Step 1: Memahami bisnis Step 2: memahami data Step 3: persiapan data (!) Step 4: membangun model Step 5: Testing dan Evaluasi Step 6: penyebaran proses berulang dan eksperimental (DM: art vs science?) Accounts for ~85% of total project time
Highly popular application areas for data miningġ6 Data Mining Process Perwujudan dari kebiasaan baikĬara yang sistematis untuk memimpin proyek DM Setiap kelompok mempunyai versi yang berbeda Proses standard umumnya : CRISP-DM (Cross-Industry Standard Process for Data Mining) SEMMA (Sample, Explore, Modify, Model, and Assess) KDD (Knowledge Discovery in Databases)ĭata Mining Process Source:, August 2007
Data mining is not a business intelligence application software#
Prediksi perubahan pada harga saham Meramalkan arah fluktuasi saham Memperkirakan dampak darai perubahan pasar Identikasi dan mencegah kegiatan curang dalam aktifitas perdagangan Jaminan Meramalkan biaya klaim untuk perencanaan bisnis yang lebih baik Menentukan rencana harga optimal Optimalkan pasar untuk pelanggan khusus Identifikasi dan mencegah kecurangan dalam klaimĬomputer hardware and software Science and engineering Government and defense Homeland security and law enforcement Travel industry Healthcare Medicine Entertainment industry Sports Etc. Retailing and Logistics Optimize inventory levels at different locations Improve the store layout and sales promotions Optimize logistics by predicting seasonal effects Minimize losses due to limited shelf life Manufacturing and Maintenance Predict/prevent machinery failures Identify anomalies in production systems to optimize the use manufacturing capacity Discover novel patterns to improve product qualityġ4 Aplikasi Data Mining Perdagangan saham dan bursa Jaminan
Peramalan Time-series Bagian dari urutan atau analisis hubungan? Visualisasi Kemampuan lain data mining? Jenis DM data mining pengarah hipotesa data mining pengarah penemuanĬustomer Relationship Management Maximize return on marketing campaigns Improve customer retention (churn analysis) Maximize customer value (cross-, up-selling) Identify and treat most valued customers Banking and Other Financial Automate the loan application process Detecting fraudulent transactions Optimizing cash reserves with forecasting Pola? Relasi matematis antar item data(numeric and/or symbolic) Jenis pola Association Prediction Cluster (segmentation) Sequential (or time series) relationships Sumber data untuk DM biasanya terhubung data warehouse (tidak selalu!) Lingkungan DM selalu sebuah client-server atau arsitektur SI berbasis Web Data adalah unsur paling penting untuk DM termasuk didalamnya data yang tidak terstruktur Penggalinya selalu enduser Hambatannya adalah butuh pemikiran yang kreatif mampu dan memudahkan adalah hal yang pentingdari Perangkat Data mining (Web, Parallel processing, etc.)Ĩ Data in Data Mining Data: sekumpulan fakta yang diperoleh dari pengalaman, observasi, atau eksperimen Data dapat berupa angka, kata, gambar, … Data: abstraksi paling dasar (dari informasi dan pengetahuan yang didapat) DM dengan tipe data berbeda? - Tipe data lain?ĩ What Does DM Do? DM memunculkan pola dari data Jenis pola Data mining: a misnomer? Other names: knowledge extraction, pattern analysis, knowledge discovery, information harvesting, pattern searching, data dredging,…Ħ Data Mining at the Intersection of Many Disciplines The nontrivial process of identifying valid, novel, potentially useful, and ultimately understandable patterns in data stored in structured databases Fayyad et al., (1996) Keywords in this definition: Process, nontrivial, valid, novel, potentially useful, understandable. Konsolidasi dan integrasi data repositories kedalam data warehouses Peningkatan pengolahan data kapasitas penyimpanan dan biaya yang semakin murah Perubahan kearah konversi sumberdaya informasi kebentuk sumber daya non fisik Pentingnya nilai dalam sumber data Adanya data yang bermutu pada customers, vendors, transactions, Web, etc. Presentasi berjudul: "Chapter 5: Data Mining for Business Intelligence"- Transcript presentasi:ġ Chapter 5: Data Mining for Business Intelligenceĭecision Support and Business Intelligence Systems (9th Ed., Prentice Hall) Chapter 5: Data Mining for Business IntelligenceĢ Learning Objectives Pengertian data mining sebagai teknologi untuk business intelligence Memahami tujuan dan manfaat analitis bisnis dan data mining Mengenal aplikasi data mining Mempelajari proses datamining standard CRISP-DM, SEMMA, KDD, …ģ Learning Objectives Memahami langkah2 dalam praprosesing data untuk data mining Mempelajari perbedaan metode2 dan algoritma datamining Membuka pandangan terhadap perangkat sw datamining Commercial versus free/open source Memahami kelebihan dan kekurangan data miningĤ Why Data Mining? Kompetisi yang makin ketat di skala global
0 kommentar(er)
