01. Pengantar Penambangan Data.pdf

1. Penambangan Data
Pengantar Penambangan Data
(Data Mining)
Oleh :
Fakhrian Fadlia Adiwijaya

2. Rancangan Pembelajaran Semester
1. Pengantar Data Mining
2. Data untuk Data Mining (Jenis-jenis Data,
Pengukuran Data, Nilai dan Atribut)
3. Prepoccesing Data (Seleksi, Data Cleaning,
Missing Value, Transformasi Data)
4. Metode Learning (Disiplin Data Mining,
Supervised & Unsupervised, Klasifikasi,
Prediksi, Estimasi, Klastering, dan Asosiasi)
5. Klasifikasi dengan Naive Bayes
6. Klasifikasi dengan KNN
7. Klasifikasi dengan Decision Tree
Evaluasi Tengah Semester (UTS)
Menuju UTS
9. Klastering (Teknik Klaster, Metode Partisi,
Metode Hirarkis)
10. Metode Partisi (K-Means Klastering)
11. Metode Hirarkis (AHC)
12. Regresi (Sederhana dan Multivariat)
13. Asosiasi dengan Apriori & FP-Growth
14,15. Validasi dan Pengujian Model
Evaluasi Akhir Semester (UAS)
Menuju UAS

3. Kontrak Perkuliahan
30%TUGAS + 30% UTS + 40%UAS
● Kehadiran menjadi bahan pertimbangan
● Bobot Penilaian
● Perkuliahan : Synchronous (Kelas), Asynchronous (LMS, Youtube)
● Tugas Akhir :
Pembuatan Produk Data Mining menggunakan Python

4. Referensi Perkuliahan
● Jiawei Han, Micheline Kamber, Jian Pei, Data Mining : concepts
and techniques - 3rd ed, Elsevier, 2012
● Ian H. Witten, Eibe Frank, Mark A. Hall, Christopel J. Pal, Data
Mining : Practical Machine Learning Tools and Techniques - 4th
ed, Elsevier, 2017
● Andreas C. Muller & Sarah Guido, Introduction to Machine
Learning with Python, O’Reilly, 2017
● Valentina Porcu, Python for Data Mining Quick Syntax Reference,
Apress, 2018
● Max Bramer, Principles of Data Mining - Undergraduate Topics in
Computer Science - 4th ed, Springer, 2020

5. Pengantar Data Mining

6. Pengantar Data Mining
MINING vs WAREHOUSING
MINING WAREHOUSING

7. The World of Data

9. Pengantar Data Mining
Rich Data, Poor Information

10. Pengantar Data Mining
Business Intelligence

11. Pengantar Data Mining
Data Integration & Analysis

12. From Data To Intelligence
Database
Preprocessing
Data Mining
Decision Models

13. Big Data

14. Interdisciplinary
Data Mining
Pattern
Recognition
Statistics
Artificial
Intelligence
Machine
Learning

15. Ubiquitous
Data Mining
Business
Intelligence
Data Analytics
Big Data
Decision Support
Customer
Relationship
Managemen

16. Apa itu Data Mining ??

17. Apa itu Data Mining?
● Disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan
atau penemuan pola dari suatu data yang besar
● Data : fakta yang terekam dan tidak membawa arti
● Informasi : penjelasan, rangkuman, rekap dan statistik dari data
● Pengetahuan : pola, aturan atau model yang muncul dari data.
● Sehingga data mining sering disebut Knowledge Discovery in Databases
(KDD)
● Konsep Transformasi : Data → Informasi → Pengetahuan → Kebijakan

18. Data
● Tidak membawa arti, merupakan kumpulan dari fakta-fakta tentang suatu
kejadian
● Suatu catatan terstruktur dari suatu transaksi
● Merupakan materi penting dalam membentuk informasi

19. Informasi
● Hasil olahan dari data setelah direkap atau dirangkum
● Hasil statistik dari data
● Sekumpulan data atau fakta yang telah diproses dan diolah sedemikian
rupa sehingga menghasilkan sesuatu yang bisa dipahami dan memberikan
manfaat bagi penerimanya

20. 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

21. Data → Informasi → Pengetahuan → Kebijakan
● Data Kehadiran Karyawan
Id Karyawan Tanggal Waktu Datang Waktu Pulang
ID0001 03/03/2021 07:10 15:45
ID0002 03/03/2021 07:25 15:35
ID0003 03/03/2021 07:56 16:01
ID0004 03/03/2021 08:01 15:16
ID0005 03/03/2021 07:07 16:34

22. Data → Informasi → Pengetahuan → Kebijakan
● Informasi Akumulasi Bulanan Kehadiran Karyawan
Id Karyawan Masuk Alpa Cuti Sakit Telat
ID0001 25
ID0002 19 5 1
ID0003 11 4 10
ID0004 10 7 4 4
ID0005 9 1 10 5

23. Data → Informasi → Pengetahuan → Kebijakan
● Pola kebiasaan kehadiran Mingguan Karyawan
Senin Selasa Rabu Kamis Jum’at
Terlambat 8 1 0 1 5
Pulang Awal 0 1 0 2 9
Izin 4 0 1 0 4
Alpa 3 0 2 0 3

24. ● Pengetahuan tentang kebiasaan karyawan dalam jam datang / pulang kerja
● Pengetahuan tentang bagaimana teknik untuk meningkatkan kehadiran
karyawan → Kebijakan
Data → Informasi → Pengetahuan → Kebijakan

25. ● Kebijakan penataan jam kerja karyawan khusus untuk hari Senin dan Jum’at
● Peraturan jam kerja :
* Hari Senin dimulai jam 10:00
* Hari Jum’at diakhiri jam 14:00
* Sisa jam kerja dikompensasi ke hari lain
Data → Informasi → Pengetahuan → Kebijakan

26. From Data To Intelligence
Data Absensi Karyawan
Informasi Rekap Kehadiran
Karyawan
Pola Kebiasaan Datang-Pulang
Karyawan
Kebijakan Penataan Jam Kerja
Karyawan

27. Data → Informasi → Pengetahuan → Kebijakan

28. Konsep Proses Data Mining

29. ● Techniques for finding patterns in data, patterns that provide insight or enable fast
and accurate decision making (Witten et al., 2017)
● Kegiatan mengekstrak informasi atau pengetahuan (knowledge) penting dari suatu
set data berukuran besar dengan menggunakan teknik tertentu (Santosa, 2018).
● The not-trivial extraction of implicit, previously unknown and potentially useful
information from data (Bramer, 2020)
Pengertian Data Mining

30. Contoh Data di Akademik
● Puluhan ribu data mahasiswa di kampus yang diambil dari Sistem Informasi
Akademik
● Apakah pernah kita ubah menjadi pengetahuan yang lebih bermanfaat? TIDAK!
● Seperti apa pengetahuan itu? Rumus, Pola, Aturan?
NIM Gender Nilai UK Asal
Sekolah
IPS1 IPS2 IPS3 IPS4 … Lulus Tepat Waktu
1010001 L 28 SMAN 2 3.3 3.6 2.89 2.9 … Ya
1010001 P 27 SMA DK 4. 3.2 3.8 3.7 … Tidak
1010001 P 24 SMAN 1 2.7 3.4 4.0 3.5 … Tidak
1010001 L 26.4 SMAN 3 3.2 2.7 3.6 3.4 … Ya
… … … … … … … … … …
1010111 L 23.4 SMAN 5 3.3 2.8 3.1 3.2 … Ya

31. Prediksi Kelulusan Mahasiswa

32. Klastering Tingkat Kemiskinan

33. Pola Aturan Asosiasi di Amazon.com

34. From Stupid Apps to Smart Apps
Stupid
Applications
● Sistem Informasi
Akademik
● Sistem
Pencatatan
Pemilu
● Sistem Laporan
Kekayaan Pejabat
● Sistem
Pencatatan Kredit
Smart
Applications
● Sistem Prediksi
Kelulusan
Mahasiswa
● Sistem Prediksi
Hasil Pemilu
● Sistem Prediksi
Koruptor
● Sistem Penentu
Kelayakan Kredit

35. Revolusi Industri 4.0

36. Perusahaan Pengolah Pengetahuan
● Uber - the world’s largest taxi company, owns no vehicles.
● Google - world’s largest media/advertising company, creates no content.
● Alibaba - the most valuable retailer, has no inventory.
● Airbnb - the world’s largest accommodation provider, owns no real estate
● Gojek - perusahaan angkutan umum, tanpa memiliki kendaraan.

37. Data Mining Tasks and Roles in General
Data Sources
Paper, Files, Web documents, Scientific experiments, Database Systems
Data Preprocessing, Data Integration, Data Warehouses
Data Exploration
Statistical Summary, Metadata, and Description
Data Mining
Information Discovery and Modeling
Data Presentation
Visualization Techniques
Decision
Making
Database
Administrator
Data
Scientist
Business
Analyst
End
User
Increasing potential
values to support
business decisions

38. Tugas
● Jelaskan pemahaman anda tentang Data Mining?
● Sebutkan dan jelaskan implementasi dari Data Mining?
● Bagaimana menurut anda peran Data Mining dalam menyelesaikan
permasalahan terkait dengan data saat ini?