298 Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 298-308 E- ISSN 2503-2933
Pemanfaatan Manajemen Pengetahuan Untuk Membantu Persiapan Data Pada Proses Data Mining
Yusuf Bayu Wicaksono1, Christina Juliane2
1,2Jurusan Sistem Informasi, STMIK LIKMI, Bandung
e-mail: 1[email protected], 2[email protected]
Abstrak
Proses data mining selalu melibatkan tahap persiapan data. IBM menyimpulkan berdasarkan pengalaman praktisi data mining, 40-70% waktu proyek data mining dihabiskan untuk persiapan data. Hal ini karena tidak semua orang mengetahui apa kandungan dari data yang tersedia sehingga akan menghabiskan waktu hanya untuk memahami data itu sendiri.
Metode penelitian yang digunakan mengadopsi pada framework riset sistem informasi, dengan membandingkan basis pengetahuan (data mining) dengan fakta lingkungan (lamanya persiapan data). Dibuatlah desain menggunakan pendekatan manajemen pengetahuan yang diformulasikan untuk data. Pengetahuan tacit dari data ditangkap dalam siklus manajemen pengetahuan untuk dikodifikasi ke dalam pengetahuan eksplisit. Hasilnya adalah dua tabel kualitatif dan kuantitatif yang berisi pengetahuan-pengetahuan terkait data sebagai bentuk pengetahuan eksplisit.
Kata kunci—data, data mining, manajemen pengetahuan
Abstract
The data mining process always involves a data preparation stage. IBM concludes based on the experience of data mining practitioners, 40-70% of data mining project time is spent on data preparation. This is because not everyone knows what the content of the available data is, so it will take time to understand the data itself. The research method used adopts the information systems research framework, by comparing the knowledge base (data mining) with environmental facts (the length of data preparation). The design is made using a knowledge management approach formulated for data. Tacit knowledge from the data is captured in the knowledge management cycle to be codified into explicit knowledge. The result is two qualitative and quantitative tables containing data-related knowledge as a form of explicit knowledge.
Keywords— data, data mining, knowledge management
1. PENDAHULUAN
emajuan teknologi membuat biaya penyimpanan data semakin rendah [1], mengakibatkan data terus dihasilkan dalam jumlah yang besar, jenis yang beragam, dan kecepatan yang tinggi [2]. Hal ini kemudian memunculkan kesadaran bahwa data mengandung pengetahuan yang terkubur di dalamnya sehingga dapat digunakan untuk kemajuan perusahaan, sains, teknologi, dan masyarakat secara umum [3]. Data pun memiliki nilai tersendiri yang menuntut untuk dilakukan visualisasi, peningkatan keakuratan, pemrosesan, akses distribusi, dan validasi kebenarannya [4]. Hal tersebut memerlukan keilmuan lintas disiplin seperti
K
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 298-308 E- ISSN 2503-2933 299
matematika, statistik, ilmu informasi, dan ilmu komputer, yang selanjutnya menjadi ilmu penambangan data (data mining) [5]. Data mining terdiri dari tahapan-tahapan untuk memudahkan pengambil pola pengetahuan dari kumpulan data, secara umum yaitu tahap persiapan data, pemodelan, evaluasi, dan pemanfaatan (deployment). Tahapan yang paling membutuhkan waktu banyak adalah saat persiapan data [6].
Sebelum memulai proses-proses data mining, perlu dilakukan identifikasi sistem terlebih dahulu, minimal mengetahui pasangan data input dan output sebelum melakukan penentuan model [7]. Dengan demikian, walaupun tujuan dari data mining adalah untuk mendapat pengetahuan, sebenarnya diperlukan pengetahuan awal seputar data yang akan digunakan.
Pengetahuan tentang data perlu diekstrak, disimpan, dan didistribusikan ke semua pelaku data mining yang memerlukan data tersebut. Hal ini sejalan dengan manajemen pengetahuan, di mana di dalamnya terkandung proses penciptaan pengetahuan, penyimpanan pengetahuan, transfer pengetahuan, aplikasi pengetahuan, dan evaluasi pengetahuan [8].
Penelitian ini akan membahas seputar perlunya manajemen pengetahuan sebagai pendukung proses data mining khususnya untuk membantu persiapan data. Pengetahuan tentang data diperlukan karena manajemen data merupakan salah satu faktor kritis dalam kesuksesan data mining [9]. Dalam penelitian lain yang lebih detail, tujuh faktor kritis penentu kesuksesan manajemen data adalah kompetensi karyawan terkait data, proses dan prosedur data yang jelas, alat dan teknologi data, kebijakan data standar, peran dan tanggung jawab terkait data, persyaratan data yang jelas, serta strategi data yang fokus dan nyata [10].
Beberapa penelitian terdahulu seputar kaitan manajemen pengetahuan dan data mining telah dilakukan. Pertama, penelitian mengenai mengambil pengetahuan untuk pengembangan produk dari data konsumen menggunakan data mining [11]. Kedua, penelitian tentang ekstraksi pengetahuan kompetensi kelulusan menggunakan Model SECI dikombinasikan dengan algoritma data mining klasifikasi dan clustering [12]. Ketiga, pengembangan aplikasi Customer Relationship Management (CRM) menggunakan manajemen pengetahuan dan data mining di industri jasa [13]. Keempat, penggunaan data mining untuk menghasilkan pengetahuan terkait tata letak buku di perpustakaan [14]. Semua penelitian terdahulu melihat data sebagai sumber pengetahuan sehingga metode yang digunakan identik dengan proses knowledge discovery.
Pada penelitian ini dirancang alur untuk mempercepat proses tersebut. Manajemen pengetahuan digunakan sebagai tahap awal untuk memulai proses data mining. Pengetahuan tacit seputar data yang akan digunakan perlu diubah menjadi pengetahuan eksplisit.
2. METODE PENELITIAN
Metode penelitian yang digunakan mengadopsi pada framework riset sistem informasi [15]. Framework ini meninjau basis pengetahuan dengan fakta di lingkungan seperti Gambar 1.
Pada penelitian ini, basis pengetahuan adalah tentang manajemen pengetahuan dan data mining dari berbagai literatur ilmiah. Sedangkan lingkungan adalah seputar masalah yang dihadapi oleh praktisi data mining itu sendiri. Kedua sudut pandang kemudian digabungkan dalam sebuah proses desain/riset dengan melihat adanya kebutuhan dari lingkungan dan penerapan basis pengetahuan pada kebutuhan tersebut. Pada akhirnya akan diperoleh penambahan pengetahuan ke basis pengetahuan dan aplikasi ke lingkungan.
300 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 298-308 E-ISSN 2503-2933
Gambar 1. Framework Riset Sistem Informasi [15]
3. HASIL DAN PEMBAHASAN
2.1 Basis Pengetahuan
Manajemen pengetahuan merupakan cara untuk mengelola pengetahuan di organisasi/
perusahaan, meliputi tentang bagaimana pengetahuan dibuat, dibagikan/ditransfer, diperoleh, disimpan/diambil, dan diterapkan di seluruh sistem organisasi [16]. Perbandingan berbagai Siklus Manajemen dari beberapa riset dapat dilihat di Tabel 1. Semua siklus menunjukkan pola yang sama, yaitu bagaimana pengetahuan ditangkap dari bentuk tacit, disimpan dengan format khusus (ekplisit terkodifikasi), dibagikan, dan diterapkan ke seluruh organisasi. Kesimpulan dari disiplin manajemen pengetahuan dapat dilihat pada Gambar 2. Manajemen pengetahuan dapat digunakan pada semua objek yang memiliki pengetahuan tacit.
Tabel 1. Perbandingan Siklus Manajemen Pengetahuan [17]
Siklus Cross-Reference dari Fase Siklus Hidup KMC
Model
Create Store Share Use Learn Improve
Wiig Build Hold Pool Apply -
Meyer &
Zack
Acquisition Storage Distribution Use - Refinement
Bukowitz
& Williams
Get Build Contribute - Asses &
Divest
McElroy Claim - Integration -
Dalkir Claim - Share Apply Contextualize Update
Evans &
Ali
Identify Organize
& Store
Share Apply Evaluate &
Learn
-
Gambar 2. Inti dari Manajemen Pengetahuan
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 298-308 E- ISSN 2503-2933 301
Data mining merupakan proses identifikasi pola pengetahuan dari data, sehingga pola tersebut dapat diaplikasikan ke data sejenis yang lain. Proses data mining melibatkan statistika, query basis data, visualisasi, pemrograman tradisional, dan machine learning [18]. Pola-pola tersebut berisi penyelesaian masalah berbagai jenis tipe data, sehingga menghasilkan pola klasifikasi, regresi, klasterisasi, deteksi outlier, dan time series [19]. Proses data mining oleh beberapa peneliti disusun menjadi model, dan beberapa model digunakan secara luas di industri, seperti Knowledge Discovery in Database (KDD), Sample-Explore-Modify-Model-Asses (SEMMA), dan CRoss Industry Standard Process for Data Mining (CRISP-DM) [20]. Semua model tersebut memerlukan tahapan persiapan data [21]. Proses data mining dapat disimpulkan berisi tahapan seperti Gambar 3.
Gambar 3. Proses Data Mining Secara Umum
2.2 Lingkungan
Persiapan data membutuhkan waktu terbanyak di antara tahapan lainnya. IBM menyimpulkan berdasarkan pengalaman praktisi data mining, 40-70% waktu proyek data mining dihabiskan untuk persiapan data [22]. Peran pengetahuan tentang data diperlukan guna mempercepat proses persiapan data [23]. Hal ini karena tidak semua orang mengetahui apa kandungan dari data yang tersedia sehingga akan menghabiskan waktu hanya untuk memahami data itu sendiri. Data memang biasanya sudah eksplisit, namun pengetahuan tentang data itu masih berupa pengetahuan tacit, hanya pembuat data saja yang tahu secara detail. Di sinilah membuka peran manajemen pengetahuan untuk menjadi tahapan awal dari proses data mining, dengan tujuan membuat pengetahuan tacit tentang data menjadi pengetahuan eksplisit.
2.3 Desain
Kaitannya dengan persiapan data, maka manajemen pengetahuan untuk data meliputi bagaimana pegetahuan tentang data tersebut dibuat, disimpan di gudang data, dibagikan, dan diterapkan praktisi data mining. Dalam sudut pandang manajemen pengetahuan, data merupakan komponen penting dan tahap awal dari rantai nilai pengetahuan [24]. Pengetahuan tentang hak akses data, keamanan data, dan privasi data juga menjadi bagian yang tidak dapat dipisahkan bahkan menjadi kewajiban [25]. Dengan demikian, manajemen pengetahuan data dilakukan sebelum proses data mining (Gambar 4), dengan tahapan seperti Gambar 5. Isi dari masing-masing tahapan dapat dilihat pada Tabel 2.
302 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 298-308 E-ISSN 2503-2933
Gambar 4. Manajemen Pengetahuan Data Dilakukan Sebelum Proses Data Mining
Gambar 5. Tahapan Manajemen Pengetahuan Data
Tabel 2. Isi Tiap Tahapan pada Manajemen Pengetahuan Data
Penangkapan Kodifikasi & Penyimpanan Membagi Menerapkan 1. Apa isi data tersebut?
2. Dari mana asal data?
3. Untuk apa data dibuat?
4. Siapa pembuat datanya?
5. Kapan data dibuat?
6. Bagaimana data dihasilkan?
7. Apa deskripsi tiap kolom?
8. Apa jenis data tiap kolom?
9. Berapa jumlah data kosong tiap kolom?
1. Tabel Kualitatif:
a. deskripsi data b. asal data c. tujuan data d. pembuat data e. tanggal dibuat f. tanggal diperbarui g. deskripsi proses singkat
data dihasilkan 2. Tabel Kuantitatif:
a. deskripsi tiap kolom b. jenis data tiap kolom c. jumlah data kosong tiap
kolom
1. Siapa saja yang diizinkan mengakses data?
2. Sejauh mana dapat mengakses (melihat, mengedit, atau menghapus data) 3. Bagaimana
cara mengakses data?
Persiapan data pada proses atau model data mining
2.3.1 Penangkapan Pengetahuan Data
Beberapa pengetahuan terkait data yang dapat diperoleh di antaranya adalah apa isi data tersebut, dari mana data berasal, untuk apa data diambil, siapa yang membuat data tersebut, kapan data tersebut diambil, dan bagaimana data tersebut dihasilkan. Semua pertanyaan tersebut dijawab dalam kalimat yang singkat agar lebih mudah dipahami. Selain itu, setiap kolom dari data harus dituliskan keterangannya. Termasuk deskripsi kolom, jenis data (numerik, biner, atau kategori), dan jumlah data kosong tiap kolom.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 298-308 E- ISSN 2503-2933 303
2.3.2 Kodifikasi Pengetahuan Data
Kodifikasi pengetahuan memastikan bahwa pengetahuan yang telah ditangkap menjadi terstruktur. Maka akan ada dua kategori dari pengetahuan data, yaitu pengetahuan kualitatif dan kuantitatif. Kedua pengetahuan ini dapat dituangkan ke dalam bentuk tabel agar memudahkan penyimpanan pengetahuan.
2.3.3 Membagi Pengetahuan Data
Pengetahuan tentang data dapat ditempatkan pada suatu manajemen basis data untuk memudahkan pembuatan aturan terkait distribusi data. Peran siapa saja yang perlu mengakses, sejauh mana hak akses diberikan, dan bagaimana cara mengaksesnya perlu dijabarkan agar pengetahuan dapat dibagi dengan baik.
2.3.4 Menerapkan Pengetahuan Data
Pada akhirnya, pengetahuan dapat diterapkan pada proses data mining. Penambang data cukup melihat pada dua tabel pengetahuan data sebelum melakukan proses data mining. Tabel ini akan memberikan gambaran keseluruhan terkait data yang akan ditambang. Berbekal dengan pengetahuan tersebut, penambang dapat melakukan persiapan dengan lebih cepat karena telah memahami maksud dari data yang akan di olah.
2.4 Implementasi
Skema Gambar 4 diimplementasikan ke dalam aplikasi berbasis website, menggunakan XAMPP dengan web framework Laravel. Pengguna akan diarahkan ke halaman kumpulan data yang dapat diakses seperti Gambar 6. Data yang belum ditangkap pengetahuannya akan ada tombol “+ Tambah”. Tombol “+ Tambah” ketika diklik akan mengarahkan ke penangkapan data kualitatif atau kuantitatif. Penangkapan pengetahuan data dilakukan mengikuti Tabel 2 seperti pada Gambar 7 (kualitatif). Sementara data yang sudah ditangkap pengetahuannya akan menampilkan tanda centang. Tanda ini ketika diklik akan mengarahkan pada halaman kodifikasi pengetahuan data (Gambar 8). Pada halaman ini memungkinkan untuk melihat hasil kodifikasi pengetahuan yang sudah dilakukan.
Membagi pengetahuan data dilakukan dengan memberikan hak akses kepada pengguna seperti Gambar 9. Hanya pengguna yang diberikan hak akses saja yang dapat mengakses data tertentu. Hak akses memungkinkan data dan pengetahuan tentang data itu dibagikan kepada pengguna yang tepat, sesuai kebutuhan pengguna terkait. Pengguna dapat langsung menerapkan pengetahuan tentang data yang diperoleh pada proses data mining. Halaman menerapkan pengetahuan (Gambar 10) memungkinkan pengguna untuk dapat segera memperoleh data sesuai dengan format yang diinginkan, sehingga proses data mining dapat langsung dijalankan.
Dengan demikian waktu untuk persiapan data dapat dipercepat.
304 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 298-308 E-ISSN 2503-2933
Gambar 6. Kumpulan Data Untuk Mengetahui Pengetahuan Mana yang Belum Ditangkap
Gambar 7. Form Untuk Menangkap Pengetahuan Kualitatif
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 298-308 E- ISSN 2503-2933 305
Gambar 8. Hasil Kodifikasi Pengetahuan Kualitatif dan Kuantitatif
Gambar 9. Membagi Pengetahuan Dengan Memberikan Hak Akses Kepada Pengguna Untuk Setiap Data, Sesuai Kebutuhan Pengguna Tersebut
306 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 298-308 E-ISSN 2503-2933
Gambar 10. Menerapkan Pengetahuan Dengan Menyediakan Berbagai Format Data Untuk Digunakan pada Proses Data Mining
4. KESIMPULAN
Persiapan data merupakan tahapan yang menghabiskan waktu dalam data mining. Peran manajemen pengetahuan khusus untuk data dapat digunakan untuk mempermudah persiapan data. Dua tabel kualitatif dan kuantitatif yang berisi pengetahuan-pengetahuan terkait data digunakan sebagai bentuk pengetahuan eksplisit dari data. Melalui pengetahuan ini proses persiapan data dapat dipersingkat karena penambang tidak menambang data dari nol pengetahuan.
5. SARAN
Praktisi data mining dapat menggunakan manajemen pengetahuan data sebelum memulai proses data mining. Penelitian selanjutnya dapat membuat studi kuantitatif tentang berapa besar pengaruh perbedaan waktu proses data mining dengan dan tidak menerapkan manajemen pengetahuan data.
DAFTAR PUSTAKA
[1] Klein, Andy, “The Cost of Hard Drives Over Time,” Backblaze Blog | Cloud Storage &
Cloud Backup, 11 Juli 2017. https://www.backblaze.com/blog/hard-drive-cost-per- gigabyte/ (Diakses 9 April 2022).
[2] T. Ivanov, N. Korfiatis, dan R. V. Zicari, “On The Inequality of The 3V’s of Big Data Architectural Paradigms: A Case For Heterogeneity,” 2013, doi:
10.48550/ARXIV.1311.0805.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 298-308 E- ISSN 2503-2933 307
[3] M. Al-Emran, V. Mezhuyev, A. Kamaludin, dan K. Shaalan, “The Impact of Knowledge Management Processes On Information Systems: A Systematic Review,” International Journal of Information Management, Vol. 43, Hlm. 173–187, Des 2018, doi:
10.1016/j.ijinfomgt.2018.08.001.
[4] K. Khurshid, A. A. Khan, H. Siddiqi, dan I. Rashid, “Big Data-9Vs, Challenges and Solutions,” Technical Journal, Vol. 23, No. 3, Hlm. 7.
[5] J. Liu dkk., “Data Mining and Information Retrieval in The 21st Century: A bibliographic Review,” Computer Science Review, Vol. 34, Hlm. 100193, Nov 2019, doi:
10.1016/j.cosrev.2019.100193.
[6] P. Bhatia, Data Mining and Data Warehousing: Principles and Practical Techniques.
Cambridge, United Kingdom ; New York, NY: Cambridge University Press, 2019.
[7] M. Kantardžić, Data Mining: Concepts, Models, Methods, and Algorithms, 3rd ed.
Hoboken Piscataway: John Wiley IEEE press, 2020.
[8] T. Gao, Y. Chai, dan Y. Liu, “A Review of Knowledge Management About Theoretical Conception and Designing Approaches,” IJCS, Vol. 2, No. 1, Hlm. 42–51, Jul 2018, doi:
10.1108/IJCS-08-2017-0023.
[9] Z. A. Al-Sai, R. Abdullah, dan M. H. Husin, “Critical Success Factors for Big Data: A Systematic Literature Review,” IEEE Access, Vol. 8, Hlm. 118940–118956, 2020, doi:
10.1109/ACCESS.2020.3005461.
[10] I. Alhassan, D. Sammon, dan M. Daly, “Critical Success Factors for Data Governance:
A Theory Building Approach,” Information Systems Management, Vol. 36, No. 2, Hlm.
98–110, Apr 2019, doi: 10.1080/10580530.2019.1589670.
[11] Y. Zhan, K. H. Tan, dan B. Huo, “Bridging Customer Knowledge To Innovative Product Development: A Data Mining Approach,” International Journal of Production Research, Vol. 57, No. 20, Hlm. 6335–6350, Okt 2019, doi: 10.1080/00207543.2019.1566662.
[12] M. Mardiani, “Desain Model Data Mining pada Model SECI Untuk Pemetaan dan Ekstraksi Pengetahuan Kompetensi Lulusan,” JATISI, Vol. 8, No. 3, Hlm. 1607–1614, Sep 2021, doi: 10.35957/jatisi.v8i3.1349.
[13] S. K. Srivastava, B. Chandra, dan P. Srivastava, “The Impact of Knowledge Management and Data Mining on CRM in The Service Industry,” Dalam Nanoelectronics, Circuits and Communication Systems, Vol. 511, V. Nath dan J. K. Mandal, Ed. Singapore: Springer Singapore, 2019, hlm. 37–52. doi: 10.1007/978-981-13-0776-8_4.
[14] Y. Andini, J. T. Hardinata, dan Y. P. Purba, “Penerapan Data Mining pada Tata Letak Buku di Perpustakaan Sintong Bingei Pematangsiantar Dengan Metode Apriori,”
308 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 298-308 E-ISSN 2503-2933
[16] M. Fakhar Manesh, M. M. Pellegrini, G. Marzi, dan M. Dabic, “Knowledge Management in The Fourth Industrial Revolution: Mapping The Literature and Scoping Future Avenues,” IEEE Trans. Eng. Manage., Vol. 68, No. 1, Hlm. 289–300, Feb 2021, doi:
10.1109/TEM.2019.2963489.
[17] M. Evans, K. Dalkir, dan C. Bidian, “A Holistic View of the Knowledge Life Cycle: The Knowledge Management Cycle (KMC) Model,” Vol. 12, No. 2, hlm. 13, 2014.
[18] K. Jamsa, Introduction to Data Mining and Analytics With Machine Learning in R and Python. Burlington, Massachusetts: Jones & Bartlett Learning, 2021.
[19] A. Hannachi, Patterns Identification and Data Mining in Weather and Climate. Cham:
Springer, 2021.
[20] S. A. Mohd Selamat, S. Prakoonwit, R. Sahandi, W. Khan, dan M. Ramachandran, “Big Data Analytics—A Review of Data Mining Models For Small and Medium Enterprises In The Transportation Sector,” WIREs Data Mining Knowl Discov, Vol. 8, No. 3, Mei 2018, doi: 10.1002/widm.1238.
[21] F. Martinez-Plumed dkk., “CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories,” IEEE Trans. Knowl. Data Eng., Vol. 33, No. 8, Hlm. 3048–3061, Agu 2021, doi: 10.1109/TKDE.2019.2962680.
[22] IBM, “Data Preparation In The Mining Process,” 27 Februari 2021.
https://www.ibm.com/docs/en/db2/11.1?topic=studio-data-preparation-in-mining-process (Diakses 9 April 2022).
[23] C. Schröer, F. Kruse, dan J. M. Gómez, “A Systematic Literature Review on Applying CRISP-DM Process Model,” Procedia Computer Science, Vol. 181, Hlm. 526–534, 2021, doi: 10.1016/j.procs.2021.01.199.
[24] S. Husain dan J.-L. Ermine, Knowledge Management Systems Concepts, Technologies and Practices. 2021. Diakses: 5 Februari 2022. [Daring]. Tersedia pada:
https://doi.org/10.1108/9781801173483
[25] I. Mistrik, M. Galster, B. R. Maxim, dan B. Tekinerdogan, Ed., Knowledge Management in The Development of Data-Intensive Systems, 1 ed. Auerbach Publications, 2021. doi:
10.1201/9781003001188.
