Data Mining

1. KonsepData Mining
Klasifikasi: PohonKeputusan
Bertalya
UniversitasGunadarma
2009

2. DefinisiKlasifikasi
•Prosesuntukmenyatakansuatuobjekkesalahsatukategoriygsudahdidefinisikansebelumnya.
•Prosespembelajaranfungsitarget (model klasifikasi) ygmemetakansetiapsekumpulanatributx (input) kesalahsatuklasy yang didefinisikansebelumnya.
–Input : sekumpulanrecord (training set)
–Setiaprecord terdiriatassekumpulanatribut, salahsatuatributadalahklas.
–Mencarimodel utkatributklassebagaifungsidarinilai2 utkatributyglain.
Klasifikasi 2

3. DefinisiKlasifikasi(lanj.)
•Tujuannyaadalahrecord2 ygsebelumnyatidakterlihatdinyatakankelasnyaseakuratmungkin.
•Model klasifikasidigunakanuntuk
–pemodelandeskriptifsebagaiperangkatpenggambaranutkmembedakanobjek2 dariklasberbeda.
–Pemodelanprediktifdigunakanutkmemprediksilabel klasutkrecord ygtidakdiketahuiatautidakdikenal.
Klasifikasi 3

4. ContohKlasifikasiTid Atr-1 Atr-2 Atr-3 Class1 Yes Single 125K No 2 No Married 100K No 3 No Single 70K No 4 Yes Married 120K No 5 No Divorced 95K Yes 6 No Married 60K No 7 Yes Divorced 220K No 8 No Single 85K Yes 9 No Married 75K No 10 No Single 90K Yes 10 categoricalcategoricalcontinuousclass Atr-1 Atr-2 Atr-3 ClassNo Single 75K ? Yes Married 50K ? No Married 150K ? Yes Divorced 90K ? No Single 40K ? No Married 80K ? 10 TestSetTraining SetModelLearn Classifier
Klasifikasi 4

5. Classifier (TeknikKlasifikasi)
•Merupakanpendekatansistematisutkmembangunmodel klasifikasidarisekumpulandata input.
•Contoh
–Decision tree(pohonkeputusan)
–Rule-based (berbasisaturan)
–Neural network(jaringansyaraf)
–Support Vector Machine (SVM)
–Naïve Bayes
Klasifikasi 5

6. ContohAplikasi1
•PendeteksiKecurangan
–Tujuan: memprediksikecuranganpadatransaksikartukredit
–Pendekatan:
•Gunakantransaksikartukredit& informasimengenaipemegangrekeningsebagaiatribut2.
–Kapansipelangganmembeli, apaygdibeli, seberapasering pelanggan tsbmembayarpadawaktunya, dll
•Tandaitransaksiyglama sebagaitransaksiygbenarataucurang. Hal iniakanmembentukatributklas.
•Pelajarisuatumodel utkklastransaksi
•Gunakanmodel iniutkmendeteksikecurangandgnmengamatitransaksikartukreditpadasuaturekening.
Klasifikasi 6

7. ContohAplikasi2
•Pemasaransecaralangsung
–Tujuan: mengurangibiayapengirimandenganmenargetkansekumpulanpelangganygkemungkinanmembeliproduktelponselularbaru
–Pendekatan:
•Gunakandata utkprodukygsamaygdiperkenalkansebelumnya.
•Kita mengetahuipelangganygmemutuskanmembeliatautidak. Hasilkeputusan{beli, tidakbeli} membentukatributklas.
•Kumpulkaninformasimengenaipelangganygberhubungandengandemografik, gayahidup& interaksidenganperusahaan.
–Tipebisnis, dimananmerekatinggal, berapabanyakygmerekabelanjakan, dll
•Gunakaninformasiinisebagaiatributinput utkmempelajarimodel klasifikasi.
Klasifikasi 7

8. PengukuranKinerjaKlasifikasi
•Akurasi= jumlahprediksiyang benartotal jumlahprediksi•Rata2 kesalahan= jumlahprediksiyang salahtotal jumlahprediksi
Klasifikasi 8

9. PohonKeputusan(Decision Tree)
•Strukturhirarkissepertipohonygterdiriatasnode & edge
–Root node, node ygtidakmempunyaiedge ygmasuk& 0 ataubanyakedge ygkeluar
–Internal node, node ygmempunyaisatuedge ygmasuk& duaataulebihedge ygkeluar
–Leaf atauterminal node, node ygmempunyaisatuedge ygmasuk& tidakadaedge keluar
Leaf atauterminal nodedinyatakansebagailabel klas.
Non-terminal nodeterdiriatasatributkondisitesutkmembedakanrecord dgnkarakteristikberbeda.
Klasifikasi 9

10. ContohPohonKeputusan: KlasifikasiVertebrataSuhutubuhmelahirkanSuhutubuhBukanmamaliaBukanmamaliaMamaliapanasdinginYaTidak
Klasifikasi 10

11. Classification and Regression Trees (CART)
•
Klasifikasi 11

12. ContohGrandparentsA lotA little
Klasifikasi 12

13. Klasifikasi 13
DECISION TREE FOR THE CONCEPT “Play Tennis” DayOutlookTempHumidityWindPlayTenniD1SunnyHotHighWeakNoD2SunnyHotHighStrongNoD3OvercasHotHighWeakYesD4RainMildHighWeakYesD5RainCoolNormalWeakYesD6RainCoolNormalStrongNoD7OvercasCoolNormalStrongYesD8SunnyMildHighWeakNoD9SunnyCoolNormalWeakYesD10RainMildNormalWeakYesD11SunnyMildNormalStrongYesD12OvercasMildHighStrongYesD13OvercasHotNormalWeakYesD14RainMildHighStrongNo
[Mitchell,1997]
Mitchell, 1997

14. Klasifikasi 14
DECISION TREE FOR THE CONCEPT “Play Tennis” DayOutlookTempHumidityWindPlayTenniD1SunnyHotHighWeakNoD2SunnyHotHighStrongNoD3OvercasHotHighWeakYesD4RainMildHighWeakYesD5RainCoolNormalWeakYesD6RainCoolNormalStrongNoD7OvercasCoolNormalStrongYesD8SunnyMildHighWeakNoD9SunnyCoolNormalWeakYesD10RainMildNormalWeakYesD11SunnyMildNormalStrongYesD12OvercasMildHighStrongYesD13OvercasHotNormalWeakYesD14RainMildHighStrongNo
[Mitchell,1997]
Mitchell, 1997