Edward Purba Pengantar DM 1/52

(1)

Konsep dan Teknik Data Mining Konsep dan Teknik Data Mining

(2)

Pengantar Data Mining (DM) Pengantar Data Mining (DM)

Motivasi Motivasi Mengapa? Apa? Mengapa? Apa? Aplikasi Aplikasi Proses KDD Proses KDD Tinjauan DM Tinjauan DM Isu Utama Isu Utama

(3)

Motivasi: “Kebutuhan Motivasi: “Kebutuhan

Merupakan Sumber Penemuan” Merupakan Sumber Penemuan”pp

• Problem ledakan data

– Tool koleksi data otomatis dan perkembangan teknologi database perkembangan teknologi database

menyebabkan banyak sekali data yang bisa dikumpulkan di dalam database, data

dikumpulkan di dalam database, data

warehouse, dan alat peyimpanan informasi lainnya, untuk dianalisaa ya, u tu d a a sa

• Kita berkubang data tetapi kelaparan

t h !

(4)

Motivasi: “Kebutuhan Motivasi: “Kebutuhan

Merupakan Sumber Penemuan” Merupakan Sumber Penemuan”pp

• Solusi: Penggudangan data dan

penambangan data (Data warehousing and data mining)

data mining)

– Data warehousing dan on-line analytical processing (OLAP)

processing (OLAP)

– Penyaringan pengetahuan yang menarik

(k id h k b t l k d l ) d i d t

(kaidah, keberaturan, pola, kendala) dari data dalam database yang besar

(5)

Komputer Tahun 1940

Komputer Tahun 1940--an an (ENIAC)

(ENIAC) (ENIAC) (ENIAC)

(6)

Personal Home Network Tahun Personal Home Network Tahun

2000 2000 anan 2000 2000--anan Mount 43174371950 79%/ 02 631963 47358 93%/us

File E ditL ocateView H elp 1234567 0 100 200 300 400 500 EDCBA Network Traffic Help Storage Storage Storage Storage Storage Storage Storage Storage Storage

Storage StorageStorage

Storage Storage Internet Internet Storage Storage

(7)

Evolusi atau Perkembangan Evolusi atau Perkembangan

Teknologi Database Teknologi Database Teknologi Database Teknologi Database

•• 1960an: 1960an: Koleksi data, pembuatan data, IMS dan

t k DBMS

network DBMS

•• 1970an: 1970an: Model data relasional dan implementasi

DBMS l i l

DBMS relasional

•• 1980an: 1980an: RDBMS, model data lanjut (extended-relational OO deduktif dsb ) DBMS berorientasi relational, OO, deduktif, dsb.) DBMS berorientasi aplikasi(spasial, saintifik, teknik, dsb.)

•• 1990an1990an 2000an:2000an: Data mining dan data •• 1990an 1990an ––2000an: 2000an: Data mining dan data

warehousing, database multimedia, teknologi Web

(8)

Apa Itu Data Mining? Apa Itu Data Mining?

•• Pada dasarnya: Perolehan pengetahuan dari Pada dasarnya: Perolehan pengetahuan dari data

data data data

– “Ekstraksi informasi atau pola yang menarik (tidak sepele, implisit, tak-diketahui

( p p

sebelumnya, mungkin bermanfaat) dari data didalam database yang besar"

S i k li h S i k li h

•• Seringkali hanya:Seringkali hanya:

– “Memberitahu sesuatu yang menarik dari data ini" “Menguraikan data ini"

data ini , Menguraikan data ini

Ö

Ö Penyelidikan: analisa data semiPenyelidikan: analisa data semi--otomatis otomatis atas sekumpulan data yang besar

atas sekumpulan data yang besar atas sekumpulan data yang besar atas sekumpulan data yang besar

(9)

Apa Itu Data Mining? Apa Itu Data Mining?

•• Istilah yang rada baku:Istilah yang rada baku:

D i i – 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:Istilah yang tidak terlalu sering digunakan:

– Ekstraksi pengetahuan, arkeologi data,

pengerukan data, penuaian informasi, analisa

p g , p ,

data/pola

•• Publisitas terbaru:Publisitas terbaru:

(10)

Mengapa Data Mining? Mengapa Data Mining?

•• Ketersediaan data dalam jumlah Ketersediaan data dalam jumlah t b

t b

yang sangat besar: yang sangat besar:

– Tool koleksi data otomatis dan

perkembangan teknologi database menyebabkan banyak sekali data yang bisa dikumpulkan di dalam yang bisa dikumpulkan di dalam database, data warehouse, dan alat peyimpanan informasi lainnya

p y p y

– Pemeriksaan data manual adalah membosankan dan terkadang tidak masuk akal

(11)

Apa Manfaat Dari DM? Apa Manfaat Dari DM?

Meningkatkan pengetahuan agar Meningkatkan pengetahuan agar

Marketing bisa membuat keputusan

bisa membuat keputusan berdasarkan:

berdasarkan:

Marketing

D t b

Misal, pengaruh pada marketing Misal, pengaruh pada marketing

P d h DM

P d h DM Database

Marketing

Peran dan pengaruh DM yang Peran dan pengaruh DM yang bertumbuh pesat dan masih bertumbuh pesat dan masih bertumbuh! bertumbuh! Data Warehousing KDD & Data Mining

Tetapi DM tidaklah sekedar Tetapi DM tidaklah sekedar marketing

marketing marketing... marketing...

(12)

Potensi Aplikasi? Potensi Aplikasi?

•• Analisis database dan dukungan Analisis database dan dukungan keputusan:

keputusan: keputusan: keputusan:

– Analisis dan manajemen pasar

• Target pasar manajemen relasiTarget pasar, manajemen relasi

customer (CRM), analisis keranjang pasar, penjualan silang, segmentasi pasar

pasar

– Analisis dan manajemen resiko

• Peramalan tindakan mempertahankan • Peramalan, tindakan mempertahankan

customer, peningkatan asuransi, kontrol kualitas, analisis kompetitif – Deteksi dan manajemen kecurangan

(13)

Potensi Aplikasi? Potensi Aplikasi?

•• Aplikasi lain:Aplikasi lain:

– Text mining (news group, email, dokumen) dan Web mining

– Stream data mining

A li i DNA d bi d t

(14)

Analisis dan Manajemen Pasar Analisis dan Manajemen Pasar

•• Dari mana data berasal?Dari mana data berasal?

T k i k t k dit l lt d k di t k l h

– Transaksi kartu kredit, loyalty cards, kupon discount, keluhan customer, kajian lifestyle publik

•• Target PasarTarget Pasar

– Mendapatkan kelompok model customer yang berbagi

karakteristik yang sama: minat, tingkat pendapatan, kebiasaan b l j d b

belanja, dsb.

– Menentukan pola pembelian customer berdasarkan waktu

•• Analisis lintas pasarAnalisis lintas pasar

– Asosiasi/korelasi antara penjualan produk & taksiran berdasarkan asosiasi demikian

(15)

Analisis dan Manajemen Pasar Analisis dan Manajemen Pasar

•• Profil customerProfil customer

Ti t b li d k

– Tipe customer apa membeli produk apa (pengelompokan atau klasifikasi)

A li k b t h t

•• Analisa kebutuhan customerAnalisa kebutuhan customer

– Mengenali produk terbaik untuk customer berbeda

M lk f kt k ik t t

– Meramalkan faktor apa yang akan memikat customer baru

P di k i f i

•• Penyediaan rangkuman informasiPenyediaan rangkuman informasi

– Rangkuman laporan multidimensi

R k i f i t ti tik (k d d t

– Rangkuman informasi statistik (kecenderungan data terpusat dan variasi)

(16)

Analisis dan Manajemen Resiko Analisis dan Manajemen Resiko

Perusahaan Perusahaan

•• Perencanaan keuangan dan evaluasi asetPerencanaan keuangan dan evaluasi aset

– Analisis dan peramalan cash flow

– Analisis ganti rugi yang mungkin untuk g g y g g mengevaluasi aset

– Analisis cross-sectional dan time series (financial-( ratio, analisa trend, dsb.)

•• Perencanaan sumberdayaPerencanaan sumberdaya

– Merangkum dan membandingkan sumberdaya dan pengeluaran

(17)

Analisis dan Manajemen Resiko Analisis dan Manajemen Resiko

•• KompetisiKompetisi

– Memantau pesaing dan arah pasar

Mengelompokkan customer kedalam kelas – Mengelompokkan customer kedalam kelas

dan prosedur harga berbasis kelas

– Menetapkan strategi harga dalam suatu pasar dengan kompetitif tinggi

(18)

Aplikasi Lain Aplikasi Lain

•• Olah ragaOlah raga

IBM Advanced Scout menganalisa statistik (shots blocked – IBM Advanced Scout menganalisa statistik (shots blocked,

assists, dan fouls) pertandingan NBA untuk mendapatkan keuntungan kompetitif bagi New York Knicks dan Miami Heatseats

•• AstronomiAstronomi

– Observatory JPL dan Palomar menemukan 22 quasars y q dengan bantuan data mining

•• Internet Web SurfInternet Web Surf--AidAid

– 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 mengenalisa efektifitas pemasaran Web, perbaikan situs Web organisasi, dsb.

(19)

Contoh (1) Contoh (1)

•• Anda seorang manajer marketing untuk Anda seorang manajer marketing untuk

h t l ll l

perusahaan telepon cellular: perusahaan telepon cellular:

– Pelanggan menerima sebuah telepon gratis (nilai 1 5 juta) dengan kontrak satu tahun; anda

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

(20)

•• Tiga bulan sebelum suatu Tiga bulan sebelum suatu

k t k b khi i t h

kontrak berakhir, cari tahu kontrak berakhir, cari tahu customer mana yang akan customer mana yang akan keluar:

keluar:

Yippee! _{e ua :}_{e ua :}

– Jika anda ingin mempertahankan

I won't leave!

p

customer yang diduga akan keluar, tawarkan customer

t b t t t l b

(21)

•• Anda seorang petugas Anda seorang petugas asuransi dan anda harus asuransi dan anda harus asuransi dan anda harus asuransi dan anda harus mendefinisikan suatu mendefinisikan suatu

pembayaran bulanan yang pembayaran bulanan yang

t t k d

Oh, yes!

pantas untuk seorang pemuda pantas untuk seorang pemuda berusia 18 tahun yang

berusia 18 tahun yang

membeli sebuah Ferrari … membeli sebuah Ferrari …

I love my Ferrari!

apa yang anda akan lakukan? apa yang anda akan lakukan?

(22)

•• Kaji seluruh data customer dan data Kaji seluruh data customer dan data

k i b b l

kompensasi pembayaran sebelumnya kompensasi pembayaran sebelumnya

•• Kaji peluang penyebab kecelakaan paling Kaji peluang penyebab kecelakaan paling banyak berdasarkan dugaan

banyak berdasarkan dugaan banyak berdasarkan dugaan… banyak berdasarkan dugaan…

– Kelamin pengendara (pria/wanita) dan usia

usia

– Model dan usia mobil, tempat tinggal d b

– dsb.

•• Jika peluang kecelakaan lebih besar dari Jika peluang kecelakaan lebih besar dari rata

rata rata aturlah pembayaran bulananrata aturlah pembayaran bulanan rata

rata--rata, aturlah pembayaran bulanan rata, aturlah pembayaran bulanan yang sesuai!

(23)

•• Anda berada diluar negeri dan seseorang Anda berada diluar negeri dan seseorang mencuri atau menggandakan kartu kredit mencuri atau menggandakan kartu kredit mencuri atau menggandakan kartu kredit mencuri atau menggandakan kartu kredit atau telepon mobile anda …

atau telepon mobile anda …

•• Perusahaan kartu kredit …Perusahaan kartu kredit …

– Menggunakan data histori untuk

membangun model prilaku penipuan dan gunakan data mining untuk membantu didalam mengenali kejadian yang mirip

P h t l

•• Perusahaan telepon …Perusahaan telepon …

– Menganalisis pola yang menyimpang dari suatu kebiasaan yang diharapkan (tujuan suatu kebiasaan yang diharapkan (tujuan, durasi, dsb.)

(24)

•• Log pengaksesan Web bisa Log pengaksesan Web bisa dianalisis untuk …

dianalisis untuk …

– Mendapatkan apa kesukaan customer

Excellent surfing _p _p

– Memperbaiki situs Web organisasi

experience!

•• Demikian pula … Demikian pula …

– Seluruh jenis analisis log informasiSeluruh jenis analisis log informasi – Adaptasi antarmuka/layanan user

(25)

Data Mining: Suatu Proses KDD Data Mining: Suatu Proses KDD

– Data mining—inti dari Evaluasi Pola

proses penemuan

pengetahuan _{Data Mining}

Task-relevant Data

Data Warehouse Pemilihan

Pembersihan Data

Integrasi Data

(26)

Langkah

Langkah--Langkah dari Proses Langkah dari Proses KDD (1) KDD (1) KDD (1) KDD (1) Pemahaman domain Pemahaman domain

Pembuatan suatu data set target Pembuatan suatu data set target Pembersihan/preprocessing data Pembersihan/preprocessing data Reduksi/proyeksi data Reduksi/proyeksi data Pembersihan/preprocessing data Pembersihan/preprocessing data p y p y Pemilihan tugas DM Pemilihan tugas DM

(27)

Langkah

Langkah--Langkah dari Proses Langkah dari Proses KDD (2) KDD (2) KDD (2) KDD (2) Pemilihan Algoritma DM Pemilihan Algoritma DM Data mining: Pencarian Data mining: Pencarian

Evaluasi pola Evaluasi pola Penyajian pengetahuan Penyajian pengetahuan Evaluasi pola Evaluasi pola y j p g y j p g

Penggunaan pengetahuan yang diperoleh Penggunaan pengetahuan yang diperoleh

(28)

Ciri Khas Proses KDD Ciri Khas Proses KDD

Raw data Seleksi Berdasarkan waktu Database Database Operasional Operasional Eval. of interes waktu Data mining Data mining Input data

Input data PreprocessingPreprocessing PostprocessingPostprocessing HasilHasil--HasilHasil

interes-tingness Bersih Benar Fokus 1 3 2 Utilisasi Utilisasi Pola berguna 1 3 yg terpilih

(29)

Utilisasi Utilisasi

P i k i

Peningkatan potensi untuk mendukung

keputusan bisnis Pembuatan End User

keputusan Business Analyst Penyajian Data Teknik Visualisasi D t Mi i _Data Analyst Data Mining Penemuan informasi Eksplorasi data

Analisa statistik query dan pelaporan

DBA

OLAP, MDA

Analisa statistik, query, dan pelaporan

Data Warehouses / Data Marts Sumber data

(30)

Arsitektur: Arsitektur:

Sistem Data Mining Sistem Data Mining Sistem Data Mining Sistem Data Mining

Antarmuka user grafis (GUI)

Evaluasi Pola

g ( )

Mesin data mining

Penyaringan

Database atau data

warehouse server _pengetahuanBasis

Data Warehouse

Pembersihan & integrasi data Penyaringan

(31)

Rantai Nilai Rantai Nilai Keputusan Keputusan • Promosikan produk A di Z. Pengetahuan Pengetahuan p

• Kirim iklan ke keluarga dengan profil P

• Jual silang layanan B ke klien C Pengetahuan

Pengetahuan

•Sebanyak Y produk A digunakan di Z

• Customer dari kelas Y menggunakan x% dari C Informasi Informasi •X tinggal di Z • S berumur Y tahun menggunakan x% dari C selama periode D Data Data •Data customer • Simpanan data • X dan S pindah • W punya uang di Z • Data grafis • Data geografis

(32)

Fungsionalitas Data Mining Fungsionalitas Data Mining

•• Konsep deskripsi: karakterisasi & Konsep deskripsi: karakterisasi & diskriminasi

diskriminasi

– Generalisasi rangkuman danGeneralisasi, rangkuman, dan karakteristik data kontras

D h k i D h b h

• Daerah kering vs. Daerah basah •• Asosiasi (korelasi dan hubunganAsosiasi (korelasi dan hubunganAsosiasi (korelasi dan hubungan Asosiasi (korelasi dan hubungan

sebab akibat) sebab akibat)

(33)

•• Klasifikasi dan prediksiKlasifikasi dan prediksi

– Membangun model (fungsi) yang

menguraikan dan membedakan kelas atau konsep untuk peramalan kedepanp p p

• Misal, mengklasifikasikan negara berdasarkan iklim, atau

kl ifik ik bil b d k mengklasifikasikan mobil berdasarkan gas mileage

Presentasi: pohon keputusan kaidah – Presentasi: pohon-keputusan, kaidah

klasifikasi, neural network

– Menaksir beberapa nilai numerik yang tidak diketahui atau hilang

(34)

•• Analisis cluster (analisis pengelompokan)Analisis cluster (analisis pengelompokan)

– Label kelas tidak diketahui: kelompokkan data untuk membentuk kelas baru, misal

mengelompokkan rumah untuk mendapatkan l di t ib i

pola distribusi

– Memaksimalkan kemiripan antar kelas dan meminimumkan kemiripan didalam kelasp •• Analisis outlierAnalisis outlier

Outlier: suatu objek data yang tidak – Outlier: suatu objek data yang tidak

mengikuti perilaku umum dari data – Gangguan atau pengecualian? Tidak!

Berg na dalam deteksi kec rangan analisis Berguna dalam deteksi kecurangan, analisis peristiwa yang jarang terjadi

(35)

•• Analisis trend dan evolusiAnalisis trend dan evolusi

– Trend dan deviasi: analisis regresi – Penggalian pola sekuensial,

analisis periodisitas

• Analisis arah pola lain atau statistik

(36)

Adakah Seluruh Pola Yang Adakah Seluruh Pola Yang

Ditemukan Menarik? Ditemukan Menarik?

•• Penambangan data bisa membuat ribuan pola: Penambangan data bisa membuat ribuan pola:

tidak semua pola tersebut menarik tidak semua pola tersebut menarik

– Pendekatan yang disarankan: berpusatkan kepada manusia, berbasis query, penggalian terfokus

• Ukuran ketertarikan

– Suatu pola adalah menarik jika pola tersebut mudah dipahami oleh manusia, valid (berlaku) pada data p , ( ) p baru atau uji dengan suatu derajat kepastian,

potensial berguna, baru atau membenarkan suatu hipotesa yang dicari user untuk konfirmasi

(37)

Adakah Seluruh Pola Yang Adakah Seluruh Pola Yang

•• Ukuran ketertarikan objektif vs. subjektifUkuran ketertarikan objektif vs. subjektif

– Objektif: berdasarkan statistik dan struktur pola misal dukungan kepercayaan dsb

pola, misal, dukungan, kepercayaan, dsb. – Subjektif: berdasarkan keyakinan user

terhadap data, misal, ketakterdugaan, pengalaman baru, tindakan yang bisa diperkarakan, dsb.

(38)

Bisakah Memperoleh Seluruh Atau Bisakah Memperoleh Seluruh Atau

Hanya Pola Yang Menarik? Hanya Pola Yang Menarik? •• Dapatkan seluruh pola yang menarik: Dapatkan seluruh pola yang menarik:

y g

Kelengkapan Kelengkapan

– Bisakah suatu sistem data mining – Bisakah suatu sistem data mining

mendapatkan seluruh pola yang menarik? – Pencarian heuristik vs. exhaustive

(melelahkan)

(39)

Bisakah Memperoleh Seluruh Atau Bisakah Memperoleh Seluruh Atau

Hanya Pola Yang Menarik? Hanya Pola Yang Menarik? •• Cari hanya pola yang menarik: suatu Cari hanya pola yang menarik: suatu

y g

problem optimasi problem optimasi

– Bisakah suatu sistem data mining – Bisakah suatu sistem data mining

mendapatkan hanya pola yang menarik? – Pendekatan

• Pertama dapatkan seluruh pola lalu saring atau p p g keluarkan yang tidak diminati

• Buatlah hanya pola yang diminati—optimisasi y p y g p query penggalian

(40)

Data Mining: Tempat Pertemuan Data Mining: Tempat Pertemuan

Banyak Disiplin Banyak Disiplinyy pp

Sistem

Database Statistik

Data Mining

Mesin _{Data Mining} _Visualisasi

Pembelajaran Visualisasi

Disiplin Lainnya Algoritma

(41)

Tinjauan Data Mining: Skema Tinjauan Data Mining: Skema

Klasifikasi Klasifikasi

•• Fungsionalitas umum:Fungsionalitas umum:

– Uraian data mining:

• Uraikan hal menarik apa yang bisa ditemukan dalam data ini!

• Terangkan data ini ke saya! – Peramalan data mining:

• Berdasarkan data ini dan sebelumnya, y , beritahu saya apa yang akan terjadi kemudian!

(42)

Tinjauan Data Mining: Skema Tinjauan Data Mining: Skema

•• Tinjauan multiTinjauan multi--dimensi … dimensi …

– Databases yang akan digali – Pengetahuan yang akan dicarig y g – Teknik-teknik yang digunakan

Aplikasi yang disesuaikan – Aplikasi yang disesuaikan

•• Mari kita lihat lebih dekat pada Mari kita lihat lebih dekat pada tinjauan ini

tinjauan ini tinjauan ini ... tinjauan ini ...

(43)

Tinjauan Data Mining Tinjauan Data Mining

Databases yang akan digali Databases yang akan digali Databases yang akan digali Databases yang akan digali

• Relasional _• _{Teks XML} • Relasional • Data warehouse • Transaksional Databases Databases • Teks, XML • Multi-media • Heterogen • Object-oriented • Object-relational g • Warisan • Induktif relational • Aktif • Spasial • WWW • dsb. • Time-series

(44)

Tinjauan Data Mining Tinjauan Data Mining

Aplikasi yang disesuaikan Aplikasi yang disesuaikan

j g

Aplikasi yang disesuaikan Aplikasi yang disesuaikan

• RetailRetail _{• Analisa stock}

(supermarkets etc.)

Applic.

Applic. • Analisa stock

market • Web mining ) • Telecom • Banking • Web mining • Analisa data log g • Fraud analysis • DNA mining log • dsb. DNA mining

(45)

OLAP Mining: Integrasi Dari Data OLAP Mining: Integrasi Dari Data

Mining dan Data Warehouse Mining dan Data Warehouse

• Sistem data mining, DBMS, Data warehouse

g, ,

systems coupling

– No coupling, loose-coupling, semi-tight-coupling, tight-coupling

• Data on-line analytical mining (OLAM)

I i d i li d k l i OLAP

(46)

OLAP Mining: Integrasi Dari Data OLAP Mining: Integrasi Dari Data

• Penggalian pengetahuan multi-level secara

gg p g

interaktif

– Kebutuhan penggalian pengetahuan dan pola pada suatu level berbeda dari abstraksi dengan

drilling/rolling, pivoting, slicing/dicing, dsb.

• Integrasi dari banyak fungsi penggalian

– Klasifikasi berkarakter, pertama clustering dan kemudian asosiasi

(47)

Isu Utama dalam Data Mining Isu Utama dalam Data Mining

•• Metodologi dan interaksi penambanganMetodologi dan interaksi penambangan

P b b b i j i h

– Penambangan berbagai jenis pengetahuan – Penambangan pengetahuan secara interaktif

Penggabungan latar belakang pengetahuan – Penggabungan latar belakang pengetahuan – Bahasa query DM dan DM khusus

– Visualisasi hasil DM – Visualisasi hasil DM

– Penanganan gangguan dan data tak lengkap – Ketertarikan problemKetertarikan problem

•• Kinerja dan skalabilitas:Kinerja dan skalabilitas:

– Efisiensi dan skalabilitas dari algoritma DMg

(48)

Isu Utama dalam Data Mining Isu Utama dalam Data Mining

•• Aneka ragam tipe data:Aneka ragam tipe data:

– Penanganan tipe data kompleks

g g

Penanganan tipe data kompleks

– Penambangan informasi dari database heterogen (Web misalnya)

A lik i d i t i t h did t

•• Aplikasi dan integrasi pengetahuan yang didapat:Aplikasi dan integrasi pengetahuan yang didapat:

– Tool DM khusus domain

– Jawaban query cerdas dan pembuatan keputusanJawaban query cerdas dan pembuatan keputusan – Integrasi dari pengetahuan yang didapat dengan

pengetahuan yang ada

P t k i d t P t k i d t

•• Proteksi data … Proteksi data …

– Keamanan – Integritasg – Kerahasiaan

(49)

Historis Aktivitas Data Mining Historis Aktivitas Data Mining

•• 1989 IJCAI Workshop1989 IJCAI Workshop

g g

•• 19911991--1994 KDD Workshops1994 KDD Workshops

•• 19951995--1998 KDD Conferences1998 KDD Conferences

•• 1998 ACM SIGKDD1998 ACM SIGKDD

•• 19991999-- SIGKDD ConferencesSIGKDD Conferences

•• dan banyak lagi konferensi kecil / baru dari dan banyak lagi konferensi kecil / baru dari DM …

DM …

– PAKDD, PKDD

– SIAM-Data Mining, (IEEE) ICDMg, ( ) – dsb.

(50)

Rujukan Yang Berguna untuk Rujukan Yang Berguna untuk

Data Mining Data Mining Data Mining Data Mining “Standards” “Standards” •• DM:DM: C f KDD PKDD PAKDD •• DM:DM: Conferences: KDD, PKDD, PAKDD, ... Journals: Data Mining and Knowledge

Discovery, CACM

•• DM/DB:DM/DB: Conferences: ACM-SIGMOD/PODS, VLDB, ... Journals: ACM-TODS, J. ACM,

IEEE-TKDE JIIS IEEE TKDE, JIIS, ...

•• AI/ML:AI/ML: Conferences: Machine Learning, AAAI, IJCAI, ... Journals: Machine Learning, Artific. Intell., ...

(51)

Kesimpulan Kesimpulan

•• Data mining: penemuan Data mining: penemuan pola menarikpola menarik dari dari data set yang data set yang besar

besar secarasecara semisemi otomatisotomatis besar

besar secara secara semisemi--otomatisotomatis

•• Knowledge discovery adalah suatu proses:Knowledge discovery adalah suatu proses:

– PreprocessingPreprocessing – Data mining – Postprocessing

•• Untuk digali, digunakan atau dimanfaatkan … Untuk digali, digunakan atau dimanfaatkan …

– Databases (relasional, object-oriented, spasial, WWW, )

…)

– Pengetahuan (karakterisasi, pengumpulan, asosiasi, …) – Teknik (mesin pembelajaran statistik visualisasi ) – Teknik (mesin pembelajaran, statistik, visualisasi, …) – Aplikasi (retail, telecom, Web mining, analisa log, …)

(52)

Pengantar Data Mining Pengantar Data Mininggg gg