Data Mining
mengeksplorasi basis data untuk menemukan pola-pola yang tersembunyi, mencari informasi untuk memprediksi yang mungkin
saja terlupakan oleh para pelaku bisnis karena terletak di luar ekspektasi
mereka. Sebagai contoh adalah beberapa solusi yang bisa diselesaikan dengan
data mining diantaranya yaitu menebak target pasar, yaitu dengan
melakukan pengelompokan dari modelmodel pembeli dan melakukan klasifikasi
setiap pembeli dari kebiasaan membeli, dari tingkat penghasilan dan
karakteristik lainnya. Menentukan profile customer dan identifikasi
kebutuhan customer, dimana data mining bisa melihat profil customer untuk
mengetahui kelompok konsumen tertentu misalnya suka membeli produk apa saja
serta mengidentifikasi produk-produk apa saja yang terbaik untuk setiap
kelompok konsumen sehingga bisa menyusun faktor-faktor apa saja yang dapat
menarik konsumen baru untuk bergabung atau membeli. Serta banyak sekali solusi
data mining yang bisa di implemetasikan sebagai misal pada swalayan, bidang
perbankan , operator GSM dan lain sebagainya.
Data Mining
Kemajuan
dalam pengumpulan data dan teknologi penyimpanan yang cepat memungkinkan
organisasi menghimpun jumlah data yang sangat luas. Alat dan teknik analisis
data yang tradisional tidak dapat digunakan untuk mengektrak informasi dari
data yang sangat besar. Untuk itu diperlukan suatu metoda baru yang dapat
menjawab kebutuhan tersebut. Data mining merupakan teknologi yang
menggabungkan metoda analisis tradisional dengan algoritma yang canggih untuk
memproses data dengan volume besar. Ada beberapa definisi dari data mining yang
dikenal diiantaranya adalah :
Data mining adalah serangkaian
proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan
yang selama ini tidak diketahui secara manual.
Data mining adalah
analisa otomatis dari data yang berjumlah besar atau kompleks dengan tujuan
untuk menemukan pola atau kecenderungan yang penting yang biasanya tidak
disadari keberadaannya
Data mining atau Knowledge Discovery in Databases (KDD)
adalah pengambilan informasi yang tersembunyi, dimana informasi tersebut
sebelumnya tidak dikenal dan berpotensi bermanfaat. Proses ini meliputi
sejumlah pendekatan teknis yang berbeda, seperti clustering, data summarization,
learning classification rules.
Secara umum, data
mining dapat melakukan dua hal yaitu memberikan kesempatan untuk menemukan
informasi menarik yang tidak terduga, dan juga bisa menangani data berskala
besar. Dalam menemukan informasi yang menarik ini, ciri khas data mining adalah
kemampuan pencarian secara hampir otomatis, karena dalam banyak teknik data
mining ada beberapa parameter yang masih harus ditentukan secara manual atau
semi manual. Data mining juga dapat memanfaatkan pengalaman atau bahkan
kesalahan di masa lalu untuk meningkatkan kualitas dari model maupun hasil
analisanya, salah satunya dengan kemampuan pembelajaran yang dimiliki beberapa
teknik data mining seperti klasifikasi.
Data mining dapat juga didefinisikan
sebagai “pemodelan dan penemuan pola-pola yang tersembunyi dengan memanfaatkan
data dalam volume yang besar”. Data mining menggunakan pendekatan
discovery-based dimana pencocokan pola (pattern-matching) dan
algoritmaalgoritma yang lain digunakan untuk menentukan relasi-relasi kunci di
dalam data yang diekplorasi. Data mining merupakan komponen baru pada
arsitektur sistem pendukung keputusan (DSS) di perusahaan-perusahaan.
Ruang Lingkup Data
Mining
Data mining (penambangan data), sesuai
dengan namanya, berkonotasi sebagai pencarian informasi bisnis yang berharga
dari basis data yang sangat besar. Usaha pencarian yang dilakukan dapat
dianalogikan dengan penambangan logam mulia dari lahan sumbernya. Dengan
tersedianya basis data dalam kualitas dan ukuran yang memadai, teknologi data
mining memiliki kemampuan-kemampuan sebagai berikut :
a)
Mengotomatisasi prediksi tren
dan sifat-sifat bisnis.
Data mining mengotomatisasi proses pencarian informasi pemprediksi
di dalam basis data yang besar. Pertanyaan-pertanyaan yang berkaitan dengan
prediksi ini dapat cepat dijawab langsung dari data yang tersedia.
Contoh dari masalah prediksi ini misalnya target pemasaran,
peramalan kebangkrutan dan bentukbentuk kerugian lainnya.
b)
Mengotomatisasi penemuan pola-pola
yang tidak diketahui sebelumnya.
Kakas data mining “menyapu” basis data, kemudian mengidentifikasi
pola-pola yang sebelumnya tersembunyi dalam satu sapuan.
Contoh dari penemuan pola ini adalah analisis pada data penjulan
ritel untuk mengidentifikasi produk-produk, yang kelihatannya tidak berkaitan,
yang seringkali dibeli secara bersamaan oleh kustomer.
Kemampuan data mining
untuk menangani data dalam jumlah besar memungkinkan data mining diterapkan pada
masalah-masalah kompleks yang ukurannya tidak dibatasi lagi oleh otak manusia.
Selain itu penelitian tentang algoritma parallel dari data mining juga membuka
jalan agar data mining dapat diterapkan pada program skala yang lebih besar
lagi. Sebaliknya, ada beberapa hal yang tidak bisa dilakukan oleh data mining.
Yang pertama perlu disadari adalah data mining bukanlah solusi yang cocok untuk
setiap masalah. Ada banyak masalah yang justru lebih baik diselesaikan dengan
statistic yang sederhana. Selain itu, data mining juga tidak bisa menemukan
pengetahuan yang bermanfaat secara instan. Dalam tahapan-tahapan dari proses
data mining yang sudah kita bahas, seorang analis data mining perlu tahu
perbedaan, kelebihan dan kekurangan dari teknik-teknik data mining yang ada
sebelumnya mengaplikasikan yang paling cocok untuk masalah yang dihadapinya.
" Contoh Data Mining "
Menentukan Support & Confidence
Menentukan Support & Confidence
NB : Jika link
download diatas tidak berfungsi silahkan tinggalkan komentar di form komentar
dibawah ini agar secepatnya dapat diperbaiki.
Semoga berguna........
» JANGAN LUPA LIKE N
Komentarnya Yeach...
Tidak ada komentar:
Posting Komentar