Aplikasi dan Kecenderungan dalam Data Mining

(1)

Aplikasi dan Kecenderungan dalam

Data Mining

■ _{Aplikasi data mining}

■ _{Sistem produk dan protetipe riset data mining}

■ _{Tema tambahan pada data mining}

■ _{Dampak tentang data mining}

■ _{Kecenderungan yang terdapat pada data mining}

(2)

Aplikasi Data Mining

■

_{Data Mining adalah suatu aplikasi terbaru yang berbeda}

dan lebih luas

■ _{Masih adanya perbedaan pendapat antara prinsip umum dan}

pembagian wilayah secara khusus pada aplikasi data mining, khususnya pada keefektifan alat bantu data mining untuk

aplikasi tertentu

■

_{Beberapa aplikasi domein (yang tercantum pada bab ini)}

■ _{Biomedical dan analisa data DNA} ■ _{Analisa data keuangan}

(3)

Biomedical

dan Analisa Data DNA

■ Urutan DNA: 4 dasar yang membangun blok ( nucleotides): adenine ( A), cytosine ( C), guanine ( G), dan thymine ( T)

■ Gen: suatu urutan dari beratus-ratus individu nucleotides yang diatur secara tertentu

■ Manusia mempunyai sekitar 30,000 gen

■ Hal yang paling luar biasa yaitu jumlah jalan yang terdapat pada nucleotides sehingga dapat dipecah dan diurutkan kembali untuk membentuk gen yang terpisah

■ Pengintegrasian pembagian heterogen yang semantik, dalam genome database

Sekarang: terbagi-bagi, Generasi yang tak terkendali dan penggunaan data DNA secara luas

(4)

Contoh Analisa DNA

Pencarian persamaan dan perbandingan antar urutan DNA

Perbandingan sering terjadi pada pola tiap kelas ( sebagai contoh, sehat dan sakit) Mengidentifikasi urutan pola gen yang berperan dalam berbagai penyakit

Analisa asosiasi: identifikasi dari co-occurring urutan gen

Kebanyakan penyakit tidaklah dicetuskan oleh gen tunggal tetapi oleh suatu kombinasi gen yang bertindak bersama-sama

Analisa asosiasi dapat membantu menentukan macam gen yang mungkin terjadi bersama-sama dalam target percontohan

Analisa alur: menghubungkan gen pada masa pengembangan penyakit lain

Gen yang berbeda bisa menjadi aktip pada penyakit yang berbeda

Intervensi pada masa perkembang farmasi yang mentargetkan langkah-langkah yang berbeda secara terpisah

(5)

Data Mining pada Analisa Data

Keuangan

Data keuangan yang dikumpulkan oleh bank dan lembaga keuangan relatif lebih lengkap, dapat dipercaya, dan bermutu tinggi

Disain dan konstruksi dari gudang data untuk multidimensional analisa data dan data mining

Gambaran dari hutang perbulan, perdaerah, persektor, dan faktor lain

Mengakses informasi statistik seperti maximum, minimum, total, rata-rata, kecenderungannya, dan lain lain

Analisa pembayaran peminjaman kebijakan kredit secara prediksi per pelanggan

Seleksi di masa depan dan perlunya penggolongan secara atribut Pencapaian pembayaran peminjaman

(6)

Keuangan Data Mining

Penggolongan dan pengelompokan pelanggan untuk target

pemasaran

Segmentasi multidimensional berdasarkan metode terdekat,

penggolongan, alur keputusan, dan lain lain untuk mengidentifikasi penggolongan persediaan sekelompok pelanggan atau pelanggan baru

Mendeteksi pencucian uang dan kejahatan keuangan lain

pengintegrasian dari berbagai DBs ( sebagai contoh, transaksi bank, DBs sejarah kejahatan federal/negara)

Alat bantu: data gambar, analisa pertalian, penggolongan, alat penggabungan, analisa orang asing, dan analisa pola alat

(7)

Data Mining pada Industri Retail

Industri Retail: besarnya data penjualan, sejarah

belanja pelanggan, dan lain-lain

Aplikasi dari Retail data mining

Mengidentifikasi perilaku pembelian pelanggan

Menentukan kecenderungan pola belanja pelanggan

Meningkatkan mutu dari layanan pelanggan

Mencapai kepuasan pelanggan

Tingkatkan perbandingan konsumsi barang-barang

(8)

Contoh Data Mining pada Industri

Retail

Disain dan konstruksi dari gudang data yang didasarkan

keuntungan penggunaan data mining

Analisa multidimensional dari penjualan, pelanggan, produk, waktu, dan daerah

Analisa dari efektivitas dari kampanye penjualan

Ingatan pelanggan: Analisa dari kesetiaan pelanggan

Menggunakan informasi kartu kesetiaan pelanggan untuk mendaftarkan urutan dari pembelian dari pelanggan tertentu Menggunakan pola mining untuk menyelidiki perubahan dalam konsumsi atau kesetiaan pelanggan

Menyarankan penyesuaian penetapan harga dan variasi barang-barang

(9)

Data Mining pada Industri

Telekomunikasi ( 1)

Perkembangan yang sangat cepat dan industri

yang sangat kompetitif dan permintaan yang besar

untuk data mining

Memahami bisnis yang terlibat

Mengidentifikasi pola telekomunikasi

Menangkap aktivitas curang

Mempergunaan sumber daya secara lebih baik

Meningkatkan mutu dari layanan

(10)

Data Mining pada Industri

Telekomunikasi ( 2)

Analisa pola kecurangan dan identifikasi pola yang tidak

lazim

Mengidentifikasi pola para pengguna yang berpotensi curang dan penggunaan yang tidak lazim

Mendeteksi usaha kecurangan masukan ke dalam rekening pelanggan

Menemukan pola yang tidak biasa memerlukan perhatian khusus

Multidimensional asosiasi dan percontohan pola analisa

Temukan pola satu set jasa komunikasi berdasarkan kelompok pelanggan, bulan, dan lain lain

Mempromosikan penjualan dari jasa spesifik

Meningkatkan ketersediaan dari jasa tertentu pada suatu daerah

(11)

Bagaimana cara memilih suatu

Sistem Data Mining?

Secara komersil sistem data mining mempunyai sedikit

kesamaan

Perbedaan kemampuan atau metodologi Data Mining

Dapat bekerja dengan bermacam-macam data yang berbeda

Memerlukan berbagai pandangan yang dimensional dalam

pemilihan

Jenis data: relational, tanggapan, teks, urutan waktu, ruang?

Isu sistem

Hanya berjalan pada satu atau beberapa sistem operasi? Arsitektur client/server?

(12)

Bagaimana cara memilih suatu

Sistem Data Mining? ( 2)

Sumber data

File teks ASCII, berbagai sumber data relational Mendukung koneksi ODBC ( OLE DB, JDBC)?

Fungsi dan metodologi Data mining

Satu melawan berbagai fungsi data mining

Satu melawan berbagai macam variasi perfungsi

Fungsi lain data mining dan metoda perfungsinya menyediakan pengguna dengan analisa dan fleksibilitas yang lebih besar

Menggabungkan dengan DB dan/atau sistem data gudang

Empat format penggabungan: tidak ada penggabungan,

penggabungan lepas, penggabungan semi ketat, dan penggabungan ketat

(13)

Bagaimana cara memilih suatu

Sistem Data Mining? ( 3)

Scalabilitas

Scalabilitas perbaris ( atau ukuran database) Scalabilitas perkolom ( atau dimensi)

Kutukan dari dimensionalitas: jauh lebih menantang untuk membuat suatu skala sistem kolom dari pada skala sistem baris

Alat bantu gambar

"Suatu gambar dapat berharga seribu kata-kata“

Kategori penggambaran: data gambar, hasil gambaran, proses penggambaran, dan gambaran data mining

Bahasa query pada Data mining dan tampilan grafis

pengguna

Mudah digunakan dan grafis yang berkualitas tinggi

(14)

Contoh Sistem Data Mining ( 1)

Miner IBM yang cerdas

Suatu cakupan luas dari algoritma data mining Skala algoritma data mining

Alat bantu: algoritma jaringan neural, metode statistik, persiapan data, dan alat bantu penggambaran data gambar

Pengintegrasian yang ketat IBM dengan relational sistem database DB2

Perusahaan SAS miner

Berbagai alat bantu analisa yang statistik

Alat bantu data gudang dan berbagai data algoritma mining

Microsoft SQLServer 2000

(15)

Contoh Sistem Data Mining ( 2)

Sgi Mineset

Berbagai algoritma dan statistik tingkat lanjut data mining Alat bantu penggambaran tingkat lanjut

Clementine (SPSS)

Pengembangan lingkungan data mining yang terintegrasi untuk pengguna akhir dan pengembang

Berbagai algoritma data mining dan alat bantu penggambaran

DBMiner ( DBMiner Teknologi Inc.)

Berbagai modul data mining : analisa OLAP discovery-driven, asosiasi, penggolongan, dan pengelompokan

efisien, Asosiasi dan sequential-pattern fungsi mining, dan alat penggolongan visuil

(16)

Visuallisasi Data Mining

Visualisasi: penggunaan grafik komputer untuk menciptakan gambaran visuil yang membantu pemahaman yang ruwet, penyajian presentasi data yang kokoh

Aplikasi dan Kecenderungan dalam Data Mining