Dokumen tersebut membahas implementasi aljabar linear dalam teknologi data mining. Secara khusus membahas beberapa metode pengelompokan data mining seperti deskripsi, estimasi, prediksi, klasifikasi, pengkusteran, dan asosiasi. Metode pengkusteran seperti k-means dan mixture modelling dijelaskan secara singkat. Contoh kasus penjualan di supermarket diberikan untuk memperjelas pembahasan.

1. ”IMPLEMENTASI
ALJABAR LINEAR
DALAM TEKNOLOGI
DATA MINING”
DISUSUN OLEH :
Andi Siti Nur Aisyah (171510061)
Rino Mandala (171510086)

3. DATA MINING

4. PENGELOMPOKKAN DATA
MINING
1. Deskripsi 2. Estimasi 3. Prediksi
4. Klasifikasi
5.
Pengklusteran
6. Asosiasi

5. PENGELOMPOKKAN DATA
MINING
1. Deskripsi
Terkadang peneliti dan analis secara sederhana
ingin mencoba mencari cara untuk
menggambarkan pola dan kecenderungan yang
terdapat dalam data. Sebagai contoh petugas
pengumpulan suara mungkin tidak dapat
mengumpulkan keterangan atau fakta bahwa
siapa yang tidak cukup professional akan sedikit
didukung dalam pemilihan pressiden, deskripsi
dari pola kecenderungan sering memberikan
kemungkinan penjelasan untuk suatu pola atau
kecendrungan.

6. PENGELOMPOKKAN DATA
MINING
2. Estimasi Estimasi hampir sama dengan klasifikasi, kecuali
variabel target estimasi lebih ke arah numerik daripada
ke arah kategori. Model dibangun dengan record
lengkap yang menyediakan nilai dari variabel target
sebagai nilai prediksi. Sebagai contoh akan dilakukan
estimasi tekanan darah sistolik pada pasien rumah sakit
berdasarkan umur pasien, jenis kelamin, indeks berat
badan dan level sodium darah. Hubungan antara tekanan
darah sistolik dan nilai variabel prediksi dalam proses
pembelajaran akan menghasilkan model estimasi. Model
estimasi yang dihasilkan dapat digunakan untuk kasus
baru lainnya.

7. PENGELOMPOKKAN DATA
MINING
3. Prediksi Prediksi hampir sama dengan klasifikasi dan
estimasi, kecuali bahwa dalam prediksi nilai dari hasil
akan ada dimasa mendatang.
Contoh prediksi dalam bisnis dan penelitian adalah:
a. Prediksi harga beras dalam tiga bulan yang akan
datang.
b. Prediksi presentase kenaikan kecelakaan lalu lintas
tahun depan jika batas bawah dinaikan.
Beberapa metode dan teknik yang digunakan
dalam klasifikasi dan estimasi dapat pula digunakan
(untuk keadaan yang tepat) untuk prediksi.

8. PENGELOMPOKKAN DATA
MINING
4. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori,
sebagai contoh penggolongan pendapatan dapat
dipisahkan dalam tiga kategori yaitu: pendapatan tinggi,
pendapatan sedang, dan pendapatan rendah.
Contoh lain klasifikasi dalam bisnis dan penelitian
adalah:
a.Menentukan apakah sutau transaksi kartu kredit
merupakan transaksi yang curang atau bukan.
b.Memperkirakan apakah suatu pengajuan hipotek
nasabah merupakan suatu kredit yang baik atau buruk.
c.Mendiagnosis penyakit seorang pasien untuk
mendapatkan termasuk kategori penyakit apa.

9. 5. Pengklusteran
PENGELOMPOKKAN DATA
MINING
Pengklusteran merupakan pengelompokkan record,
pengamatan, atau memperhatikan dan membentuk kelas
objek-objek yang memiliki kemiripan. Kluster adalah
kumpulan record yang memiliki kemiripan satu dengan
yang lainnya dan tidak memiliki kemiripan dengan record-
record dalam kluster lain. Pengklusteran berbeda dengan
klasifikasi yaitu tidak adanya variabel target dalam
pengklusteran, pengklusteran tidak mencoba untuk
melakukan klasifikasi, mengestimasi, atau memprediski
nilai dari variabel target. Untuk tujuan audit akuntansi,
yaitu melakukan pemisahan terhadap perilaku finansial
dalam baik maupun mencurigakan.
Melakukan pengklusteran terhadap ekspresi dari en, untuk
mendapatkan kemiripan perilaku dari gen dalam jumlah
besar.

10. 6. Asosiasi
PENGELOMPOKKAN DATA
MINING
Tugas asosiasi dalam data mining adalah
menemukan atribut yang muncul dalam satu
waktu. Dalam dunia bisnis lebih umum disebut
analisis keranjangan pasar.
Contoh asosisasi dalam bisnis dan penelitian
adalah:
Meneliti jumlah pelanggan dan perusahaan
telekomunikasi seluler yang diharapkan untuk
memberikan respon positif terhadap penawaran
upgrade layanan yang diberikan.
Menemukan barang dalam supermarket yang
dibeli secara bersamaan dan barang yang tidak
pernah dibeli secara bersamaan.

11. Clustering
Metode penganalisaan data, yang sering
dimasukkan sebagai salah satu metode Data
Mining, yang tujuannya adalah untuk
mengelompokkan data dengan karakteristik
yang sama ke suatu 'wilayah' yang sama dan
data dengan karakteristik yang berbeda ke
'wilayah' yang lain.

12. K-MEANS
Salah satu metode yang berusaha
mempartisi data yang ada dalam
bentuk satu atau lebih Cluster.

13. Secara umum metode k-means ini melakukan proses
pengelompokan dengan prosedur sebagai berikut
(Maimon et al, 2010):
Tentukan jumlah cluster.
Alokasikan data secara random ke cluster
yang ada.
Hitung rata-rata setiap cluster dari data yang
tergabung di dalamnya.
Alokasikan kembali semua data ke cluster
terdekat.
Ulang proses nomor 3, sampai tidak ada
perubahan atau perubahan yang terjadi masih
sudah di bawah treshold.

14. Mixture modelling
Metode pengelompokan data yang mirip dengan k-means dengan kelebihan
penggunaan distribusi statistik dalam mendefinisikan setiap cluster yang ditemukan.
Dibandingkan dengan k-means yang hanya menggunakan cluster center,
penggunaan distribusi statistik ini mengijinkan kita untuk :
Memodel data yang kita miliki dengan setting karakteristik yang berbeda-beda .
Jumlah cluster yang sesuai dengan keadaan data bisa ditemukan seiring dengan
proses pemodelan karakteristik dari masing-masing cluster .
Hasil pemodelan clustering yang dilaksanakan bisa diuji tingkat keakuratannya.

15. Kita Akan Masuk Ke Contoh
Kasus :
Berikut penyajian data penjualan pada sebuah Supermarket

16. THE END