konsep dan teknologi

Aplikasi dan Kecenderungan dalam Data MiningAplikasi data miningSistem produk dan protetipe riset data miningTema tambahan pada data miningDampak tentang data miningKecenderungan yang terdapat pada data miningRingkasan

Data Mining : Konsep dan Teknologi

Aplikasi Data MiningData Mining adalah suatu aplikasi terbaru yang berbeda dan lebih luasMasih adanya perbedaan pendapat antara prinsip umum dan pembagian wilayah secara khusus pada aplikasi data mining, khususnya pada keefektifan alat bantu data mining untuk aplikasi tertentuBeberapa aplikasi domein (yang tercantum pada bab ini)Biomedical dan analisa data DNAAnalisa data keuanganIndustri penjualan eceranIndustri telekomunikasi


Biomedical dan Analisa Data DNAUrutan DNA: 4 dasar yang membangun blok ( nucleotides): adenine ( A), cytosine ( C), guanine ( G), dan thymine ( T)Gen: suatu urutan dari beratus-ratus individu nucleotides yang diatur secara tertentuManusia mempunyai sekitar 30,000 genHal yang paling luar biasa yaitu jumlah jalan yang terdapat pada nucleotides sehingga dapat dipecah dan diurutkan kembali untuk membentuk gen yang terpisahPengintegrasian pembagian heterogen yang semantik, dalam genome databaseSekarang: terbagi-bagi, Generasi yang tak terkendali dan penggunaan data DNA secara luasMetoda pembersihan dan pengintegrasian data yang dikembangkan dalam Data Mining akan sangat membantu


Contoh Analisa DNAPencarian persamaan dan perbandingan antar urutan DNAPerbandingan sering terjadi pada pola tiap kelas ( sebagai contoh, sehat dan sakit)Mengidentifikasi urutan pola gen yang berperan dalam berbagai penyakitAnalisa asosiasi: identifikasi dari co-occurring urutan genKebanyakan penyakit tidaklah dicetuskan oleh gen tunggal tetapi oleh suatu kombinasi gen yang bertindak bersama-samaAnalisa asosiasi dapat membantu menentukan macam gen yang mungkin terjadi bersama-sama dalam target percontohanAnalisa alur: menghubungkan gen pada masa pengembangan penyakit lainGen yang berbeda bisa menjadi aktip pada penyakit yang berbedaIntervensi pada masa perkembang farmasi yang mentargetkan langkah-langkah yang berbeda secara terpisahPenggambaran alat bantu dan analisa data genetik


Data Mining pada Analisa Data KeuanganData keuangan yang dikumpulkan oleh bank dan lembaga keuangan relatif lebih lengkap, dapat dipercaya, dan bermutu tinggiDisain dan konstruksi dari gudang data untuk multidimensional analisa data dan data miningGambaran dari hutang perbulan, perdaerah, persektor, dan faktor lainMengakses informasi statistik seperti maximum, minimum, total, rata-rata, kecenderungannya, dan lain lainAnalisa pembayaran peminjaman kebijakan kredit secara prediksi per pelangganSeleksi di masa depan dan perlunya penggolongan secara atributPencapaian pembayaran peminjamanNilai kredit konsumen


Keuangan Data MiningPenggolongan dan pengelompokan pelanggan untuk target pemasaranSegmentasi multidimensional berdasarkan metode terdekat, penggolongan, alur keputusan, dan lain lain untuk mengidentifikasi penggolongan persediaan sekelompok pelanggan atau pelanggan baruMendeteksi pencucian uang dan kejahatan keuangan lainpengintegrasian dari berbagai DBs ( sebagai contoh, transaksi bank, DBs sejarah kejahatan federal/negara)Alat bantu: data gambar, analisa pertalian, penggolongan, alat penggabungan, analisa orang asing, dan analisa pola alat percontohan (ditemukan urutan akses secara tidak biasa)


Data Mining pada Industri RetailIndustri Retail: besarnya data penjualan, sejarah belanja pelanggan, dan lain-lainAplikasi dari Retail data miningMengidentifikasi perilaku pembelian pelangganMenentukan kecenderungan pola belanja pelangganMeningkatkan mutu dari layanan pelangganMencapai kepuasan pelangganTingkatkan perbandingan konsumsi barang-barangMendisain keefektifan distribusi dan transportasi barang


Contoh Data Mining pada Industri RetailDisain dan konstruksi dari gudang data yang didasarkan keuntungan penggunaan data miningAnalisa multidimensional dari penjualan, pelanggan, produk, waktu, dan daerahAnalisa dari efektivitas dari kampanye penjualanIngatan pelanggan: Analisa dari kesetiaan pelangganMenggunakan informasi kartu kesetiaan pelanggan untuk mendaftarkan urutan dari pembelian dari pelanggan tertentuMenggunakan pola mining untuk menyelidiki perubahan dalam konsumsi atau kesetiaan pelanggan Menyarankan penyesuaian penetapan harga dan variasi barang-barangReferensi pembelian dan perbandingan materi


Data Mining pada Industri Telekomunikasi ( 1)Perkembangan yang sangat cepat dan industri yang sangat kompetitif dan permintaan yang besar untuk data miningMemahami bisnis yang terlibatMengidentifikasi pola telekomunikasiMenangkap aktivitas curangMempergunaan sumber daya secara lebih baikMeningkatkan mutu dari layananAnalisa multidimensional dari data telekomunikasiHakekat multidimensional: tempo pemanggilan, jangka waktu, lokasi dari pemanggil, jenis panggilan, dan lain lain


Data Mining pada Industri Telekomunikasi ( 2)Analisa pola kecurangan dan identifikasi pola yang tidak lazimMengidentifikasi pola para pengguna yang berpotensi curang dan penggunaan yang tidak lazimMendeteksi usaha kecurangan masukan ke dalam rekening pelangganMenemukan pola yang tidak biasa memerlukan perhatian khususMultidimensional asosiasi dan percontohan pola analisaTemukan pola satu set jasa komunikasi berdasarkan kelompok pelanggan, bulan, dan lain lainMempromosikan penjualan dari jasa spesifikMeningkatkan ketersediaan dari jasa tertentu pada suatu daerahPenggunaan alat bantu penggambaran dalam analisa data telekomunikasi


Bagaimana cara memilih suatu Sistem Data Mining?Secara komersil sistem data mining mempunyai sedikit kesamaanPerbedaan kemampuan atau metodologi Data MiningDapat bekerja dengan bermacam-macam data yang berbedaMemerlukan berbagai pandangan yang dimensional dalam pemilihanJenis data: relational, tanggapan, teks, urutan waktu, ruang?Isu sistemHanya berjalan pada satu atau beberapa sistem operasi?Arsitektur client/server?Menyediakan tampilan berbasis Web dan mengijinkan data XML sebagai masukan atau keluaran?


Bagaimana cara memilih suatu Sistem Data Mining? ( 2)Sumber dataFile teks ASCII, berbagai sumber data relationalMendukung koneksi ODBC ( OLE DB, JDBC)?Fungsi dan metodologi Data miningSatu melawan berbagai fungsi data miningSatu melawan berbagai macam variasi perfungsiFungsi lain data mining dan metoda perfungsinya menyediakan pengguna dengan analisa dan fleksibilitas yang lebih besarMenggabungkan dengan DB dan/atau sistem data gudangEmpat format penggabungan: tidak ada penggabungan, penggabungan lepas, penggabungan semi ketat, dan penggabungan ketatIdealnya, suatu sistem data mining harus di gabungkan dengan ketat dengan suatu sistem database


Bagaimana cara memilih suatu Sistem Data Mining? ( 3)ScalabilitasScalabilitas perbaris ( atau ukuran database)Scalabilitas perkolom ( atau dimensi)Kutukan dari dimensionalitas: jauh lebih menantang untuk membuat suatu skala sistem kolom dari pada skala sistem barisAlat bantu gambar"Suatu gambar dapat berharga seribu kata-kataKategori penggambaran: data gambar, hasil gambaran, proses penggambaran, dan gambaran data miningBahasa query pada Data mining dan tampilan grafis penggunaMudah digunakan dan grafis yang berkualitas tinggiPentingnya buku pedoman, data mining yang sangat interaktip


Contoh Sistem Data Mining ( 1)Miner IBM yang cerdasSuatu cakupan luas dari algoritma data miningSkala algoritma data miningAlat bantu: algoritma jaringan neural, metode statistik, persiapan data, dan alat bantu penggambaran data gambarPengintegrasian yang ketat IBM dengan relational sistem database DB2Perusahaan SAS minerBerbagai alat bantu analisa yang statistikAlat bantu data gudang dan berbagai data algoritma miningMicrosoft SQLServer 2000Mengintegrasikan DB dan OLAP dengan miningMendukung OLEDB untuk DM standard


Contoh Sistem Data Mining ( 2)Sgi MinesetBerbagai algoritma dan statistik tingkat lanjut data miningAlat bantu penggambaran tingkat lanjutClementine (SPSS)Pengembangan lingkungan data mining yang terintegrasi untuk pengguna akhir dan pengembangBerbagai algoritma data mining dan alat bantu penggambaranDBMiner ( DBMiner Teknologi Inc.)Berbagai modul data mining : analisa OLAP discovery-driven, asosiasi, penggolongan, dan pengelompokanefisien, Asosiasi dan sequential-pattern fungsi mining, dan alat penggolongan visuilMining antara database relational dan data gudang


Visuallisasi Data MiningVisualisasi: penggunaan grafik komputer untuk menciptakan gambaran visuil yang membantu pemahaman yang ruwet, penyajian presentasi data yang kokohVisualisasi Data mining: proses menemukan kandungan yang tersembunyi dapat menjadi pengetahuan yang bermanfaat khususnya dari data yang besar dengan menggunakan teknik visualisasi


VisualisasiTujuan visualisasiMemperoleh masukan ruang informasi dengan mempetakan data ke dalam grafis sederhanaMenyediakan ikhtisar yang kwalitatif dari data yang besarMencari contoh pola, kecenderungan, struktur, ketidakteraturan, hubungan antar data.Bantuan untuk menemukan daerah menarik dan parameter yang pantas untuk analisis kuantitatif lebih lanjut.Menyediakan suatu bukti yang visuil tentang memperoleh penyajian komputer


Visualisasi Data Mining & Visualisasi DataPengintegrasian dari visualisasi data miningVisualisasi dataHasil Visualisasi data miningProses visualisasi data miningVisualisasi data mining yang interaktipVisualisasi dataData dalam database atau data gudang terlihatPada tingkat abstrak yang berbedaSebagai kombinasi yang berbeda tentang atribut atau dimensiData dapat dipersentasikan dalam berbagai format visual


Hasil Visualisasi Data MiningPresentasi dari hasil atau pengetahuan yang diperoleh dari format visual data miningContohMenyebar alur cerita dan boxplots (yang diperoleh dari data mining)Alur keputusanAturan AsosiasiKelompokAsingAturan disamaratakan


Boxplots dari Statsoft: Berbagai Combinasi Variabel


Visualisasi dari Data Mining pada Perusahaan SAS Miner : Menyebaran Plots


Visualisasi dari Peraturan Asosiasi SGI/MineSet 3.0


konsep dan teknologi

Documents