Download - DM Pertemuan 3. Data
-
7/24/2019 DM Pertemuan 3. Data
1/53
DATAMustakim, S.T., M.Kom.
Program Studi Sistem Informasi
Fakultas Sains dan Teknologi UIN Sultan Syarif Kasim RiauJl. HR. Soebrantas No. 155 KM 18 Tampan Pekanbaru - Riau
Pertemuan 3 - Ganjil 2015-2016
Data Mining
NIK : 130511023
NIDN : 2002068801
Email : [email protected]
Web : http://mustakimtelematika.wordpress.com/
-
7/24/2019 DM Pertemuan 3. Data
2/53
Pengantar Data
Mustakim, S.T., M.Kom. Data Mining 2
1
Data adalah sesuatu yang belum mempunyai arti bagi
penerimanya dan masih memerlukan adanya suatupengolahan.
-
7/24/2019 DM Pertemuan 3. Data
3/53
Pengantar Data
Mustakim, S.T., M.Kom. Data Mining 3
1
Data bisa berwujut suatu:
Keadaan
Gambar
Suara
Huruf Angka
Matematika
Bahasa
Simbol-simbol lainnya
-
7/24/2019 DM Pertemuan 3. Data
4/53
Pengantar Data
Mustakim, S.T., M.Kom. Data Mining 4
1
DNA RASTER
VEKTOR VOICE
-
7/24/2019 DM Pertemuan 3. Data
5/53
Tipe Data
Mustakim, S.T., M.Kom. Data Mining 5
2
NO KODE JUDUL PENGARANG SEGMEN TAHUN BULAN HARGA
1 0071080010PEMIKIRAN2 YANG MEMBENTUK DUNIA
MODERN
F. BUDI
HARDIMANBK TEKS 2011 5 78,000
2 0071500020 TES PSIKOLOGI JL.1
ROBERT J.
GREGORY BK TEKS 2013 6 186,000
3 0071500050 LIFE SPAN DEVELOPMENT 13/2JOHN W.
SANTROCKBK TEKS 2014 3 162,000
4 0071500060 PSIKOLOGI KOGNITIF JONATHAN LING BK REF 2013 3 115,000
5 0071550010 PSIKOLOGI PERKEMBANGAN PENNEY UPTON BK TEKS 2013 3 122,000
6 0071580010PSIKOLOGI KLINIS: PENGANTAR
TERAPAN MIKRO&MAKROJ.E. PRAWITASARI BK TEKS 2011 4 107,000
7 0072200010AL-ISLAM (PENDIDIKAN AGAMA ISLAM
U/ PERTI)ROIS MAHFUD BK REF 2011 6 68,000
8 0073210010 PERTUMBUHAN & PENYELENGGARAANPEMERINTAHAN DESA HANIFNURCHOLIS BK TEKS 2011 5 71,000
Objek
Atribut: Sifat atau karakteristik dari suatu objek
Kumpulan dari beberapa atribut
Record, titik, kasus, sample, entitas atau intance
-
7/24/2019 DM Pertemuan 3. Data
6/53
Tipe Data
Atribut Kategorikal (Categorical Attribute)
Mustakim, S.T., M.Kom. Data Mining 6
2
Nominal
Ordinal
Data berjenis nominal membedakan data dalam kelompok yang bersifat
kualitatif.
Dalam ilmu statistika, data nominal merupakan data dengan level pengukuranyang paling rendah
Nilainya tidak dapat diurutkan (bersifat distinctness
Pada data nominal semua data dianggap bersifat kualitatif dan setara sedangkan pada data ordinal terdapat klasifikasi data berdasarkan
tingkatannya.
-
7/24/2019 DM Pertemuan 3. Data
7/53
Tipe Data
Atribut Numerik (Numeric Attribute)
Mustakim, S.T., M.Kom. Data Mining 7
2
Interval
Rasio
Data berjenis interval termasuk dalam kelompok data kuantitatif.
Angka yang digunakan dalam data ini, selain menunjukkan urutan juga dapat
dilakukan operasi matematika. Angka nol yang digunakan pada data interval bukan merupakan nilai nol yang
nyata.
Data dengan level pengukuran yang paling tinggi dan bersifat kuantitatif Angka yang digunakan pada data ini menunjukkan angka yang
sesungguhnya
bukan hanya sebagai symbol dan memiliki nilai nol yang sesungguhnya.
Pada data ini, dapat dilakukan berbagai operasi matematika.
-
7/24/2019 DM Pertemuan 3. Data
8/53
Tipe Data
Mustakim, S.T., M.Kom. Data Mining 8
2
Contoh Nominal
Data jenis kelamin pada sampel penelitian Departemen Pendidikan,
data siswa dikategorikan menjadi laki-laki yang diwaliki angka 1 dan
perempuan yang diwakili angka 2.
Mengelompokan eskul disuatu SMA dari bidang olahraga, data eskul
dikategorikan menjadi basket yang diwakili dengan huruf A,kemudian footsal diwakili dengan huruf B dan bolavoli diwakili oleh
huruf C.
Pengelompokan rumah-rumah dalam suatu perumahan, misal dari
sebelah utara komplek A, barat adalah komplek B, selatan
adalah C dan arah timur adlah komplek D.
Konsekuensi dari data nominal adalah tidak mungkin seseorangmemiliki dua kategori sekaligus dan angka yang digunakan di sini
hanya sebagai kode/simbol saja sehingga tidak dapat dilakukan
operasi matematika.
-
7/24/2019 DM Pertemuan 3. Data
9/53
Tipe Data
Mustakim, S.T., M.Kom. Data Mining 9
2
Contoh Ordinal
Mengenai tingkat pendidikan yang dikategorikan menjadi SD yang
diwakili angka 1, SMP yang diwakili angka 2, SMA yang diwakili
angka 3, Diploma yang diwakili angka 4, dan Sarjana yang diwakili
angka 5. Sama halnya dengan data nominal, meskipun tingkatannya
lebih tinggi, data ordinal tetap tidak dapat dilakukan operasimatematika. Angka yang digunakan hanya sebagai kode/simbol saja,
dalam contoh tadi tingkat pendidikan tertinggi adalah Sarjana dan
terendah adalah SD (Sarjana > Diploma > SMA > SMP > SD).
Suatu peringkat ranking disuatu kelas misalkan Ihsan ranking 1 dan
udin ranking 2 berarti ihsan lebih pintar dari pada udin.
Penghitungan suara dalam pemilu, misalkan total suara Demokrat60%, PDI 30%, Golkar 20% berarti suara tertinggi di pegang oleh
demokrat sebagai peringkat 1, sehinnga menjadi pemenang dalam
pemilu tersebut.
-
7/24/2019 DM Pertemuan 3. Data
10/53
Tipe Data
Mustakim, S.T., M.Kom. Data Mining 10
2
Contoh Interval
Interval nilai pelajaran matematika siswa SMA 4 Surabaya adalah
antara 0 sampai 100. Bila siswa A dan B masing-masing mempunyai
nilai 45 dan 90, bukan berarti tingkat kecerdasan B dua kali A. Nilai 0
sampai 100 hanya merupakan rentang yang dibuat berdasarkan
kategori pelajaran matematika dan mungkin berbeda dengan matapelajaran lain.
Dasar Pemrograman memiliki 1 SKS, waktunya adalah 50 menit,
begitupun dengan Teknik Digital yang memiliki 2 sks berarti waktunya
100 menit, dan yang terakhir yaitu kalkulus memiliki 3 SKS waktunya
adalah 150 menit sehingga dapat disimpulkan bahwa selisih data
diatas adalah 50 menit.
-
7/24/2019 DM Pertemuan 3. Data
11/53
Tipe Data
Mustakim, S.T., M.Kom. Data Mining 11
2
Contoh Rasio
Dalam sebuah bank, seseorang mempunyai tabungan dengan saldo
10.000.000 rupiah. Angka tersebut menunjukkan bahwa orang
tersebut benar-benar mempunyai saldo sebesar 10.000.000 rupiah.
Jika seseorang mempunyai saldo -1.000.000 rupiah berarti orang
tersebut mempunyai hutang sebesar 1.000.000 rupiah. Sedangkanjika seseorang mempunyai saldo 0 rupiah berarti orang tersebut tidak
mempunyai tabungan maupun hutang.
Nilai raport siswa SMA dimana masing masing siswa memiliki
nilaiyang berbeda yaitu Muiz mendapatkan nilai 100 (A), Cinta 80 (B),
dan Putri 60 (C) jika dilihat dariskala rasio nilai Muiz memiliki nilai
lebih 20 dari pada nilai Cinta, Cinta memiliki nilai lebih 20dari padanilai Putri, dan nilai putri kurang 40 untuk sama dengan Muiz.
-
7/24/2019 DM Pertemuan 3. Data
12/53
Tipe Data Set
Mustakim, S.T., M.Kom. Data Mining 12
3
Dimensionalitas, dari data set adalah banyaknya
atribut yang dimiliki objek dalam data set.
Sparsity. Untuk beberapa data set, misal pada data
set yang mengandug atribut asimetrik, kebanyakanatribut memiliki nilai 0.
Resolusi. Data pada tingkat resolusi yang berbeda
seringkali diperoleh, dan sering pula sifat-sifat dari
data berbeda pada resolusi yang berbeda.
-
7/24/2019 DM Pertemuan 3. Data
13/53
Tipe Data Set
Mustakim, S.T., M.Kom. Data Mining 13
3
Merupakan kumpulan record (objek data)
Masing-masing record mengandung sekumpulan field
data (atribut)
Tidak ada hubungan yang eksplisit diantara record
ataufield data.
Setiap record (objek) memiliki himpunan atribut yang
sama
Data record biasanya disimpan dalam flat file ataudalam basis data relasioanal.
Data record
-
7/24/2019 DM Pertemuan 3. Data
14/53
Tipe Data Set
Mustakim, S.T., M.Kom. Data Mining 14
3
Data record
-
7/24/2019 DM Pertemuan 3. Data
15/53
Tipe Data Set
Mustakim, S.T., M.Kom. Data Mining 15
3
Merupakan bentuk khusus dari data record
setiap record (transaksi) meliputi sekumpulan item
dinamakan data market basket
koleksi dari himpunan-himpunan item
data tersebut dapat dipandang sebagai sekumpulan
record yang memiliki field-field berupa atribut
asimetrik
Data transaksi
-
7/24/2019 DM Pertemuan 3. Data
16/53
Tipe Data Set
Mustakim, S.T., M.Kom. Data Mining 16
3
Data transaksi
Pada toko grosir, sekumpulan produk yang dibeli oleh
seorang pelanggan selama satu kali perjalanan belanja
merupakan sebuah transaksi, dengakan produk
individual yang dibeli merupakan item. Setiap baris menyatakan pembelian dari seorang
pelanggan pada waktu tertentu.
-
7/24/2019 DM Pertemuan 3. Data
17/53
Tipe Data Set
Mustakim, S.T., M.Kom. Data Mining 17
3
Data Matriks
Objek-objek data dalam koleksi dari data seluruhnya
memiliki kumpulan atribut-atribut numerik yang sama
Objek data tersebut dapat dipandang sebagai titik
atau vektor dalam ruang multidimesi
Setiap dimensi menyatakan atribut yang berbeda yang
menjelaskan objek.
Himpunan objek data demikian dapat diiterpretasikan
sebagai matriks berukuran m n
-
7/24/2019 DM Pertemuan 3. Data
18/53
Tipe Data Set
Mustakim, S.T., M.Kom. Data Mining 18
3
Data Matriks
Matriks data adalah variasi dari data record,
Diaplikasikan untuk mentranformasi atau
memanipulasi data.
Merupakan format data standar untuk kebanyakan
data statsitik.
-
7/24/2019 DM Pertemuan 3. Data
19/53
Tipe Data Set
Mustakim, S.T., M.Kom. Data Mining 19
3
Matriks Data Jarang
Matriks data jarang (sparse data matrix) adalah kasus
khusus dari matriks data dimana atribut-atribut
memiliki tipe yang sama dan merupakan atribut
asimetrik (hanya nilai yang tak nol yang penting).
Document-term matrix merupakan dokumen baris
dari matriks, sedangkan istilah adalah kolom dari
matriks tersebut.
-
7/24/2019 DM Pertemuan 3. Data
20/53
Tipe Data Set
Mustakim, S.T., M.Kom. Data Mining 20
3
Matriks Data Jarang
-
7/24/2019 DM Pertemuan 3. Data
21/53
Tipe Data Set
Mustakim, S.T., M.Kom. Data Mining 21
3
Data Sekuensial
Data sekuensial jika dirujuk sebagai data temporal.
Data tersebut dapat dipandang sebagai perluasan dari
data record
Setiap record memiliki nilai waktu yang berkaitandengan record tersebut.
-
7/24/2019 DM Pertemuan 3. Data
22/53
Tipe Data Set
Mustakim, S.T., M.Kom. Data Mining 22
3
Data Urutan (Sequence Data)
Data urutan terdiri dari data set yang merupakan
urutan dari entitas individual seperti urutan kata atau
huruf.
Data ini hampir mirip dengan data sekuesial, kecuali
bahwa dalam data urutan tidak ada unsur waktu
Akan tetapi terdapat posisi dalam rangkaian yang
terurut.
-
7/24/2019 DM Pertemuan 3. Data
23/53
Tipe Data Set
Mustakim, S.T., M.Kom. Data Mining 23
3
Data Urutan (Sequence Data)
Sebagai contoh, informasi genetik dari tanaman dan
binatang dapat direpresentasikan dalam bentuk
rangkaian nucleotide yang dikenal sebagai gen
-
7/24/2019 DM Pertemuan 3. Data
24/53
Tipe Data Set
Mustakim, S.T., M.Kom. Data Mining 24
3
Data Time Series
Merupakan bentuk khusus dari data sekuensial
dimana setiap record adalah sebuah time series
Sebuah rangkaian dari pengukuran yang diambil
sepanjang waktu.
-
7/24/2019 DM Pertemuan 3. Data
25/53
Tipe Data Set
Mustakim, S.T., M.Kom. Data Mining 25
3
Data Spasial
Objek yang memiliki atribut-atribut spasial, seperti
posisi atau area, juga tipe atribut lainnya.
Salah satu contoh dari data spasial adalah data cuaca
(curah hujan, temperatur, dan tekanan) yang
dikumpulkan dari berbegai lokasi geografis
-
7/24/2019 DM Pertemuan 3. Data
26/53
Kualitas Data
Mustakim, S.T., M.Kom. Data Mining 26
4
Aspek Pengukuran Data dan
Pengumpulan Data
Kesalahan Pengukuran
Kesalahan Pengumpulan
Duplikasi Data
-
7/24/2019 DM Pertemuan 3. Data
27/53
Kualitas Data
Mustakim, S.T., M.Kom. Data Mining 27
4
Kesalahan Pengukuran
Nilai yang dicatat berbeda dari nilai sebenarnya untuk
beberapa tingkat.
Noise
Bias
Precision
Accuracy
Komponen random dari error pengukuran
Kuantitas pengukuran yang dikurangi mean
Kedekatan dari pengukuran berulang/ STDEV
Kedekatan pengukuran terhadap nilai
sebenarnya dari kuantitas yang diukur
-
7/24/2019 DM Pertemuan 3. Data
28/53
Kualitas Data
Mustakim, S.T., M.Kom. Data Mining 28
4
Kesalahan Penumpulan
Hilangnya objek data atau nilai atribut serta lingkup
objek data yang tidak tepat
Outliers
Missing
Value
Objek data dengan sifat yang berbeda sekalidari kebanyakan objek data dalam data set
Nilai dari suatu atribut yang tidak ditemukan.
Misal: Informasi tidak diperoleh atau atribut
yang mungkin tidak bisa diterapkan kesemua
kasus.
-
7/24/2019 DM Pertemuan 3. Data
29/53
Kualitas Data
Mustakim, S.T., M.Kom. Data Mining 29
4
Duplikasi Data
Data set yang terdiri dari data ganda atau hampir
selalu terjadi duplikasi data satu dengan yang lainnya.
Contoh Orang yang sama dengan alamat email yanglebih dari satu.
Persoalan: Penggabungan data dari sumber-sumber yangbervariasi (heterogen)
-
7/24/2019 DM Pertemuan 3. Data
30/53
Pengolahan Awal (Prepocessing) Data
Mustakim, S.T., M.Kom. Data Mining 30
5
Pengumpulan (Agregation)
Penarikan Contoh (Sampling)
Pengurangan Dimensi (Dimensionality Reduction)
Pemilihan Fitur (Feature Selection)
Pembuatan Fitur (Feature Creation) Pendiskritan dan Pembineran (Discretization and
Binarization)
Transformasi Atribut (Attribute Transformation)
-
7/24/2019 DM Pertemuan 3. Data
31/53
Agregation
Mustakim, S.T., M.Kom. Data Mining 31
5
Kombinasi dua atau lebih objek ke dalam sebuahobjek tunggal.
Sebagai contoh, data set yang berisi transaksi (objek
data) yang mencatat penjualan produk harian di
berbagai lokasi toko Salah satu cara untuk meng-agregasi transaksi untuk
data set ini adalah mengganti semua transaksi dari
toko-toko dengan sebuah transaksi tunggal.
-
7/24/2019 DM Pertemuan 3. Data
32/53
Sampling
Mustakim, S.T., M.Kom. Data Mining 32
5
Sampling adalah pendekatan yang umum digunakanuntuk menyeleksi sebuah subset dari objek data
untuk dianalisis.
Prinsip utamapenggunaan sample akan bekerja
hampir seperti menggunakan keseluruhan data setjika sample adalah representatif.
-
7/24/2019 DM Pertemuan 3. Data
33/53
Sampling
Mustakim, S.T., M.Kom. Data Mining 33
5
Sampling adalah pendekatan yang umum digunakanuntuk menyeleksi sebuah subset dari objek data
untuk dianalisis.
Prinsip utamapenggunaan sample akan bekerja
hampir seperti menggunakan keseluruhan data setjika sample adalah representatif.
-
7/24/2019 DM Pertemuan 3. Data
34/53
Dimensionality Reduction
Mustakim, S.T., M.Kom. Data Mining 34
5
Satu pendekatan terkait dengan dimensi yang tinggiadalah mengurangi dimensi data tersebut.
Memproyeksikan data dimensi tinggi ke dimensi
yang rendah menggunakan transformasi linier dan
non-linier Principal Component Analysis (PCA) dan Singular
Value Decomposition (SVD)
-
7/24/2019 DM Pertemuan 3. Data
35/53
Feature Selection
Mustakim, S.T., M.Kom. Data Mining 35
5
Pendekatan embedded, algoritme dengan sendirinya
menentukan atribut yang mana yang akan digunakan
dan atribut yang mana yang diabaikan
Pendekatanfilter, menggunakan pendekatan yang
tidak tergantung pada pekerjaan datamining
Pendekatan wrapper, menggunakan algortime data
mining target sebagai black box untuk menentukan
subset atribut yang paling baik, tanpa menghitung
semua subset yang mungkin
-
7/24/2019 DM Pertemuan 3. Data
36/53
Feature Creation
Mustakim, S.T., M.Kom. Data Mining 36
5
Feature extraction: pembuatan sekumpulan fitur
yang baru dari data mentah awal.
Pemetaan data ke ruang yang baru menggunakan
fourier transformation atau wavelet transformation.
Konstruksi fitur: menggabungkan fitur-fitur.
-
7/24/2019 DM Pertemuan 3. Data
37/53
Discretization and Binarization
Mustakim, S.T., M.Kom. Data Mining 37
5
Teknik Binarization Jika ada m nilai kategorikal, maka beri untuk setiap
nilai tersebut dengan sebuah nilai integer yang unik
pada interval [0,m-1]. Jika atributnya ordinal maka
urutan harus diperhatikan. Konversikan tiap nilai integer tersebut kedalam
bilangan biner
-
7/24/2019 DM Pertemuan 3. Data
38/53
Discretization and Binarization
Mustakim, S.T., M.Kom. Data Mining 38
5
Discretization, untuk kelas Klasifikasi:
Unsuvervised Discretization: tanpa menggunakan
informasi kelas:
1. Equal WidthMembagi kedalam interval yang
ditentukan dengan lebar yang sama
2. Equal FrequencyMenempatkan objek dengan
jumlah yang sama dalam tiap interval
-
7/24/2019 DM Pertemuan 3. Data
39/53
Discretization and Binarization
Mustakim, S.T., M.Kom. Data Mining 39
5
Contoh:
Rubah atribut Taxable Income
menjadi atribut kategorikal
dengan kategori:
Rendah, Sedang dan Tinggi
-
7/24/2019 DM Pertemuan 3. Data
40/53
Discretization and Binarization
Mustakim, S.T., M.Kom. Data Mining 40
5
1. Pendekatan Equal Width:
Rank data: [60-220]
Rendah: range [60-113]
Sedang: range [114-167]
Tinggi: range [168-220]
-
7/24/2019 DM Pertemuan 3. Data
41/53
Discretization and Binarization
Mustakim, S.T., M.Kom. Data Mining 41
5
2. Pendekatan Equal Frequency:
Sort data: [60, 70, 75, , 220]
Rendah: 60, 70, 75
Sedang: 85, 90, 95
Tinggi: 100, 120, 125, 220
-
7/24/2019 DM Pertemuan 3. Data
42/53
Discretization and Binarization
Mustakim, S.T., M.Kom. Data Mining 42
5
Discretization, untuk kelas Klasifikasi: Suvervised Discretization: Entropy Based Approach
1. Menentukan Entropi
Misalnya:k : Jumlah klas
mi : Jumlah nilai dalam interval ke-I dari partisi
mij : jumlah nilai dari kelas j dalam interval i
Dimana: pij = mij/miprobabilitas kelas j dalam
interval i
-
7/24/2019 DM Pertemuan 3. Data
43/53
Atribute Transformation
Mustakim, S.T., M.Kom. Data Mining 43
5
Suatu fungsi yang memetakan keseluruhan
himpunan nilai dari atribut yang diberikan kesuatu
himpunan nilai-nilai pengganti yang baru sedemikian
hingga nilai yang lama dapat dikenali dengan satui
dari nilai-nilai baru tersebut.
Fungsi TranformasiStandarisasi dan normalisasi
Tujuan Standarisasi dan normalisasimembuat
keseluruhan nilai mempunyai suatu sifat khusus
-
7/24/2019 DM Pertemuan 3. Data
44/53
Atribute Transformation
Mustakim, S.T., M.Kom. Data Mining 44
5
Salah satu contoh transformasi standarisasi adalahdengan:
Hitung nilai tengah dengan median
Hitung absolute standard deviation dengan
persamaan Lakukan transformasi dengan:
-
7/24/2019 DM Pertemuan 3. Data
45/53
Atribute Transformation
Mustakim, S.T., M.Kom. Data Mining 45
5
Contoh:
Lakukan standarisasi dari data-set berikut:
x ={2.5, 0.5, 2.2, 1.9, 3.1, 2.3, 2, 1, 1.5, 1.1}
Jawab:
Dari data diatas dapat dihitung median =
= (1.9 + 2)/2 = 1.95
-
7/24/2019 DM Pertemuan 3. Data
46/53
Atribute Transformation
Mustakim, S.T., M.Kom. Data Mining 46
5
Maka,X = {
-
7/24/2019 DM Pertemuan 3. Data
47/53
Similaritas dan Jarak
Mustakim, S.T., M.Kom. Data Mining 47
6
Similaritas (kemiripan) antara dua onjek merupakanukuran numerik dari seberapa mirip dua buah objek
Range nilai similaritas adalah [0,1]
Lawan dari Similaritas adalah Dissimilaritas, yang
memiliki nilai minimum 0 dan maksimum tidakterbatas
Dissimilaritasdistance (jarak)
-
7/24/2019 DM Pertemuan 3. Data
48/53
Similaritas dan Jarak
Mustakim, S.T., M.Kom. Data Mining 48
6
Pengukuran Jarak (Distance) dari Dua Objek
1. Jarak Euclidian (Euclidian Distance)
-
7/24/2019 DM Pertemuan 3. Data
49/53
Similaritas dan Jarak
Mustakim, S.T., M.Kom. Data Mining 49
6
Pengukuran Jarak (Distance) dari Dua Objek
Contoh:
Hitung ukuran jarak euclidian antara semua titik dalam
data set dua dimensi berikut:
-
7/24/2019 DM Pertemuan 3. Data
50/53
Similaritas dan Jarak
Mustakim, S.T., M.Kom. Data Mining 50
6
Pengukuran Jarak (Distance) dari Dua Objek
Jawab:
-
7/24/2019 DM Pertemuan 3. Data
51/53
Similaritas dan Jarak
Mustakim, S.T., M.Kom. Data Mining 51
6
Pengukuran Jarak (Distance) dari Dua Objek
Semua nilai jarak antara titik-titik diatas dapat
dinyatakan dalam sebuah Matiks Jarak (Distance Matrix)
-
7/24/2019 DM Pertemuan 3. Data
52/53
-
7/24/2019 DM Pertemuan 3. Data
53/53
Tugas Kelompok
Mustakim, S.T., M.Kom. Data Mining 53
7
Terima Kasih