pengantar data mining, deskripsi dan pengertian awal

data mining sebagai bagian dari KDD

1. Pertemuan-1

2. Pengantar Data Mining (DM)
Motivasi
Mengapa? Apa?
Aplikasi
Proses KDD
Tinjauan DM
Isu Utama
Pengantar DM

3. Motivasi: “Kebutuhan
Merupakan Sumber Penemuan”
• Problem ledakan data
– Tool koleksi data otomatis dan
perkembangan teknologi database
menyebabkan banyak sekali data yang bisa
dikumpulkan di dalam database, data
warehouse, dan alat peyimpanan informasi
lainnya, untuk dianalisa
• Kita berkubang data tetapi kelaparan
pengetahuan!
Pengantar DM

4. Motivasi: “Kebutuhan
Merupakan Sumber Penemuan”
• Solusi: Penggudangan data dan
penambangan data (Data warehousing and
data mining)
– Data warehousing dan on-line analytical
processing (OLAP)
– Penyaringan pengetahuan yang menarik
(kaidah, keberaturan, pola, kendala) dari data
dalam database yang besar
Pengantar DM

5. Komputer Tahun 1940-an
(ENIAC)
Pengantar DM

6. Hel p
Personal Home Network Tahun
2000-an
File Edit
500
400
Loc a teVi ew
E
D
C
B
A
He lp Storage
300
200
100
Mount
431 7437 1950
0
1 2 34 5
6
Net wor k
Tra f fi c
7 79% /
0263196347358
93% /us
Storage
Storage
Storage
Storage
Storage
Storage
Internet
Storage
Pengantar DM

7. Evolusi atau Perkembangan
Teknologi Database
• 1960an: Koleksi data, pembuatan data, IMS dan
network DBMS
• 1970an: Model data relasional dan implementasi
DBMS relasional
• 1980an: RDBMS, model data lanjut (extended-
relational, OO, deduktif, dsb.) DBMS berorientasi
aplikasi(spasial, saintifik, teknik, dsb.)
• 1990an –2000an: Data mining dan data
warehousing, database multimedia, teknologi
Web
Pengantar DM

8. Apa Itu Data Mining?
• Pada dasarnya: Perolehan pengetahuan dari
data
– “Ekstraksi informasi atau pola yang menarik
(tidak sepele, implisit, tak-diketahui
sebelumnya, mungkin bermanfaat) dari data
didalam database yang besar"
• Seringkali hanya:
– “Memberitahu sesuatu yang menarik dari
data ini", “Menguraikan data ini"
Penyelidikan: analisa data semi-otomatis
atas sekumpulan data yang besar
Pengantar DM

9. Apa Itu Data Mining?
• Istilah yang rada baku:
– Data mining
• Biasanya DM adalah salah satu proses KDD
– Knowledge discovery in databases (KDD)
• Istilah umum yang meliputi, preprocessing
data, DM, dan postprocessing
• Istilah yang tidak terlalu sering digunakan:
– Ekstraksi pengetahuan, arkeologi data,
pengerukan data, penuaian informasi, analisa
data/pola
• Publisitas terbaru:
– Kecerdasan bisnis, manajemen pengetahuan
Pengantar DM

10. Mengapa Data Mining?
• Ketersediaan data dalam jumlah
yang sangat besar:
– Tool koleksi data otomatis dan
perkembangan teknologi database
menyebabkan banyak sekali data
yang bisa dikumpulkan di dalam
database, data warehouse, dan alat
peyimpanan informasi lainnya
– Pemeriksaan data manual adalah
membosankan dan terkadang tidak
masuk akal
Pengantar DM

11. Apa Manfaat Dari DM?
Meningkatkan pengetahuan agar
bisa membuat keputusan
berdasarkan:
Marketing
Misal, pengaruh pada marketing
Peran dan pengaruh DM yang
bertumbuh pesat dan masih
bertumbuh!
Data
Database
Marketing
KDD &
Tetapi DM tidaklah sekedar
marketing...
Warehousing Data Mining
Pengantar DM

12. Potensi Aplikasi?
• Analisis database dan dukungan
keputusan:
– Analisis dan manajemen pasar
• Target pasar, manajemen relasi
customer (CRM), analisis keranjang
pasar, penjualan silang, segmentasi
pasar
– Analisis dan manajemen resiko
• Peramalan, tindakan mempertahankan
customer, peningkatan asuransi,
kontrol kualitas, analisis kompetitif
– Deteksi dan manajemen kecurangan
Pengantar DM

13. Potensi Aplikasi?
• Aplikasi lain:
– Text mining (news group, email,
dokumen) dan Web mining
– Stream data mining
– Analisis DNA dan bio data
Pengantar DM

14. Analisis dan Manajemen Pasar
• Dari mana data berasal?
– Transaksi kartu kredit, loyalty cards, kupon discount, keluhan
customer, kajian lifestyle publik
• Target Pasar
– Mendapatkan kelompok model customer yang berbagi
karakteristik yang sama: minat, tingkat pendapatan, kebiasaan
belanja, dsb.
– Menentukan pola pembelian customer berdasarkan waktu
• Analisis lintas pasar
– Asosiasi/korelasi antara penjualan produk & taksiran berdasarkan
asosiasi demikian
Pengantar DM

15. Analisis dan Manajemen Pasar
• Profil customer
– Tipe customer apa membeli produk apa
(pengelompokan atau klasifikasi)
• Analisa kebutuhan customer
– Mengenali produk terbaik untuk customer berbeda
– Meramalkan faktor apa yang akan memikat customer
baru
• Penyediaan rangkuman informasi
– Rangkuman laporan multidimensi
– Rangkuman informasi statistik (kecenderungan data
terpusat dan variasi)
Pengantar DM

16. Analisis dan Manajemen Resiko
Perusahaan
• Perencanaan keuangan dan evaluasi aset
– Analisis dan peramalan cash flow
– Analisis ganti rugi yang mungkin untuk
mengevaluasi aset
– Analisis cross-sectional dan time series (financial-
ratio, analisa trend, dsb.)
• Perencanaan sumberdaya
– Merangkum dan membandingkan sumberdaya dan
pengeluaran
Pengantar DM

17. Analisis dan Manajemen Resiko
Perusahaan
• Kompetisi
– Memantau pesaing dan arah pasar
– Mengelompokkan customer kedalam kelas
dan prosedur harga berbasis kelas
– Menetapkan strategi harga dalam suatu pasar
dengan kompetitif tinggi
Pengantar DM

18. Aplikasi Lain
• Olah raga
– IBM Advanced Scout menganalisa statistik (shots blocked,
assists, dan fouls) pertandingan NBA untuk mendapatkan
keuntungan kompetitif bagi New York Knicks dan Miami
Heats
• Astronomi
– Observatory JPL dan Palomar menemukan 22 quasars
dengan bantuan data mining
• Internet Web Surf-Aid
– IBM Surf-Aid menerapkan algoritma data mining untuk
akses logs halaman Web yang terkait dengan pasar dalam
upaya mendapatkan kesukaan dan perilaku customer,
mengenalisa efektifitas pemasaran Web, perbaikan situs Web
organisasi, dsb.
Pengantar DM

19. Contoh (1)
• Anda seorang manajer marketing untuk
perusahaan telepon cellular:
– Pelanggan menerima sebuah telepon gratis (nilai
1.5 juta) dengan kontrak satu tahun; anda
memberikan suatu komisi penjualan sebesar 2.5
juta per kontrak
– Problem: Turnover (setelah kontrak berakhir)
adalah 25%
– Memberikan suatu telepon baru ke setiap orang
yang kontraknya habis sangatlah mahal
– Membawa kembali customer setelah keluar
adalah juga sukar dan mahal
Pengantar DM

20. Contoh (1)
• Tiga bulan sebelum suatu
kontrak berakhir, cari tahu
customer mana yang akan
Yippee!
I won't leave!
keluar:
– Jika anda ingin
mempertahankan
customer yang diduga akan
keluar, tawarkan customer
tersebut suatu telepon baru
Pengantar DM

21. Contoh (2)
• Anda seorang petugas
asuransi dan anda harus
mendefinisikan suatu
Oh, yes!
I love my
Ferrari!
pembayaran bulanan yang
pantas untuk seorang pemuda
berusia 18 tahun yang
membeli sebuah Ferrari …
apa yang anda akan lakukan?
Pengantar DM

22. Contoh (2)
• Kaji seluruh data customer dan data
kompensasi pembayaran sebelumnya
• Kaji peluang penyebab kecelakaan paling
banyak berdasarkan dugaan…
– Kelamin pengendara (pria/wanita) dan
usia
– Model dan usia mobil, tempat tinggal
– dsb.
• Jika peluang kecelakaan lebih besar dari
rata-rata, aturlah pembayaran bulanan
yang sesuai!
Pengantar DM

23. Contoh (3)
• Anda berada diluar negeri dan seseorang
mencuri atau menggandakan kartu kredit
atau telepon mobile anda …
• Perusahaan kartu kredit …
– Menggunakan data histori untuk
membangun model prilaku penipuan dan
gunakan data mining untuk membantu
didalam mengenali kejadian yang mirip
• Perusahaan telepon …
– Menganalisis pola yang menyimpang dari
suatu kebiasaan yang diharapkan (tujuan,
durasi, dsb.)
Pengantar DM

24. Contoh (4)
• Log pengaksesan Web bisa
dianalisis untuk …
Excellent surfing
experience!
– Mendapatkan apa kesukaan customer
– Memperbaiki situs Web organisasi
• Demikian pula …
– Seluruh jenis analisis log informasi
– Adaptasi antarmuka/layanan user
Pengantar DM

25. Pengantar DM
Selesai