPAKAI PADA TAHUN 2024.pdf
Sosialisasi MUK versi 2023 YANG AKAN DIPAKAI PADA TAHUN 2024.pdf
 
Modul Ajar Kelas 11 Bahasa Inggris Tingkat Lanjut Fase F
Modul Ajar Kelas 11 Bahasa Inggris Tingkat Lanjut Fase FModul Ajar Kelas 11 Bahasa Inggris Tingkat Lanjut Fase F
Modul Ajar Kelas 11 Bahasa Inggris Tingkat Lanjut Fase F
 
Refleksi dengan model W3 ( What, So What dan Now What)
Refleksi dengan model W3 ( What, So What dan Now What)Refleksi dengan model W3 ( What, So What dan Now What)
Refleksi dengan model W3 ( What, So What dan Now What)
 
RUBRIK OBSERVASI KINERJA GURU. dalam proses kegiatan belajar mengajarpdf
RUBRIK OBSERVASI KINERJA GURU. dalam proses kegiatan belajar mengajarpdfRUBRIK OBSERVASI KINERJA GURU. dalam proses kegiatan belajar mengajarpdf
RUBRIK OBSERVASI KINERJA GURU. dalam proses kegiatan belajar mengajarpdf
 
koneksi antar materi pendidikan profesi guru
koneksi antar materi pendidikan profesi gurukoneksi antar materi pendidikan profesi guru
koneksi antar materi pendidikan profesi guru
 
Modul Ajar Matematika Kelas 11 Fase F - [modulguruku.com]
Modul Ajar Matematika Kelas 11 Fase F - [modulguruku.com]Modul Ajar Matematika Kelas 11 Fase F - [modulguruku.com]
Modul Ajar Matematika Kelas 11 Fase F - [modulguruku.com]
 
Contoh Sertifikat Komunitas Belajar SMPN
Contoh Sertifikat Komunitas Belajar SMPNContoh Sertifikat Komunitas Belajar SMPN
Contoh Sertifikat Komunitas Belajar SMPN
 
PPT Musik Ansambel Kelas 9 K. 13 Pelajaran Seni Budaya
PPT Musik Ansambel Kelas 9 K. 13 Pelajaran Seni BudayaPPT Musik Ansambel Kelas 9 K. 13 Pelajaran Seni Budaya
PPT Musik Ansambel Kelas 9 K. 13 Pelajaran Seni Budaya
 
SERTIFIKAT PELATIHAN GURU DDGWE JATENG.pdf
SERTIFIKAT PELATIHAN GURU DDGWE JATENG.pdfSERTIFIKAT PELATIHAN GURU DDGWE JATENG.pdf
SERTIFIKAT PELATIHAN GURU DDGWE JATENG.pdf
 
Panduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptx
Panduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptxPanduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptx
Panduan Media Sosial bagi mahasiswa kampus mengajar KM 7.pptx
 
RENCANA + Link-Link MATERI Inhouse Training "Teknik Perhitungan & Verifikasi ...
RENCANA + Link-Link MATERI Inhouse Training "Teknik Perhitungan & Verifikasi ...RENCANA + Link-Link MATERI Inhouse Training "Teknik Perhitungan & Verifikasi ...
RENCANA + Link-Link MATERI Inhouse Training "Teknik Perhitungan & Verifikasi ...
 
Mesyuarat Unit Induk Hal Ehwal Murid SKS 1/2024
Mesyuarat Unit Induk Hal Ehwal Murid SKS  1/2024Mesyuarat Unit Induk Hal Ehwal Murid SKS  1/2024
Mesyuarat Unit Induk Hal Ehwal Murid SKS 1/2024
 
Evaluasi Bahasa dan Sastra Indonesia
Evaluasi Bahasa dan Sastra IndonesiaEvaluasi Bahasa dan Sastra Indonesia
Evaluasi Bahasa dan Sastra Indonesia
 
Kegiatan Asosiasi Guru Penulis PGRI.pptx
Kegiatan Asosiasi Guru Penulis PGRI.pptxKegiatan Asosiasi Guru Penulis PGRI.pptx
Kegiatan Asosiasi Guru Penulis PGRI.pptx
 
Modul Ajar Pendidikan Pancasila Kelas 8 Fase D Bab 5 Jati Diri Bangsa Dan Bud...
Modul Ajar Pendidikan Pancasila Kelas 8 Fase D Bab 5 Jati Diri Bangsa Dan Bud...Modul Ajar Pendidikan Pancasila Kelas 8 Fase D Bab 5 Jati Diri Bangsa Dan Bud...
Modul Ajar Pendidikan Pancasila Kelas 8 Fase D Bab 5 Jati Diri Bangsa Dan Bud...
 
Pentaksiran Praktikal (Project) Cg Afifah (1) KUMPULAN.pptx
Pentaksiran Praktikal (Project) Cg Afifah (1) KUMPULAN.pptxPentaksiran Praktikal (Project) Cg Afifah (1) KUMPULAN.pptx
Pentaksiran Praktikal (Project) Cg Afifah (1) KUMPULAN.pptx
 
PETUNJUK TEKNIS (JUKNIS )BANPEM ROKEU 2024.pdf
PETUNJUK TEKNIS (JUKNIS )BANPEM ROKEU 2024.pdfPETUNJUK TEKNIS (JUKNIS )BANPEM ROKEU 2024.pdf
PETUNJUK TEKNIS (JUKNIS )BANPEM ROKEU 2024.pdf
 

Data mining

  • 1. Data Mining Romi Satria Wahono romi@romisatriawahono.net http://romisatriawahono.net +6281586220090
  • 2. Romi Satria Wahono  SD Sompok Semarang (1987)  SMPN 8 Semarang (1990)  SMA Taruna Nusantara, Magelang (1993)  S1, S2 dan S3 (on-leave) Department of Computer Sciences Saitama University, Japan (1994-2004)  Research Interests: Software Engineering and Intelligent Systems  Founder IlmuKomputer.Com  Peneliti LIPI (2004-2007)  Founder dan CEO PT Brainmatics Cipta Informatika
  • 3. Learning Design Educational Objectives (Benjamin Bloom) Cognitive Affective Psychomotor Criterion Referenced Instruction (Robert Mager) Competencies Performance Evaluation Minimalism (John Carroll) Start Immediately Minimize the Reading Error Recognition Self-Contained
  • 4. Learning Design Pretest dan Posttest untuk Mengukur Kompetensi Kognifif Mahasiwa Penyajian Materi dengan Model Minimalism berbasis Konsep Amati-Tiru-Modifikasi Penugasan berbasis Self- Contained Project atau Literatur Review Latihan Secara Iteratif untuk Meningkatkan Kompetensi Kognitif dan Psikomotorik Mahasiswa
  • 6. Course Outline 1. Pengenalan Data Mining 2. Proses Data Mining 3. Evaluasi dan Validasi pada Data Mining 4. Metode dan Algoritma Data Mining 5. Penelitian Data Mining
  • 7. Pretest 1. Jelaskan apa yang dimaksud dengan data mining? 2. Sebutkan peran data mining dan algoritma apa saja yang mendukung peran data mining tersebut? 3. Berikan contoh penerapan ataupun penelitian data mining
  • 9. Pengenalan Data Mining 1. Apa itu Data Mining? 2. Peran Utama Data Mining 3. Algoritma Data Mining
  • 10. Apa itu Data Mining?
  • 11. Mengapa Data Mining?  Manusia dalam suatu organisasi, sadar atau tidak sadar telah memproduksi berbagai data yang jumlahnya sangat besar • Contoh data: bisnis, kedokteran, ekonomi, geografi, olahraga, …  Pada dasarnya, data adalah entitas yang tidak memiliki arti, meskipun kemungkinan memiliki nilai di dalamnya
  • 12. Apa itu Data Mining?  Disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan atau menemukan pola dari suatu data 1. Data: fakta yang terekam dan tidak membawa arti 2. Pengetahuan: pola, aturan atau model yang muncul dari data  Sehingga Data mining sering disebut Knowledge Discovery in Database (KDD)  Konsep Transformasi DataInformasiPengetahuan www.newmediamusings.com
  • 13. Data  Tidak membawa arti, merupakan kumpulan dari fakta-fakta tentang suatu kejadian  Suatu catatan terstruktur dari suatu transaksi  Merupakan materi penting dalam membentuk informasi
  • 14. Pengetahuan  Gabungan dari suatu pengalaman, nilai, informasi kontekstual dan juga pandangan pakar yang memberikan suatu framework untuk mengevaluasi dan menciptakan pengalaman baru dan informasi (Thomas H. Davenport, Laurence Prusak)  Bisa berupa solusi pemecahan suatu masalah, petunjuk suatu pekerjaan dan ini bisa ditingkatkan nilainya, dipelajari dan juga bisa diajarkan kepada yang lain
  • 15. Data - Informasi – Pengetahuan Data Kehadiran Pegawai NIP TGL DATANG PULANG 1103 02/12/2004 07:20 15:40 1142 02/12/2004 07:45 15:33 1156 02/12/2004 07:51 16:00 1173 02/12/2004 08:00 15:15 1180 02/12/2004 07:01 16:31 1183 02/12/2004 07:49 17:00
  • 16. Data - Informasi – Pengetahuan Informasi Akumulasi Bulanan Kehadiran Pegawai NIP Masuk Alpa Cuti Sakit Telat 1103 22 1142 18 2 2 1156 10 1 11 1173 12 5 5 1180 10 12
  • 17. Data - Informasi – Pengetahuan Informasi Kondisi Kehadiran Mingguan Pegawai Senin Selasa Rabu Kamis Jumat Terlambat 7 0 1 0 5 Pulang Cepat 0 1 1 1 8 Izin 3 0 0 1 4 Alpa 1 0 2 0 2
  • 18. Data - Informasi – Pengetahuan  Pengetahuan tentang kebiasaan pegawai dalam jam datang/pulang kerja  Pengetahuan tentang bagaimana teknik meningkatkan kehadiran pegawai  kebijakan
  • 19. Data - Informasi - Pengetahuan - Kebijakan  Kebijakan penataan jam kerja karyawan khusus untuk hari senin dan jumat  Peraturan jam kerja: • Hari Senin dimulai jam 10:00 • Hari Jumat diakhiri jam 14:00 • Sisa jam kerja dikompensasi ke hari lain: 1. Senin pulang setelah maghrib, toh jalanan jakarta macet total di sore hari (bayar hutang 2 jam) 2. Rabu dan kamis bayar hutang setengah jam di pagi hari dan setengah jam di sore hari (bayar hutang 2 jam)
  • 20. Definisi Data Mining  Melakukan ekstraksi untuk mendapatkan informasi penting yang sifatnya implisit dan sebelumnya tidak diketahui, dari suatu data (Witten et al., 2011)  Kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola dan hubungan dalam set data berukuran besar (Santosa, 2007)
  • 21. Definisi Data Mining  The analysis of (often large) observational data sets to find unsuspected relationships and to summarize the data in novel ways that are both understandable and useful to the data owner (Han & Kamber, 2001)  The process of discovering meaningful new correlations, patterns and trends by sifting through large amounts of data stored in repositories, using pattern recognition technologies as well as statistical and mathematical techniques (Gartner Group)
  • 22. Irisan Bidang Ilmu Data Mining 1. Statistik: • Lebih bersifat teori • Fokus ke pengujian hipotesis 2. Machine Learning: • Lebih bersifat heuristik • Fokus pada perbaikan performansi dari suatu teknik learning 3. Data Mining: • Gabungan teori dan heuristik • Fokus pada seluruh proses penemuan knowledge dan pola • Termasuk data cleaning, learning dan visualisasi hasilnya
  • 23. Cognitive-Performance Test 1. Jelaskan dengan kalimat sendiri apa yang dimaksud dengan data mining? 2. Apa perbedaan antara data dan pengetahuan (knowledge)?
  • 25. Peran Utama Data Mining 1. Estimation 2. Prediction 3. Classification 4. Clustering 5. Association Estimation Prediction Association Clustering Classification
  • 26. Dataset with Attribute and Class Attribute Class/Label
  • 27. Estimasi Waktu Pengiriman Pizza Customer Jumlah Pesanan (P) Jumlah Bangjo (B) Jarak (J) Waktu Tempuh (T) 1 3 3 3 16 2 1 7 4 20 3 2 4 6 18 4 4 6 8 36 ... 1000 2 4 2 12 Waktu Tempuh (T) = 0.48P + 0.23B + 0.5J
  • 28. Penentuan Kelulusan Mahasiswa NIM Gender Nilai UN Asal Sekolah IPS1 IPS2 IPS3 IPS 4 ... Lulus Tepat Waktu 10001 L 28 SMAN 2 3.3 3.6 2.89 2.9 Ya 10002 P 27 SMA DK 4.0 3.2 3.8 3.7 Tidak 10003 P 24 SMAN 1 2.7 3.4 4.0 3.5 Tidak 10004 L 26.4 SMAN 3 3.2 2.7 3.6 3.4 Ya ... ... 11000 L 23.4 SMAN 5 3.3 2.8 3.1 3.2 Ya
  • 31. Algoritma Data Mining (DM) 1. Estimation (Estimasi): • Linear Regression, Neural Network, Support Vector Machine, etc 2. Prediction/Forecasting (Prediksi/Peramalan): • Linear Regression, Neural Network, Support Vector Machine, etc 3. Classification (Klasifikasi): • Naive Bayes, K-Nearest Neighbor, C4.5, ID3, CART, Linear Discriminant Analysis, etc 4. Clustering (Klastering): • K-Means, K-Medoids, Self-Organizing Map (SOM), Fuzzy C-Means, etc 5. Association (Asosiasi): • FP-Growth, A Priori, etc
  • 32. Metode Learning Pada Algoritma DM Supervised Learning Unsupervised Association Learning Learning
  • 33. Metode Learning Pada Algoritma DM 1. Supervised Learning (Pembelajaran dengan Guru): • Sebagian besar algoritma data mining (estimation, prediction/forecasting, classification) adalah supervised learning • Variabel yang menjadi target/label/class ditentukan • Algoritma melakukan proses belajar berdasarkan nilai dari variabel target yang terasosiasi dengan nilai dari variable prediktor
  • 34. Dataset with Attribute and Class Attribute Class/Label
  • 35. Metode Learning Pada Algoritma DM 2. Unsupervised Learning (Pembelajaran tanpa Guru): • Algoritma data mining mencari pola dari semua variable (atribut) • Variable (atribut) yang menjadi target/label/class tidak ditentukan (tidak ada) • Algoritma clustering adalah algoritma unsupervised learning
  • 36. Dataset with Attribute (No Class) Attribute
  • 37. Metode Learning Pada Algoritma DM 3. Association Learning (Pembelajaran untuk Asosiasi Atribut) • Proses learning pada algoritma asosiasi (association rule) agak berbeda karena tujuannya adalah untuk mencari atribut yang muncul bersamaan dalam satu transaksi • Algoritma asosiasi biasanya untuk analisa transaksi belanja, dengan konsep utama adalah mencari “produk/item mana yang dibeli bersamaan” • Pada pusat perbelanjaan banyak produk yang dijual, sehingga pencarian seluruh asosiasi produk memakan cost tinggi, karena sifatnya yang kombinatorial • Algoritma association rule seperti a priori algorithm, dapat memecahkan masalah ini dengan efisien
  • 40. Proses Utama pada Data Mining Input (Data) Metode (Algoritma Data Mining) Output (Pola/Model)
  • 41. Output/Pola/Model/Knowledge 1. Formula/Function (Rumus atau Fungsi Regresi) • WAKTU TEMPUH = 0.48 + 0.6 JARAK + 0.34 LAMPU + 0.2 PESANAN 2. Decision Tree (Pohon Keputusan) 3. Rule (Aturan) • IF ips3=2.8 THEN lulustepatwaktu 4. Cluster (Klaster)
  • 42. Input – Metode – Output – Evaluation Input (Data) Metode (Algoritma Data Mining) Output (Pola/Model) Evaluation (Akurasi, AUC, RMSE, etc)
  • 43. Cognitive-Performance Test 1. Sebutkan 5 peran utama data mining! 2. Jelaskan perbedaan estimasi dan prediksi! 3. Jelaskan perbedaan estimasi dan klasifikasi! 4. Jelaskan perbedaan klasifikasi dan klastering! 5. Jelaskan perbedaan klastering dan prediksi! 6. Jelaskan perbedaan supervised dan unsupervised learning! 7. Sebutkan tahapan utama proses data mining!
  • 45. Algoritma Estimasi  Algoritma estimasi mirip dengan algoritma klasifikasi, tapi variabel target adalah berupa bilangan numerik (kontinyu) dan bukan kategorikal (nominal atau diskrit)  Estimasi nilai dari variable target ditentukan berdasarkan nilai dari variabel prediktor (atribut)  Algoritma estimasi yang biasa digunakan adalah: Linear Regression, Neural Network, Support Vector Machine
  • 46. Contoh: Estimasi Performansi CPU  Example: 209 different computer configurations Cache Channels Performance (Kb) Main memory (Kb) Cycle time (ns) 1 125 256 6000 256 198 2 29 8000 32000 32 269 208 480 512 8000 32 67 209 480 1000 4000 0 45  Linear regression function CHMAX 128 32 0 0 CHMIN 16 8 0 0 PRP = -55.9 + 0.0489 MYCT + 0.0153 MMIN + 0.0056 MMAX + 0.6410 CACH - 0.2700 CHMIN + 1.480 CHMAX … MYCT MMIN MMAX CACH PRP
  • 47. Algoritma Prediksi  Algoritma prediksi/forecasting sama dengan algoritma estimasi di mana label/target/class bertipe numerik, bedanya adalah data yang digunakan merupakan data rentet waktu (data time series)  Istilah prediksi kadang digunakan juga untuk klasifikasi, tidak hanya untuk prediksi time series, karena sifatnya yang bisa menghasilkan class berdasarkan berbagai atribut yang kita sediakan  Semua algoritma estimasi dapat digunakan untuk prediksi/forecasting
  • 48. Contoh: Prediksi Harga Saham Dataset harga saham dalam bentuk time series (rentet waktu) harian
  • 49. Contoh: Prediksi Harga Saham (Plot)
  • 50. Contoh: Prediksi Harga Saham (Plot)
  • 51. Algoritma Klasifikasi  Klasifikasi adalah algoritma yang menggunakan data dengan target/class/label berupa nilai kategorikal (nominal)  Contoh, apabila target/class/label adalah pendapatan, maka bisa digunakan nilai nominal (kategorikal) sbb: pendapatan besar, menengah, kecil  Contoh lain adalah rekomendasi contact lens, apakah menggunakan yang jenis soft, hard atau none  Algoritma klasifikasi yang biasa digunakan adalah: Naive Bayes, K-Nearest Neighbor, C4.5, ID3, CART, Linear Discriminant Analysis, etc
  • 52. Contoh: Rekomendasi Main Golf  Input:  Output (Rules): If outlook = sunny and humidity = high then play = no If outlook = rainy and windy = true then play = no If outlook = overcast then play = yes If humidity = normal then play = yes If none of the above then play = yes
  • 53. Contoh: Rekomendasi Main Golf  Input (Atribut Nominal dan Numerik):  Output (Rules): If outlook = sunny and humidity = high then play = no If outlook = sunny and humidity > 83 then play = no If outlook = rainy and windy = true then play = no If outlook = overcast then play = yes If humidity < 85 then play = yes If none of the above then play = yes
  • 54. Contoh: Rekomendasi Main Golf  Output (Tree):
  • 55. Contoh: Rekomendasi Contact Lens  Input:
  • 56. Contoh: Rekomendasi Contact Lens  Output/Model (Tree):
  • 57. Contoh: Penentuan Jenis Bunga Iris  Input:
  • 58. Contoh: Penentuan Jenis Bunga Iris  Output (Rules):
  • 59. Contoh: Penentuan Jenis Bunga Iris  Output (Tree):
  • 60. Algoritma Klastering  Klastering adalah pengelompokkan data, hasil observasi dan kasus ke dalam class yang mirip  Suatu klaster (cluster) adalah koleksi data yang mirip antara satu dengan yang lain, dan memiliki perbedaan bila dibandingkan dengan data dari klaster lain  Perbedaan utama algoritma klastering dengan klasifikasi adalah klastering tidak memiliki target/class/label, jadi termasuk unsupervised learning  Klastering sering digunakan sebagai tahap awal dalam proses data mining, dengan hasil klaster yang terbentuk akan menjadi input dari algoritma berikutnya yang digunakan
  • 61. Contoh: Klastering Jenis Gaya Hidup  Claritas, Inc. provide a demographic profile of each of the geographic areas in the country, as defined by zip code. One of the clustering mechanisms they use is the PRIZM segmentation system, which describes every U.S. zip code area in terms of distinct lifestyle types (66 segments). Just go to the company’s Web site, enter a particular zip code, and you are shown the most common PRIZM clusters for that zip code.  What do these clusters mean? For illustration, let’s look up the clusters for zip code 90210, Beverly Hills, California. The resulting clusters for zip code 90210 are: 1. Cluster 01: Blue Blood Estates 2. Cluster 10: Bohemian Mix 3. Cluster 02: Winner’s Circle 4. Cluster 07: Money and Brains 5. Cluster 08: Young Literati
  • 65. Contoh: Klastering Bunga Iris (Table)
  • 66. Algoritma Asosiasi  Algoritma association rule (aturan asosiasi) adalah algoritma yang menemukan atribut yang “muncul bersamaan”  Dalam dunia bisnis, sering disebut dengan affinity analysis atau market basket analysis  Algoritma asosiasi akan mencari aturan yang menghitung hubungan diantara dua atau lebih atribut  Algoritma association rules berangkat dari pola “If antecedent, then consequent,” bersamaan dengan pengukuran support (coverage) dan confidence (accuration) yang terasosiasi dalam aturan
  • 67. Algoritma Asosiasi  Contoh, pada hari kamis malam, 1000 pelanggan telah melakukan belanja di supermaket ABC, dimana: • 200 orang membeli Sabun Mandi • dari 200 orang yang membeli sabun mandi, 50 orangnya membeli Fanta  Jadi, association rule menjadi, “Jika membeli sabun mandi, maka membeli Fanta”, dengan nilai support = 200/1000 = 20% dan nilai confidence = 50/200 = 25%  Algoritma association rule diantaranya adalah: A priori algorithm, FP-Growth algorithm, GRI algorithm
  • 68. Contoh Penerapan Data Mining  Penentuan kelayakan aplikasi peminjaman uang di bank  Penentuan pasokan listrik PLN untuk wilayah Jakarta  Diagnosis pola kesalahan mesin  Perkiraan harga saham dan tingkat inflasi  Analisis pola belanja pelanggan  Memisahkan minyak mentah dan gas alam  Pemilihan program TV otomatis  Penentuan pola pelanggan yang loyal pada perusahaan operator telepon  Deteksi pencucian uang dari transaksi perbankan  Deteksi serangan (intrusion) pada suatu jaringan
  • 69. Cognitive-Performance Test 1. Sebutkan 5 peran utama data mining! 2. algoritma apa saja yang dapat digunakan untuk 5 peran utama data mining di atas? 3. Jelaskan perbedaan estimasi dan prediksi! 4. Jelaskan perbedaan estimasi dan klasifikasi! 5. Jelaskan perbedaan klasifikasi dan klastering! 6. Jelaskan perbedaan klastering dan prediksi! 7. Jelaskan perbedaan supervised dan unsupervised learning! 8. Sebutkan tahapan utama proses data mining!
  • 70. Referensi 1. Ian H. Witten, Frank Eibe, Mark A. Hall, Data mining: Practical Machine Learning Tools and Techniques 3rd Edition, Elsevier, 2011 2. Daniel T. Larose, Discovering Knowledge in Data: an Introduction to Data Mining, John Wiley & Sons, 2005 3. Florin Gorunescu, Data Mining: Concepts, Models and Techniques, Springer, 2011 4. Jiawei Han and Micheline Kamber, Data Mining: Concepts and Techniques Second Edition, Elsevier, 2006 5. Oded Maimon and Lior Rokach, Data Mining and Knowledge Discovery Handbook Second Edition, Springer, 2010 6. Warren Liao and Evangelos Triantaphyllou (eds.), Recent Advances in Data Mining of Enterprise Data: Algorithms and Applications, World Scientific, 2007