Dokumen ini membahas metode prediksi numerik dan kategorik menggunakan teknik data mining, seperti analisis regresi linear dan nonlinear, serta model CART. Metode-metode ini dapat digunakan untuk memprediksi penghasilan, waktu pengiriman pesanan, dan kemajuan penyakit menurut data biomedis. Dokumen ini juga menjelaskan penerapan metode-metode tersebut dalam bisnis intelijen untuk memprediksi gaji dan kejahatan

1. PREDIKSI
Metode Data Mining
1
Data Warehouse & Data Mining
oleh
Aty Rachmawati
Aini Hanifa
Ridwan Effendi

2. Outline
Metode Prediksi
◦Analisis Regresi
◦CART
Penerapan di BI
Implementasi Tools
2
Data Warehouse & Data Mining

3. Klasifikasi vs Prediksi
KLASIFIKASI
PREDIKSI
Memprediksi label kategorik (diskrit & tak terurut)
Prediksi Kategorik
Memprediksi label numerik (kontinu & terurut)
Prediksi Numerik
3
Data Warehouse & Data Mining
Baik/Buruk
Tipe A/B/C
Aman/Berisiko
Seberapa aman?
Seberapa berisiko?
Berapa jumlah pendapatan?

4. Prediksi Numerik
Prediksikan
berapa besar penghasilan yang akan diterima karyawan dengan masa kerja 15 tahun
Data Warehouse & Data Mining
4
Contoh:
Diberikan data berikut

5. Regresi Linear
Regresi Nonlinear
Model berbasis regresi lainnya
◦CART (Classification and Regression Tree)
Metode Prediksi Numerik
5
Data Warehouse & Data Mining
Regresi Linear
Regresi Nonlinear
Model berbasis regresi lainnya
•CART(Classification and Regression Tree)

6. Analisis Regresi
Memodelkan hubungan antara satu atau lebih variabel prediktor (independent var.) dan sebuah variabel respons (dependent var.)
•Regresi Linear Sederhana
•Regresi Linear Multivariabel
•Regresi Nonlinear
6
Data Warehouse & Data Mining

7. Contoh Regresi Linear
Data Warehouse & Data Mining
7
Tujuan: mencari persamaan linier (garis lurus) terbaik yang menggambarkan data di atas.

8. Metode Least Square
Data Warehouse & Data Mining
8
}풆풏
} 풆ퟒ
} 풆ퟑ
} 풆ퟐ
} 풆ퟏ
푦=푤1푥+푤0
Metode untuk meminimalkan error titik data terhadap model regresi
Luaran: Koefisien regresi

9. Regresi Nonlinear
Menerapkan transformasi pada variabel- variabel menjadi model regresi linear
Contoh:
푌=푒푤1푥+푤0
ln(푌)=푤1푥+푤0
9
Data Warehouse & Data Mining

10. CART
Classification Tree
Regression Tree
Data Warehouse & Data Mining
10

11. Penerapan di BI (lanj)
Memprediksi gaji lulusan perguruan tinggi dengan x tahun pengalaman kerja
11
Data Warehouse & Data Mining

12. Penerapan di BI (lanj)
12
 Memprediksi berapa lama waktu yang
diperlukan untuk mengantarkan pesanan
berikutnya dengan jarak sekian kilometer
Jarak
(km)
Waktu
(menit)
0,5 9,95
1,1 24,45
1,2 31,75
5,5 35
2,95 25,02
2 16,86
3,75 14,38
Data Warehouse & Data Mining

13. Penerapan di BI (lanj)
Memprediksi kemajuan syaraf motorik dan skor total dari orang yang mengalami penyakit parkinson stadium awal dengan pengukuran suara biomedis
13
Data Warehouse & Data Mining

14. Deskripsi Data
Data kriminalitas US 1995 (FBI)
Variabel Respon :total number of violent crimes per 100K popuation
Data Warehouse & Data Mining
14

15. Model Prediksi
Why?
CART dapat melakukan model prediksi yang memiliki variable respon kontinu
Sederhana, mudah dipahami
Variable prediktor kategorik dan kontinu
Data Warehouse & Data Mining
15

16. Pra Prosesing Data
Seleksi atribut
Missing value
Data Warehouse & Data Mining
16

17. Hasil Prediksi
Root Mean Square Error= 480.706823727564
Mean Absolute Error= 315.266224317104
Relative Absolute Error= 0.796029235366585
Data Warehouse & Data Mining
17