Pengertian Data Mining

Posted on

Pengertian Data Mining – Para praktisi yang bekerja dalam bidang ilmu edukasi maupun akademisi tentu sudah tidak asing dengan istilah data mining. Sebetulnya istilah itu berasal dari bahasa Inggris yakni datum yang berarti suatu kumpulan kenyataan yang dapat diterima dengan apa adanya serta mining yang berarti penambangan.

Data sendiri mempunyai peran yang penting untuk kehidupan karena dapat memudahkan dalam pengambilkan keputusan. Informasi data itu berasal dari sekian banyak sumber namun masih berupa opini atau anggapan sebab belum diubah secara lebih lanjut.

Pengertian Data Mining

Data mining adalah sebuah proses pendataan informasi penting dari suatu data yang besar. Pengumpulan informasi urgen tersebut dilaksanakan melalui sejumlah proses yang mencakup metode statistika, matematikan maupun teknologi artificial intelligence. Secara lebih khusus, pengertian data mining yaitu suatu alat serta software yang menggunakan analisis statistik pada data dan menyaring serta menyimpan semuda data tersebut.

Perlu kita ketahui bahwa data mining sendiri dapat mencerminkan suatu pengumpulan sejumlah teknik yang bertujuan supaya menemukan pola-pola yang belum diketahui pada data yang terkumpul. Melalui data inilah semua pemakai dapat mengejar pengetahuan berupa database yang semula tidak mungkin dapat diketahui.

Di samping itu, pendataan data tersebut pun menjadi unsur dari Knowledge Discovery in Database (KDD) yang terdiri atas sejumlah tahapan, diantaranya pemilihan data, pra pengolahan, etape transformasi, penerapan serta penilaian hasil. Secara umum KDD tidak jarang dikenal dengan istilah pangkalan data.

Penerapan Data Mining

Data mining ternyata dapat diterapkan pada sekian banyak bidang kehidupan. Berikut contoh-contoh penerapan data mining yang perlu untuk Anda ketahui.

1. Telekomunikasi

Penerapan pendataan data dapat dilaksanakan di perusahaan telekomunikasi untuk menyaksikan jutaan transaksi yang masuk. Sehingga bisa diketahui transaksi mana saja yang mesti ditangani secara manual.

2. Keuangan

Baru-baru ini, Finacial Crimes Enforcement Network yang sedang di Amerika Serikat pun memakai data mining untuk mengoleksi triliyunan sekian banyak subyek, seperti tabungan bank, properti sampai transaksi finansial lainnya. Tujuannya guna mendeteksi transaksi finansial yang mencurigakan.

3. Asuransi

Penggunaan data tersebut pun diterapkan di perusahaan asuransi salah satunya oleh Australian Health Insurance Commision. Perusahaan tersebut menggunakan data mining guna identifikasi layanan kesehatan yang sebenarnya tidak dibutukan tetapi tetap dilaksanakan peserta asuransi.

4. Olahraga

Pengumpulan data pun diterapkan pada IBM Advanced Scout guna analisis statistik permainan NBA. Sehingga bisa mencapai kelebihan dalam berlomba utuk kesebelasan Miami Heat dan New York Knicks.

Baca juga: Pengertian Analisis SWOT

Metode Dalam Data Mining

Data mining yaitu salah satu unsur sistem informasi yang meluangkan perencanaan mulai dari gagasan sampai implementasi akhir. Untuk lebih jelasnya berikut sejumlah metode yang dipakai dalam data mining yang perlu Anda ketahui.

1. Analisa Masalah

Data sumber yang dipakai harus bisa ditaksir untuk disaksikan sudah mengisi kriteria atau belum. Kualitas kelimpahan data merupakan hal yang utama dalam menyimpulkan sebuah data sesuai serta terdapat sebagai tambahan. Melalui pendataan data hasil yang diinginkan dilakukan secara hati-hati sampai-sampai dapat dimengerti dan membawa informasi guna diekstrak.

2. Ekstrak dan Membersihkan Data

Data diekstrak dari aslinya yang berupa OLTP basis data, Microsoft Acces Database, text file serta dari spreadsheet. Kemudian data ditaruh pada suatu warehouse yang mempunyai struktur cocok data model secara khas. Data Transformation Service dipergunakan dalam mengesktrak serta mencuci data dari yang tidak kompatibel maupun tidak konsisten.

3. Validitas Data

Data yang telah diekstrak serta dimurnikan maka akan menolong Anda mencari model yang telah Anda ciptakan sampai-sampai dapat dijamin semua data yang terdapat adalahdata terkini dan tetap.

4. Membuat dan Melatih Model

Saat algoritma diterapkan guna model dan struktur yang telah dibangun, maka Anda dapat melihat data yang telah dibangun guna meyakinkan data itu menyerupai kenyataan dalam data sumber.

5. Query Data dari Model Data Mining

Saat model yang sudah sesuai diciptakan serta dibangun, maka data yang sudah diciptakan dapat menyokong keputusan. Hal tersebut seringkali akan melibatkan penulisan front end query pada software basis data.

6. Evaluasi Validitas

Sesudah model data mining sukses dikumpulkan, dalam sejumlah waktu ciri khas data mula seperti validitas dan granularitas bisa jadi akan berubah. Sebab model data mining dapat terus merasakan perubahan mengekor perkembangan waktu.

Baca juga: Pengertian Bioteknologi

Fungsi Data Mining

Data mining mempunyai sekian banyak fungsi, termasuk faedah utamanya yakni descriptive serta predictive. Untuk lebih jelasnya mengenai faedah tersebut sebagai berikut akan diberikan sejumlah penjelasannya.

1. Descriptive

Descriptive merupakan suatu faedah yang bertujuan mengetahui lebih jauh tentang data yang dicermati sehingga bisa diketahui perilaku dari suatu data.

2. Predictive

Fungsi ini ialah sebuah faedah yang menyatakan suatu proses dalam mengejar pola tertentu dari suatu data. Pola-pola yang dipakai diketahui dari pelbagai variabel yang ada pada data.

3. Classification

Fungsi ini bertujuan guna menyimpulkan sejumlah definisi ciri khas dari suatu grup. Misalnya, pelanggan perusahaan yang sudah beralih karena tersaingin oleh perusahaan lain.

4. Clustering

Clustering yaitu identifikasi kumpulan dari produk-produk atau dagangan yang memiliki ciri khas khusus.

5. Association

Association yakni identifikasi hubungan dari kejadian-kejadian yang telah terjadi di sebuah waktu.

6. Sequencing

Sequencing sebetulnya nyaris sama dengan association namun untuk sequencing bermanfaat untuk identifikasi hubungan-hubunga bertolak belakang di suatu periode masa-masa tertentu. Contohnya, semua pelanggan yang berangjangsana di supermarket secara berulang.

7. Forecasting

Fungsi ini bertujuan guna memperkirakan nilai di sebuah masa di masa depan sesuai dengan pola-pola dengan kumpula data dalam jumlah besar. Contohnya, peralaman permintaan pasar.

Permasalahan dalam Data Mining

Bukan soal yang gampang dalam mengoleksi informasi dan mengerjakan penambangan data yang nantinya data tersebut bermanfaat kedepannya, Banyak sekalian permasalah yang dapat ditemui saat mengerjakan penambangan data. Apa saja persoalan dalam data mining tersebut?

1. Metodologi Mining

  • Menambang sekian banyak jenis pengetahuan dari sekian banyak tipe data
  • Kinerja: efisiensi, efektivitas, dan skalabilitas
  • Evaluasi pola: masalah ketertarikan
  • Memasukkan pengetahuan latar belakang
  • Menangani kebisingan dan data yang tidak lengkap
  • Metode penambangan paralel, terdistribusi dan tambahan
  • Integrasi pengetahuan yang ditemukan dengan yang ada.

2. User Interaction

  • Bahasa kueri penambangan data dan penambangan ad-hoc
  • Ekspresi dan visualisasi hasil penambangan data
  • Penambangan pengetahuan interaktif di sekian banyak tingkatan abstraksi.

3. Applications and Social Impacts

  • Penambangan data eksklusif domain dan penambangan data tak terlihat
  • Perlindungan ketenteraman data, integritas, dan privasi.

Baca juga: Pengertian Pengetahuan

Software Aplikasi Data Mining

Di samping alat-alat data mining yang telah dilafalkan diatas, Wikipedia memberikan susunan software bersifat free dan open source yang dapat dipakai untuk data mining antara lain sebagai berikut:

  • Carrot2: frameworkclusteringteks dan hasil pencarian.
  • Org: minerstruktur kimiadanweb search engine.
  • ELKI: projectriset universitas dengan analisiscluster modern danmetode deteksioutlier yangditulis dalam bahasa Java.
  • GATE: pemroses bahasa natural dan tool rekayasa bahasa.
  • JHepWork: framework analisis data berbasis Java yang dikembangkan di Argonne National Laboratory.
  • KNIME: Konstanz Information Miner, framework analisis data komprehensif yang user-friendly.
  • ML-Flex: paket aplikasi yang memungkinkan pemakai guna mengintegrasikan dengan paket mesin belajar pihak ketiga yang ditulis dalam bahasa pemrograman apapun, mengeksekusi klasifikasi analisis secara paralel sepanjang node komputasi, dan menghasilkan laporanHTML dari hasil klasifikasi.
  • NLTK (Natural Language Toolkit): Sebuah kelompok libraries dan program guna pengolahan bahasa simbolik dan statistik alami guna bahasa Python.
  • Orange: Sebuah komponen berbasis data miningdan suitesoftware mesin pembelajaran ditulis dalam bahasaPython.
  • R: Sebuah bahasa pemrograman dan lingkungan perangkat empuk untuk komputasi statistik, data mining, dangrafis. Ini ialah bagian dariproyek GNU.
  • RapidMiner: Sebuah lingkungan guna pembelajaran mesin dan percobaan data mining.
  • UIMA: framework komponen untuk meneliti konten tidak terstruktur laksana teks, audio dan video-awalnya dikembangkan oleh IBM.
  • Weka: suitesoftware software pembelajaran mesin yang ditulis dalam bahasa pemrograman Java.

Sedangkan aplikasi dan software yang mempunyai sifat komersial antara lain sebagai berikut :

  • Angoss KnowledgeSTUDIO: tool data miningyang diciptakan Angoss.
  • BIRT Analytics: tool visual data mining dan analisis prediktifyang diciptakan Actuate Corporation.
  • Clarabridge: penyelesaian analisis text ruang belajar enterprise.
  • E-NI (e-mining, e-monitor): tool data mining berbasiskan pola sementara.
  • IBM SPSS Modeler: aplikasi data mining yang dibuatIBM.
  • KXEN Modeler: tool data miningyang diciptakan KXEN.
  • LIONsolver: software software terintegrasi guna data mining, intelegen bisnis, dan pemodelan yang mengimplementasikan pendekatan Learning and Intelligent OptimizatioN (LION).
  • Microsoft Analysis Services: aplikasi data mining yang dibuatMicrosoft.
  • Oracle Data Mining: aplikasi data miningoleh Oracle.
  • SAS Enterprise Miner: aplikasi data mining yang diciptakan SAS Institute.
  • STATISTICA Data Miner: aplikasi data mining yang diciptakan StatSoft.

Kesimpulan

Data mining merupakan salah satu teknik untuk mengoleksi informasi atau data dengan ukuran yang besar. Terdapat 7 manfaat dari penambangan data, yakni association, classification, clusterization, descriptive, forecasting, predictive, dan sequencing. Pastikan kamu mengimplementasikan data mining cocok dengan keperluan bisnis dan menyesuaikan dengan stakeholders perusahaan anda.

Demikianlah penjelasan tentang Data Mining dari RuangPengetahuan.Co.Id semoga bermanfaat dan menambah wawasan kalian, sampai jumpa..