SlideShare a Scribd company logo

10

tugas

1 of 19
Download to read offline
TEMA : TENTANG DATA MINING
DEDE SUMARNI
SISTEM INFORMASI
UNIVERSITAS GUNADARMA
Pengertian Data Mining
 Data Mining adalah proses yang
menggunakan teknik statistik, matematika,
kecerdasan buatan, machine learning untuk
mengekstraksi dan mengidentifikasi informasi
yang bermanfaat dan pengetahuan yang
terkait dari berbagai database besar (Turban
dkk. 2005). Terdapat beberapa istilah lain
yang memiliki makna sama dengan data
mining, yaitu Knowledge discovery in
databases (KDD), ekstraksi pengetahuan
(knowledge extraction), Analisa data/pola
(data/pattern analysis), kecerdasan bisnis
(business intelligence) dan data archaeology
dan data dredging (Larose, 2005)
 Kemampuan Data mining untuk mencari
informasi bisnis yang berharga dari basis data
yang sangat besar, dapat dianalogikan
dengan penambangan logam mulia dari lahan
sumbernya, teknologi ini dipakai untuk :
 Prediksi trend dan sifat-sifat bisnis, dimana
data mining mengotomatisasi proses
pencarian informasi pemprediksi di dalam
basis data yang besar.
 Penemuan pola-pola yang tidak diketahui
sebelumnya, dimana data mining menyapu
basis data, kemudian mengidentifikasi pola-
pola yang sebelumnya tersembunyi dalam
satu sapuan.
 Data mining berguna untuk membuat
keputusan yang kritis, terutama dalam
strategi.
Berikut ini beberapa definisi data mining dari
beberapa sumber (Larose, 2005):
 Data mining adalah proses menemukan
sesuatu yang bermakna dari suatu korelasi
baru, pola dan tren yang ada dengan cara
memilah-milah data berukuran besar yang
disimpan dalam repositori, menggunakan
teknologi pengenalan pola serta teknik
matematika dan statistik.
 Data mining adalah analisis pengamatan
database untuk menemukan hubungan
yang tidak terduga dan untuk meringkas
data dengan cara atau metode baru yang
dapat dimengerti dan bermanfaat kepada
pemilik data.
 Data mining merupakan bidang ilmu
interdisipliner yang menyatukan teknik
pembelajaran dari mesin (machine
learning), pengenalan pola (pattern
recognition), statistik, database, dan
visualisasi untuk mengatasi masalah
ekstraksi informasi dari basis data yang
besar.
 Data mining diartikan sebagai suatu
proses ekstraksi informasi berguna dan
potensial dari sekumpulan data yang
terdapat secara implisit dalam suatu basis
data.
Fungsi Data Mining
Data mining mempunyai fungsi yang penting untuk
membantu mendapatkan informasi yang berguna
serta meningkatkan pengetahuan bagi pengguna.
Pada dasarnya, data mining mempunyai empat
fungsi dasar yaitu:
 Fungsi Prediksi (prediction). Proses untuk
menemukan pola dari data dengan menggunakan
beberapa variabel untuk memprediksikan
variabel lain yang tidak diketahui jenis atau
nilainya.
 Fungsi Deskripsi (description). Proses untuk
menemukan suatu karakteristik penting dari data
dalam suatu basis data.

Recommended

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
 
Data mining week 1 - pengantar data mining
Data mining   week 1 - pengantar data miningData mining   week 1 - pengantar data mining
Data mining week 1 - pengantar data miningLye Lazar
 
Analisa klasifikasi biaya pasien rawat inap menggunakan teknik data mining at...
Analisa klasifikasi biaya pasien rawat inap menggunakan teknik data mining at...Analisa klasifikasi biaya pasien rawat inap menggunakan teknik data mining at...
Analisa klasifikasi biaya pasien rawat inap menggunakan teknik data mining at...Koltiva
 

More Related Content

What's hot

What's hot (20)

26813 9 arsitektur data mining
26813 9 arsitektur data mining26813 9 arsitektur data mining
26813 9 arsitektur data mining
 
Data warehouse dan data mining dianvs.blogspot.com
Data warehouse dan data mining dianvs.blogspot.comData warehouse dan data mining dianvs.blogspot.com
Data warehouse dan data mining dianvs.blogspot.com
 
Konsep dan teknologi data mining
Konsep dan teknologi data miningKonsep dan teknologi data mining
Konsep dan teknologi data mining
 
Tugas 1 dm1
Tugas 1 dm1Tugas 1 dm1
Tugas 1 dm1
 
484 922-1-pb
484 922-1-pb484 922-1-pb
484 922-1-pb
 
Jurnal biaya pasien rawat inap penyakit jantung
Jurnal biaya pasien rawat inap penyakit jantungJurnal biaya pasien rawat inap penyakit jantung
Jurnal biaya pasien rawat inap penyakit jantung
 
3. Konsep Data Mining
3. Konsep Data Mining3. Konsep Data Mining
3. Konsep Data Mining
 
Pertemuan 10 Metadata Datawarehouse
Pertemuan 10 Metadata DatawarehousePertemuan 10 Metadata Datawarehouse
Pertemuan 10 Metadata Datawarehouse
 
Karakteristik data warehouse
Karakteristik data warehouseKarakteristik data warehouse
Karakteristik data warehouse
 
Nelson weldy
Nelson weldyNelson weldy
Nelson weldy
 
1. Introduction of Data Mining
1. Introduction of Data Mining1. Introduction of Data Mining
1. Introduction of Data Mining
 
Setiawan Aprianto
Setiawan ApriantoSetiawan Aprianto
Setiawan Aprianto
 
Pert 03 introduction dm 2012
Pert 03 introduction dm 2012Pert 03 introduction dm 2012
Pert 03 introduction dm 2012
 
Pertemuan 11 Kualitas Data
Pertemuan 11 Kualitas DataPertemuan 11 Kualitas Data
Pertemuan 11 Kualitas Data
 
08 sip datawarehouse
08 sip datawarehouse08 sip datawarehouse
08 sip datawarehouse
 
Kecerdasan bisnis
Kecerdasan bisnisKecerdasan bisnis
Kecerdasan bisnis
 
Kecerdasan bisnis- Sistem Penunjang Keputusan
Kecerdasan bisnis- Sistem Penunjang KeputusanKecerdasan bisnis- Sistem Penunjang Keputusan
Kecerdasan bisnis- Sistem Penunjang Keputusan
 
Reka bentuk dan model pangkalan data
Reka bentuk dan model pangkalan dataReka bentuk dan model pangkalan data
Reka bentuk dan model pangkalan data
 
data mining
data miningdata mining
data mining
 
9349 12 supervised dan-unsupervised-learning
9349 12 supervised dan-unsupervised-learning9349 12 supervised dan-unsupervised-learning
9349 12 supervised dan-unsupervised-learning
 

Similar to 10

Pertemuan 3 Model Data Mining.pptx
Pertemuan 3 Model Data Mining.pptxPertemuan 3 Model Data Mining.pptx
Pertemuan 3 Model Data Mining.pptxArwansyahDipanegara
 
TUGAS 1 KEL 4 SISTEM LOGISTIK.pptx
TUGAS 1 KEL 4 SISTEM LOGISTIK.pptxTUGAS 1 KEL 4 SISTEM LOGISTIK.pptx
TUGAS 1 KEL 4 SISTEM LOGISTIK.pptxSangrian1
 
MODUL DATA MINING
MODUL DATA MININGMODUL DATA MINING
MODUL DATA MININGNanzalXIV
 
99 1-414-2-10-20190724
99 1-414-2-10-2019072499 1-414-2-10-20190724
99 1-414-2-10-20190724ssuser82ed8e
 
Data Mining Diskusi 2.pdf
Data Mining Diskusi 2.pdfData Mining Diskusi 2.pdf
Data Mining Diskusi 2.pdfHendroGunawan8
 
Data Mining Diskusi 3.pdf
Data Mining Diskusi 3.pdfData Mining Diskusi 3.pdf
Data Mining Diskusi 3.pdfHendroGunawan8
 
10 feature engineering-univ-gunadarma
10 feature engineering-univ-gunadarma10 feature engineering-univ-gunadarma
10 feature engineering-univ-gunadarmaArdianDwiPraba
 
Analisis dan penyajian data
Analisis dan penyajian dataAnalisis dan penyajian data
Analisis dan penyajian dataKacung Abdullah
 
ppt metopen kel 09.pptx
ppt metopen kel 09.pptxppt metopen kel 09.pptx
ppt metopen kel 09.pptxRahmaNatasyah
 
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
 
APPLIED DATABASE III - Slide Arsitektur Data Mining
APPLIED DATABASE III - Slide Arsitektur Data MiningAPPLIED DATABASE III - Slide Arsitektur Data Mining
APPLIED DATABASE III - Slide Arsitektur Data MiningDEDE IRYAWAN
 
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
 
educational research
educational researcheducational research
educational researchharjunode
 
MateriDSS-SKP.ppt
MateriDSS-SKP.pptMateriDSS-SKP.ppt
MateriDSS-SKP.pptpurwantoid1
 
penggunaan condition pada C++ (devc++) dan penjelasannya
penggunaan condition pada C++ (devc++) dan penjelasannyapenggunaan condition pada C++ (devc++) dan penjelasannya
penggunaan condition pada C++ (devc++) dan penjelasannyaAngga Joe Amstrong
 

Similar to 10 (20)

Pertemuan 3 Model Data Mining.pptx
Pertemuan 3 Model Data Mining.pptxPertemuan 3 Model Data Mining.pptx
Pertemuan 3 Model Data Mining.pptx
 
TUGAS 1 KEL 4 SISTEM LOGISTIK.pptx
TUGAS 1 KEL 4 SISTEM LOGISTIK.pptxTUGAS 1 KEL 4 SISTEM LOGISTIK.pptx
TUGAS 1 KEL 4 SISTEM LOGISTIK.pptx
 
MODUL DATA MINING
MODUL DATA MININGMODUL DATA MINING
MODUL DATA MINING
 
Pertemuan 4.pdf
Pertemuan 4.pdfPertemuan 4.pdf
Pertemuan 4.pdf
 
BAB_5_Data_Mining.ppt
BAB_5_Data_Mining.pptBAB_5_Data_Mining.ppt
BAB_5_Data_Mining.ppt
 
99 1-414-2-10-20190724
99 1-414-2-10-2019072499 1-414-2-10-20190724
99 1-414-2-10-20190724
 
Data Mining Diskusi 2.pdf
Data Mining Diskusi 2.pdfData Mining Diskusi 2.pdf
Data Mining Diskusi 2.pdf
 
Haikal muqoddasy 1418191
Haikal muqoddasy 1418191Haikal muqoddasy 1418191
Haikal muqoddasy 1418191
 
Data Mining Diskusi 3.pdf
Data Mining Diskusi 3.pdfData Mining Diskusi 3.pdf
Data Mining Diskusi 3.pdf
 
mengelola sumber data
mengelola sumber datamengelola sumber data
mengelola sumber data
 
10 feature engineering-univ-gunadarma
10 feature engineering-univ-gunadarma10 feature engineering-univ-gunadarma
10 feature engineering-univ-gunadarma
 
Analisis dan penyajian data
Analisis dan penyajian dataAnalisis dan penyajian data
Analisis dan penyajian data
 
ppt metopen kel 09.pptx
ppt metopen kel 09.pptxppt metopen kel 09.pptx
ppt metopen kel 09.pptx
 
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
 
APPLIED DATABASE III - Slide Arsitektur Data Mining
APPLIED DATABASE III - Slide Arsitektur Data MiningAPPLIED DATABASE III - Slide Arsitektur Data Mining
APPLIED DATABASE III - Slide Arsitektur Data Mining
 
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
 
educational research
educational researcheducational research
educational research
 
MateriDSS-SKP.ppt
MateriDSS-SKP.pptMateriDSS-SKP.ppt
MateriDSS-SKP.ppt
 
penggunaan condition pada C++ (devc++) dan penjelasannya
penggunaan condition pada C++ (devc++) dan penjelasannyapenggunaan condition pada C++ (devc++) dan penjelasannya
penggunaan condition pada C++ (devc++) dan penjelasannya
 
Tugas 1 data mining publish
Tugas 1 data mining publishTugas 1 data mining publish
Tugas 1 data mining publish
 

More from dedesumarni3 (10)

9
99
9
 
8
88
8
 
7
77
7
 
6
66
6
 
5
55
5
 
4
44
4
 
3
33
3
 
2
22
2
 
1
11
1
 
Ilmu budaya dasar ke 1
Ilmu budaya dasar ke 1Ilmu budaya dasar ke 1
Ilmu budaya dasar ke 1
 

Recently uploaded

3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdf
3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdf3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdf
3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdfMuhammadNurBalad
 
FORMULIR PERENCANAAN OBSERVASI KELAS.docx
FORMULIR PERENCANAAN OBSERVASI KELAS.docxFORMULIR PERENCANAAN OBSERVASI KELAS.docx
FORMULIR PERENCANAAN OBSERVASI KELAS.docxRamadhaniRamadhani23
 
Bab 2_Etika Lingkungannnnnnnnnnnnnnn.ppt
Bab 2_Etika Lingkungannnnnnnnnnnnnnn.pptBab 2_Etika Lingkungannnnnnnnnnnnnnn.ppt
Bab 2_Etika Lingkungannnnnnnnnnnnnnn.pptMichael Bradley
 
LANGKAH-LANGKAH OBSERVASI GURU DALAM PMM.pptx
LANGKAH-LANGKAH OBSERVASI GURU DALAM PMM.pptxLANGKAH-LANGKAH OBSERVASI GURU DALAM PMM.pptx
LANGKAH-LANGKAH OBSERVASI GURU DALAM PMM.pptxkavinjimustofa
 
Modul Projek - Permainan Tradisional Indonesia - Fase Fondasi.pdf
Modul Projek  - Permainan Tradisional Indonesia - Fase Fondasi.pdfModul Projek  - Permainan Tradisional Indonesia - Fase Fondasi.pdf
Modul Projek - Permainan Tradisional Indonesia - Fase Fondasi.pdfmuhtaromcomputer
 
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
 
Suku Bare'e (Baree) di Sulawesi Bagian Tengah
Suku Bare'e (Baree) di Sulawesi Bagian TengahSuku Bare'e (Baree) di Sulawesi Bagian Tengah
Suku Bare'e (Baree) di Sulawesi Bagian TengahPejuangKeadilan2
 
Basic Presentation Skill,PPDS.pdf tugas komunikasi
Basic Presentation Skill,PPDS.pdf tugas komunikasiBasic Presentation Skill,PPDS.pdf tugas komunikasi
Basic Presentation Skill,PPDS.pdf tugas komunikasidiyahwahab1
 
PELAKSANAAN + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...
PELAKSANAAN  + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...PELAKSANAAN  + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...
PELAKSANAAN + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...Kanaidi ken
 
bab 5 konektivitas antar ruang dan waktu-1.pptx
bab 5 konektivitas antar ruang dan waktu-1.pptxbab 5 konektivitas antar ruang dan waktu-1.pptx
bab 5 konektivitas antar ruang dan waktu-1.pptxNurulyDybala1
 
Melakukan Asesmen Format Alternatif.pptx
Melakukan Asesmen Format Alternatif.pptxMelakukan Asesmen Format Alternatif.pptx
Melakukan Asesmen Format Alternatif.pptxMuhammadMiftahThaibi
 
Modul Ajar Fisika Kelas 11 Fase F Kurikulum Merdeka
Modul Ajar Fisika Kelas 11 Fase F Kurikulum MerdekaModul Ajar Fisika Kelas 11 Fase F Kurikulum Merdeka
Modul Ajar Fisika Kelas 11 Fase F Kurikulum MerdekaModul Guruku
 
PPT PERSIAPAN OBSERVASI (MODUL AJAR).pptx
PPT PERSIAPAN OBSERVASI (MODUL AJAR).pptxPPT PERSIAPAN OBSERVASI (MODUL AJAR).pptx
PPT PERSIAPAN OBSERVASI (MODUL AJAR).pptximamasyari24
 
Bahan Presentasi Bedah Buku _"STRATEGI DIGITAL MARKETING" by Ken Kanaidi.pptx
Bahan Presentasi Bedah  Buku _"STRATEGI DIGITAL MARKETING" by Ken Kanaidi.pptxBahan Presentasi Bedah  Buku _"STRATEGI DIGITAL MARKETING" by Ken Kanaidi.pptx
Bahan Presentasi Bedah Buku _"STRATEGI DIGITAL MARKETING" by Ken Kanaidi.pptxKanaidi ken
 
Kerajaan Tojo (Todjo) di Sulawesi Bagian Tengah
Kerajaan Tojo (Todjo) di Sulawesi Bagian TengahKerajaan Tojo (Todjo) di Sulawesi Bagian Tengah
Kerajaan Tojo (Todjo) di Sulawesi Bagian TengahPejuangKeadilan2
 
SERTIFIKAT KOMUNITAS BELAJAR FIX UPLOAD.pdf
SERTIFIKAT KOMUNITAS BELAJAR FIX UPLOAD.pdfSERTIFIKAT KOMUNITAS BELAJAR FIX UPLOAD.pdf
SERTIFIKAT KOMUNITAS BELAJAR FIX UPLOAD.pdfDOWENSAPETUASIMARMAT
 
Modul Ajar Matematika - Laporan Statistik - Fase E.pdf
Modul Ajar Matematika - Laporan Statistik  - Fase E.pdfModul Ajar Matematika - Laporan Statistik  - Fase E.pdf
Modul Ajar Matematika - Laporan Statistik - Fase E.pdfHaniNovi
 
STUNTING SEDERHANA. Pengertian Stunting, ciri, ciri, gejala(penyebab), pengob...
STUNTING SEDERHANA. Pengertian Stunting, ciri, ciri, gejala(penyebab), pengob...STUNTING SEDERHANA. Pengertian Stunting, ciri, ciri, gejala(penyebab), pengob...
STUNTING SEDERHANA. Pengertian Stunting, ciri, ciri, gejala(penyebab), pengob...SantiKartini1
 
Bahasa Bare'e, Bahasa pembentuk nama negara Indonesia
Bahasa Bare'e, Bahasa pembentuk nama negara IndonesiaBahasa Bare'e, Bahasa pembentuk nama negara Indonesia
Bahasa Bare'e, Bahasa pembentuk nama negara Indonesiaposotojo01
 
01. Manual Book - SIPD Republik Indonesia Modul Penatausahaan Pengeluaran - P...
01. Manual Book - SIPD Republik Indonesia Modul Penatausahaan Pengeluaran - P...01. Manual Book - SIPD Republik Indonesia Modul Penatausahaan Pengeluaran - P...
01. Manual Book - SIPD Republik Indonesia Modul Penatausahaan Pengeluaran - P...ainullabib3523
 

Recently uploaded (20)

3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdf
3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdf3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdf
3.1.a.6 Demontrasi Kontekstual Modul 3.1. MN_BALAD.pdf
 
FORMULIR PERENCANAAN OBSERVASI KELAS.docx
FORMULIR PERENCANAAN OBSERVASI KELAS.docxFORMULIR PERENCANAAN OBSERVASI KELAS.docx
FORMULIR PERENCANAAN OBSERVASI KELAS.docx
 
Bab 2_Etika Lingkungannnnnnnnnnnnnnn.ppt
Bab 2_Etika Lingkungannnnnnnnnnnnnnn.pptBab 2_Etika Lingkungannnnnnnnnnnnnnn.ppt
Bab 2_Etika Lingkungannnnnnnnnnnnnnn.ppt
 
LANGKAH-LANGKAH OBSERVASI GURU DALAM PMM.pptx
LANGKAH-LANGKAH OBSERVASI GURU DALAM PMM.pptxLANGKAH-LANGKAH OBSERVASI GURU DALAM PMM.pptx
LANGKAH-LANGKAH OBSERVASI GURU DALAM PMM.pptx
 
Modul Projek - Permainan Tradisional Indonesia - Fase Fondasi.pdf
Modul Projek  - Permainan Tradisional Indonesia - Fase Fondasi.pdfModul Projek  - Permainan Tradisional Indonesia - Fase Fondasi.pdf
Modul Projek - Permainan Tradisional Indonesia - Fase Fondasi.pdf
 
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
 
Suku Bare'e (Baree) di Sulawesi Bagian Tengah
Suku Bare'e (Baree) di Sulawesi Bagian TengahSuku Bare'e (Baree) di Sulawesi Bagian Tengah
Suku Bare'e (Baree) di Sulawesi Bagian Tengah
 
Basic Presentation Skill,PPDS.pdf tugas komunikasi
Basic Presentation Skill,PPDS.pdf tugas komunikasiBasic Presentation Skill,PPDS.pdf tugas komunikasi
Basic Presentation Skill,PPDS.pdf tugas komunikasi
 
PELAKSANAAN + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...
PELAKSANAAN  + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...PELAKSANAAN  + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...
PELAKSANAAN + Link-Link MATERI Training _"Teknik Perhitungan & Verifikasi TK...
 
bab 5 konektivitas antar ruang dan waktu-1.pptx
bab 5 konektivitas antar ruang dan waktu-1.pptxbab 5 konektivitas antar ruang dan waktu-1.pptx
bab 5 konektivitas antar ruang dan waktu-1.pptx
 
Melakukan Asesmen Format Alternatif.pptx
Melakukan Asesmen Format Alternatif.pptxMelakukan Asesmen Format Alternatif.pptx
Melakukan Asesmen Format Alternatif.pptx
 
Modul Ajar Fisika Kelas 11 Fase F Kurikulum Merdeka
Modul Ajar Fisika Kelas 11 Fase F Kurikulum MerdekaModul Ajar Fisika Kelas 11 Fase F Kurikulum Merdeka
Modul Ajar Fisika Kelas 11 Fase F Kurikulum Merdeka
 
PPT PERSIAPAN OBSERVASI (MODUL AJAR).pptx
PPT PERSIAPAN OBSERVASI (MODUL AJAR).pptxPPT PERSIAPAN OBSERVASI (MODUL AJAR).pptx
PPT PERSIAPAN OBSERVASI (MODUL AJAR).pptx
 
Bahan Presentasi Bedah Buku _"STRATEGI DIGITAL MARKETING" by Ken Kanaidi.pptx
Bahan Presentasi Bedah  Buku _"STRATEGI DIGITAL MARKETING" by Ken Kanaidi.pptxBahan Presentasi Bedah  Buku _"STRATEGI DIGITAL MARKETING" by Ken Kanaidi.pptx
Bahan Presentasi Bedah Buku _"STRATEGI DIGITAL MARKETING" by Ken Kanaidi.pptx
 
Kerajaan Tojo (Todjo) di Sulawesi Bagian Tengah
Kerajaan Tojo (Todjo) di Sulawesi Bagian TengahKerajaan Tojo (Todjo) di Sulawesi Bagian Tengah
Kerajaan Tojo (Todjo) di Sulawesi Bagian Tengah
 
SERTIFIKAT KOMUNITAS BELAJAR FIX UPLOAD.pdf
SERTIFIKAT KOMUNITAS BELAJAR FIX UPLOAD.pdfSERTIFIKAT KOMUNITAS BELAJAR FIX UPLOAD.pdf
SERTIFIKAT KOMUNITAS BELAJAR FIX UPLOAD.pdf
 
Modul Ajar Matematika - Laporan Statistik - Fase E.pdf
Modul Ajar Matematika - Laporan Statistik  - Fase E.pdfModul Ajar Matematika - Laporan Statistik  - Fase E.pdf
Modul Ajar Matematika - Laporan Statistik - Fase E.pdf
 
STUNTING SEDERHANA. Pengertian Stunting, ciri, ciri, gejala(penyebab), pengob...
STUNTING SEDERHANA. Pengertian Stunting, ciri, ciri, gejala(penyebab), pengob...STUNTING SEDERHANA. Pengertian Stunting, ciri, ciri, gejala(penyebab), pengob...
STUNTING SEDERHANA. Pengertian Stunting, ciri, ciri, gejala(penyebab), pengob...
 
Bahasa Bare'e, Bahasa pembentuk nama negara Indonesia
Bahasa Bare'e, Bahasa pembentuk nama negara IndonesiaBahasa Bare'e, Bahasa pembentuk nama negara Indonesia
Bahasa Bare'e, Bahasa pembentuk nama negara Indonesia
 
01. Manual Book - SIPD Republik Indonesia Modul Penatausahaan Pengeluaran - P...
01. Manual Book - SIPD Republik Indonesia Modul Penatausahaan Pengeluaran - P...01. Manual Book - SIPD Republik Indonesia Modul Penatausahaan Pengeluaran - P...
01. Manual Book - SIPD Republik Indonesia Modul Penatausahaan Pengeluaran - P...
 

10

  • 1. TEMA : TENTANG DATA MINING DEDE SUMARNI SISTEM INFORMASI UNIVERSITAS GUNADARMA
  • 2. Pengertian Data Mining  Data Mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar (Turban dkk. 2005). Terdapat beberapa istilah lain yang memiliki makna sama dengan data mining, yaitu Knowledge discovery in databases (KDD), ekstraksi pengetahuan (knowledge extraction), Analisa data/pola (data/pattern analysis), kecerdasan bisnis (business intelligence) dan data archaeology dan data dredging (Larose, 2005)
  • 3.  Kemampuan Data mining untuk mencari informasi bisnis yang berharga dari basis data yang sangat besar, dapat dianalogikan dengan penambangan logam mulia dari lahan sumbernya, teknologi ini dipakai untuk :  Prediksi trend dan sifat-sifat bisnis, dimana data mining mengotomatisasi proses pencarian informasi pemprediksi di dalam basis data yang besar.  Penemuan pola-pola yang tidak diketahui sebelumnya, dimana data mining menyapu basis data, kemudian mengidentifikasi pola- pola yang sebelumnya tersembunyi dalam satu sapuan.  Data mining berguna untuk membuat keputusan yang kritis, terutama dalam strategi.
  • 4. Berikut ini beberapa definisi data mining dari beberapa sumber (Larose, 2005):  Data mining adalah proses menemukan sesuatu yang bermakna dari suatu korelasi baru, pola dan tren yang ada dengan cara memilah-milah data berukuran besar yang disimpan dalam repositori, menggunakan teknologi pengenalan pola serta teknik matematika dan statistik.  Data mining adalah analisis pengamatan database untuk menemukan hubungan yang tidak terduga dan untuk meringkas data dengan cara atau metode baru yang dapat dimengerti dan bermanfaat kepada pemilik data.
  • 5.  Data mining merupakan bidang ilmu interdisipliner yang menyatukan teknik pembelajaran dari mesin (machine learning), pengenalan pola (pattern recognition), statistik, database, dan visualisasi untuk mengatasi masalah ekstraksi informasi dari basis data yang besar.  Data mining diartikan sebagai suatu proses ekstraksi informasi berguna dan potensial dari sekumpulan data yang terdapat secara implisit dalam suatu basis data.
  • 6. Fungsi Data Mining Data mining mempunyai fungsi yang penting untuk membantu mendapatkan informasi yang berguna serta meningkatkan pengetahuan bagi pengguna. Pada dasarnya, data mining mempunyai empat fungsi dasar yaitu:  Fungsi Prediksi (prediction). Proses untuk menemukan pola dari data dengan menggunakan beberapa variabel untuk memprediksikan variabel lain yang tidak diketahui jenis atau nilainya.  Fungsi Deskripsi (description). Proses untuk menemukan suatu karakteristik penting dari data dalam suatu basis data.
  • 7.  Fungsi Klasifikasi (classification). Klasifikasi merupakan suatu proses untuk menemukan model atau fungsi untuk menggambarkan class atau konsep dari suatu data. Proses yang digunakan untuk mendeskripsikan data yang penting serta dapat meramalkan kecenderungan data pada masa depan.  Fungsi Asosiasi (association). Proses ini digunakan untuk menemukan suatu hubungan yang terdapat pada nilai atribut dari sekumpulan data.
  • 8. Proses Data Mining Proses yang umumnya dilakukan oleh data mining antara lain: deskripsi, prediksi, estimasi, klasifikasi, clustering dan asosiasi. Secara rinci proses data mining dijelaskan sebagai berikut (Larose, 2005):
  • 9. a. Deskripsi  Deskripsi bertujuan untuk mengidentifikasi pola yang muncul secara berulang pada suatu data dan mengubah pola tersebut menjadi aturan dan kriteria yang dapat mudah dimengerti oleh para ahli pada domain aplikasinya. Aturan yang dihasilkan harus mudah dimengerti agar dapat dengan efektif meningkatkan tingkat pengetahuan (knowledge) pada sistem. Tugas deskriptif merupakan tugas data mining yang sering dibutuhkan pada teknik postprocessing untuk melakukan validasi dan menjelaskan hasil dari proses data mining. Postprocessing merupakan proses yang digunakan untuk memastikan hanya hasil yang valid dan berguna yang dapat digunakan oleh pihak yang berkepentingan.
  • 10. b. Prediksi  Prediksi memiliki kemiripan dengan klasifikasi, akan tetapi data diklasifikasikan berdasarkan perilaku atau nilai yang diperkirakan pada masa yang akan datang. Contoh dari tugas prediksi misalnya untuk memprediksikan adanya pengurangan jumlah pelanggan dalam waktu dekat dan prediksi harga saham dalam tiga bulan yang akan datang.
  • 11. c. Estimasi  Estimasi hampir sama dengan prediksi, kecuali variabel target estimasi lebih ke arah numerik dari pada ke arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai variabel prediksi. Sebagai contoh, akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, berat badan, dan level sodium darah. Hubungan antara tekanan darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan menghasilkan model estimasi.
  • 12. d. Klasifikasi  Klasifikasi merupakan proses menemukan sebuah model atau fungsi yang mendeskripsikan dan membedakan data ke dalam kelas-kelas. Klasifikasi melibatkan proses pemeriksaan karakteristik dari objek dan memasukkan objek ke dalam salah satu kelas yang sudah didefinisikan sebelumnya.
  • 13. e. Clustering  Clustering merupakan pengelompokan data tanpa berdasarkan kelas data tertentu ke dalam kelas objek yang sama. Sebuah kluster adalah kumpulan record yang memiliki kemiripan suatu dengan yang lainnya dan memiliki ketidakmiripan dengan record dalam kluster lain. Tujuannya adalah untuk menghasilkan pengelompokan objek yang mirip satu sama lain dalam kelompok- kelompok. Semakin besar kemiripan objek dalam suatu cluster dan semakin besar perbedaan tiap cluster maka kualitas analisis cluster semakin baik.
  • 14. f. Asosiasi  Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam suatu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja (market basket analisys). Tugas asosiasi berusaha untuk mengungkap aturan untuk mengukur hubungan antara dua atau lebih atribut.
  • 15. Tahapan Data Mining  Tahapan yang dilakukan pada proses data mining diawali dari seleksi data dari data sumber ke data target, tahap preprocessing untuk memperbaiki kualitas data, transformasi, data mining serta tahap interpretasi dan evaluasi yang menghasilkan output berupa pengetahuan baru yang diharapkan memberikan kontribusi yang lebih baik. Secara detail dijelaskan sebagai berikut (Fayyad, 1996):
  • 16. 1. Data selection  Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang digunakan untuk proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional. 2. Pre-processing / cleaning  Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data.
  • 17. 3. Transformation  Coding adalah proses transformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data. 4. Data mining  Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan.
  • 18. 5. Interpretation / evalution  Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya.
  • 19. Daftar Pustaka  Turban, E, 2005, Decision Support Systems and Intelligent Systems Edisi Bahasa Indonesia Jilid 1. Andi: Yogyakarta.  Larose, Daniel T. 2005. Discovering Knowledge in Data : An Introduction to Data Mining. John Willey & Sons, Inc.  ayyad, Usama. 1996. Advances in Knowledge Discovery and Data Mining. MIT Press.  https://www.kajianpustaka.com/2017/09/ data-mining.html