data mining - gunadarma...

Data Mining

Pengenalan Sistem & Teknik, Serta Contoh Aplikasi

Avinanta Tarigan

22 Nov 2008

1 Avinanta Tarigan Data Mining

Outline

1 Pengertian Dasar

2 Classification Mining

3 Association Mining

4 Clustering

5 Penutup


Pengertian Dasar

Outline

1 Pengertian Dasar



4 Clustering

5 Penutup


Pengertian Dasar

Latar Belakang

Banyak data yang telahdirekam dan disimpan:

Transaksi penjualansupermarketTransaksi perbankan dankartu kreditLog kunjungan Web(access_log)Akuisisi data dalampenelitian-penelitian sepertiastronomi, kesehatan, dll

Sistem komputer lebih murahdan cepat (Moore’s Law)

Kebutuhan untuk berkompetisidengan strategi yang tepatmenjadi lebih tinggi


Pengertian Dasar

Mengapa Harus Data Mining ?

Data yang sedemikian besar kadang memiliki informasiyang tersembunyiKemampuan manusia terbatas untuk “mempelototi”data-data tersebut dalam analisis


Pengertian Dasar

Definisi2 Data Mining

DataRekaman atau catatan terhadap fakta / transaksi / obyek

DefinisiEkstraksi informasi yang implisit, tidak diketahuisebelumnya, dan berpotensi bergunaEksplorasi dan analisis, secara otomatis atau tidak, datayang sangat besar untuk menemukan pola-pola yangberguna dan mempunyai arti


Pengertian Dasar

Pengertian Yang Salah

Bukan Data MiningMencari nomor telepon“Bambang Gunawan” dibuku telepon IndonesiaMencari informasimengenai “Bunga” digoogle.com

Data MiningMenemukan bahwa banyakorang bernama Bambangdi daerah Jawa TimurMengelompokkan dokumenweb mengenai “Bunga”sesuai dengan konteks

Bunga Bank atau Kredit(Keuangan)Bunga - Tanaman /PertanianBCL (Artis)


Pengertian Dasar

Sistem Ekstraksi PengetahuanKDD (Knowledge Discovery in Databases)


Pengertian Dasar

Ilmu Data Mining

Gabungan daribeberapa bidang ilmu dalamMatematik dan Ilmu KomputerDiperlukan karena:

Data yang s(u)angat b(u)esarDimensi data yang besarData Heterogen


Pengertian Dasar

Data

Kumpulan obyek data danatributnyaObyek : record, point, case,sampel, entitas, instanAtribut / variabel / field :karakteristik dari obyek (statuspernikahan, umur, dll)


Classification Mining

Outline

1 Pengertian Dasar



4 Clustering

5 Penutup




Ekstraksi pola pengelompokan atau pengklasifikasiansebuah himpunan obyek / data (training-set) ke dalamkelas (class) tertentu berdasarkan atribut-atributnyaPola pengelompokan yang ditemukan akan menjadi modelpengelompokanModel digunakan untuk memprediksi kelompok data /obyek baru (test-set)



Ilustrasi Classification Mining



Contoh Aplikasi I

Pemakaian Kartu Kredit secara Ilegal

Tujuan : mendeteksi adanya penggunaan kartu kreditsecara ilegalPendekatan :

Data transaksi sebelumnya (lokasi & waktu transaksi, jenisbarang yang dibeli, besar transaksi)Label data-data tersebut dengan Curang atau AmanDM mencari model klasifikasi Curang atau Amanberdasarkan atribut transaksiMenerapkan model tersebut jika ada transaksi baru untukmempercepat / tepat tindakan preventif



Contoh Aplikasi II

Deteksi SPAM

Tujuan : mendeteksi email yang tidak diharapkan secaradini

Direct Marketing

Tujuan : mencari pengelompokan profil pelanggan agartarget marketing sesuai

Sky Survey Cataloging

Tujuan : mengelompokkan obyek langit hasil pemotretanteleskop ke dalam class-nya



Contoh Aplikasi III



Teknik / Metode

Decision Tree (Pohon Keputusan)Rule-based MethodsMemory based reasoningNeural Networks (Jaringan Syaraf Tiruan)Naive Bayes dan Bayesian Belief NetworksSupport Vector Machines



Contoh Model: Pohon Keputusan I



Contoh Model: Pohon Keputusan II

Bagaimanakah Algoritma Pembentuk Pohon KeputusanTersebut ?


Association Mining

Outline

1 Pengertian Dasar



4 Clustering

5 Penutup


Association Mining

Association Mining

Menemukan pola asosiasi dalam data

Adanya kemunculan obyek tertentu berdasarkankemunculan obyek yang lain


Association Mining

Contoh Aplikasi I

Marketing & Sales Promotion

Misalnya pola yang ditemukan :{Susu Anak, ...}→ {Kwaci}Kwaci sebagai konsekuen : bagaimana caranya menaikkanpenjualan kwaciSusu Anak sebagai anteseden : jika tidak lagi menjual susuanak, memprediksi produk lain yang ikut jatuh penjualannyaDua-duanya : membuat paket promo Susu Anak, Kwaci, dll


Association Mining

Contoh Aplikasi II

Pengelolaan Rak di Supermarket

Tujuan: memudahkan pelanggan berbelanja barang-barangyang sering dibeli bersamaMisalnya: ada rak kecil berisi kwaci diletakkan pada bagiansusu anak

Sistem Rekomendasi Pintar

Tujuan: memberikan rekomendasi kepada pelanggan tokobuku on-line tentang buku-buku lain yang sering dibeli jugaoleh pelanggan lainnya jika membeli buku tertentu


Association Mining

Metode

Rule asosiasi : X → Y

1 Membangkitkan semua item-set yang kemunculannyatinggi pada data

1 Bentuk Lattice (struktur yang akan memunculkan semuasubset yang diurutkan berdasarkan subset - superset)

2 Menyeleksi item-set dg Support yang tinggi. Support =Jumlah Transaksi Yg BerisiX danY

Jumlah Keseluruhan Transaksi2 Mencari pola asosiasi yang mempunyai “confidence” yang

tinggi1 Confidence = Mengukur seberapa sering item di Y juga

muncul pada transaksi yang berisi X2 Gunakan pencarian Bread-First-Search atau

Depth-First-Search pada Lattice tsb3 Seleksi akhir dengan “Interestingness Measure”.

Asosiasi{Kopi}→ {Gula} tentunya tidak menarik


Association Mining

Ilustrasi I

Pembentukan Lattice


Association Mining

Ilustrasi II

Seleksi “Support”


Association Mining

Ilustrasi III

Seleksi High “Confidence”


Clustering

Outline

1 Pengertian Dasar



4 Clustering

5 Penutup


Clustering

Clustering (Penggugusan)

DefinitionProses mencari gugus-gugus dari sekumpulan obyek sehinggaobyek-obyek di dalam sebuah gugus mirip satu dengan lainnya,dan berbeda dengan obyek di luar gugusnya.


Clustering

Contoh Aplikasi I

Web-Document Clustering:

Tujuan: mencari gugus dokumen-dokumen Web yang miripberdasarkan kemunculan istilah pentingPendekatan: mengidentifikasi istilah yang sering munculpada setiap dokumen, mengukur kemiripan berdasarkanfrekwensi kemunculan istilah pada dokumen lainnyaHasil: Web search engine memunculkandokumen-dokumen yang mirip (dalam 1 gugus)berdasarkan istilah yang dicari


Clustering

Contoh Aplikasi II

Segmentasi Pasar:

Tujuan: mencari gugus segmentasi pasar berdasarkan datatransaksi untuk keperluan marketingPendekatan:

mempersiapkan data beserta atribut data pelangganberdasarkan geografi dan data pribadi lainnyamencari gugus pelanggan yang mirip berdasarkan atribut2tsbmelakukan observasi perilaku pasar berdasarkangugus-gugus pelanggan yang ditemukan

Hasil: strategi marketing yang tepat sasaran


Clustering

Mengukur Kemiripan Atribut Data I

Kemiripan (Similarity):

ukuran dalam numerik [0,1] yang merepresentasikankemiripan antara 2 obyek0 (tidak mirip) < range-kemiripan < 1(sama/mirip sekali)

Ketidakmiripan (Disimilarity) vs Kemiripan

p dan q adalah nilai atribut dari 2 obyekTipe Atribut Ketidakmiripan Kemiripan

Nominal d =

{0 ifp = q1 ifp 6= q

s =

{0 ifp 6= q1 ifp = q

Ordinal d = |p−q|n s = 1− |p−q|

nInterval / Ratio d = |p−q| s =−d atau s = 1

1+d


Clustering

Mengukur Kemiripan Atribut Data II

Pengukuran kemiripan variabel kontinyu:

Euclidean Distance:dist =

√∑

ni=1 (pi −qi)

2

Minkowski Distance:dist =

(∑

ni=1 |pi −qi |r

) 1r


Clustering

Mengukur Kemiripan Atribut Data IIIContoh Euclidean Distance


Clustering

Contoh Algoritma Pencari Gugus

K -Means Clustering, Konsep: Centroid→ titik tengahgugusAlgoritma (asumsi: sudah dilakukan pengukurankemiripan)

1 Tentukan K points sebagai awal centroids2 Repeat3 Buat K buah gugus dengan memasukkan point-point

yang dekat dengan centroid4 Cari centroid baru dari gugus-gugus tersebut5 Until Centroid tidak berubah


Clustering

Ilustrasi K-Means


Penutup

Outline

1 Pengertian Dasar



4 Clustering

5 Penutup


Penutup

OnLine Analytical Processing I

Diusulkan oleh E.F. Codd (Bapak Relational Database)

Data tidak diolah dari database, melainkan dibentuk dalamarray multidimensi

Data dapat direpresentasikan sebagai titik / point dalamruang multi-dimensi jika atribut2nya adalah numerik

Matriks m×n dapat merepresentasikan model data tsb,dimana terdapat m obyek dan n atribut (Data Cube)

Keuntungan: explorasi, operasi, dan transformasi datadapat lebih mudah dilakukan dan (hampir) real-time


Penutup

OnLine Analytical Processing II

Banyak analisis terhadap transaksi bisnis dengan volumebesar dapat dilakukan dengan menggunakan OLAPOLAP menjadi Jargon banyak Vendor


Penutup

Informasi Mengenai Data Mining

Tan, Steinbach, Kumar, “Introduction to Data Mining”

http://en.wikipedia.org/wiki/Data_mining


Penutup

Selesai

TERIMAKASIH

presentasi ini sendiri dapat didownload dari

http://avinanta.staff.gunadarma.ac.id


data mining - gunadarma...

Documents