Data Mining – Jawaban Soal UTS Data Mining

Berikut ini Jawaban Soal UTS Data Mining

Jelaskan pengertian datamining dan KDD!

Serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basisdata. Informasi yang dihasilkan diperoleh dengan cara mengekstraksi dan mengenali pola yang penting atau menarik dari data yang terdapat dalam basisdata.

Sebutkan hal-hal yang melatarbelakangi datamining?

• Melimpahnya data (overload data) yang dialami oleh berbagai institusi, perusahaan atau organisasi.
• Merlimpahnya data ini merupakan akumulasi data transaksi yang terekam bertahun-tahun..
• Data–data tersebut merupakan data transaksi yang umumnya diproses menggunakan aplikasi komputer yang biasa disebut dengan OLTP (On Line Transaction Processing).

Data Mining – Konsep Pohon Keputusan

Pohon Keputusan

Pada sesi ini akan dibahas secara ringkas konsep salah satu metode data mining yaitu pohon keputusan. Bahasan meliputi:

• Latar Belakang Pohon Keputusan
• Pengertian Pohon Keputusan
• Manfaat Pohon Keputusan
• Kelebihan Pohon Keputusan
• Kekurangan Pohon Keputusan
• Model Pohon Keputusan
• Algoritman C.45
• Contoh-contoh aplikasi
  

Data Mining – Konsep Jaringan Syaraf Tiruan (JST)

Pada bagian akan kita bahas secara ringkas tentang konsep jaringan syaraf tiruan (JST) yang merupakan  salah satu metode analisis yang dapat digunakan dalam data mining.

Definisi jaringan syaraf tiruan

• Hecht-Nielsend (1988), “Suatu neural network (NN), adalah suatu struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal”.
• Haykin, S. (1994), Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu: 1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar. 2. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.
• Zurada, J.M. (1992), Sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik yang dapat memperoleh, menyimpan dan menggunakan pengetahuan yang didapatkan dari pengalaman.
• DARPA Neural Network Study (1988), Sebuah jaringan syaraf adalah sebuah sistem yang dibentuk dari sejumlah elemen pemroses sederhana yang bekerja secara paralel dimana fungsinya ditentukan oleh stuktur jaringan, kekuatan hubungan, dan pegolahan dilakukan pada komputasi elemen atau nodes
• JJ Siang,  sistem pemrosesan informasi yang memiliki karakteristik mirip dengan jaringan syaraf manusia.

Analisis Sistem Informasi – Analisis Biaya dan Manfaat

Pengembangan suatu sistem informasi merupakan suatu investasi sepertihalnya investasi proyek lainnya. Investasi berarti dikeluarkannya sumber- sumber daya untuk mendapatkan manfaat dimasa mendatang. Investasi untuk mengembangkan sistem informasi juga membutuhkan sumber-sumber daya. Sebagai hasilnya, sistem informasi akan memberikan manfaat-manfaat yang dapat berupa penghematan-penghematan atau manfaat-manfaat yang baru. Jika manfaat yang diharapkan lebih kecil dari sumber-sumber daya yang dikeluarkan, maka sistem informasi ini dikatakan tidak bernilai atau tidak layak. Oleh karena itu, sebelum sistem informasi dikembangkan, maka perlu dihitung kelayakan ekonomisnya. Teknik untuk menilai ini disebut dengan analisis biaya/keuntungan (cost/benefit analysis). Analisis biaya/keuntungan disebut juga dengan analisis biaya/efektivitas (cost/ effectivenss analysis). Keuntungan dari pengembangan sistem informasi tidak semuanyamudah diukur secara langsung dengan nilai uang, seperti misalnya keuntungan pelayanan kepada langganan yang lebih baik. Keuntungan yang sulit diukur langsung dengan nilai uang ini selanjutnya jika ingin ditentukan dalam bentuk nilai uang, maka dapat menaksir efektivitasnya.

Kisi-kisi soal datamining

Kisi-kisi soal datamining

Download pdf:

DM – Soal UTS 2009

Data Mining 3 – Pengembangan Data Warehouse

Penerapan awal dari arsitektur data warehouse dibuat berdasarkan konsep bahwa data warehouse mengambil data dari berbagai sumber dan memindahkannya ke dalam pusat pengumpulan data yang besar. Konsep ini sebenarnya lebih cenderung kepada sebuah lingkungan mainframe yang terpusat.

Keunggulan teknologi Client Server memungkinkan data warehouse diterapkan dalam berbagai macam cara untuk menampung kebutuhan pemakai sistem secara lebih proposional. Dalam suatu kasus, misalkan saja pemakai tertentu perlu menggabungkan data dari sebuah sistem pengumpulan data yang statis dengan data dari sistem operasional yang dinamis hanya dengan sebuah query saja.

Download pdf :

Bab 3 – Pengembangan Data Warehouse

Data Mining 2 – Konsep Warehousing

Pada Bab 2 ini akan dibahas salah satu langkah penting dari data mininng yaitu warehousing. Bahsannya meliputi, konsep-konsep, berbagai istilah, karakteristik, manfaat, tujuan, tugas-tugas data warehouseing.

Download pdf:

Bab 2 Data Mining  – Konsep Warehousing

Data Mining 4 – Preprocessing Data Mining

Sebelum diproses data mining sering kali diperlukan preprocessing. Data preprocessing menerangkan tipe-tipe proses yang melaksanakan data mentah untuk mempersiapkan proses prosedur yang lainnya. Tujuannya preprosesnig dalam data mining adalah menstrasformasi data ke suatu format yang prosesnya lebih mudah dan efektif untuk kebutuhan pemakai

Download pdf:

Bab 4 – Preprocessing Data Mining

Data Mining 5 – Gambaran Umum Metodologi Data Mining

Pada Bab 5 kali ini akan dibahas berbagai gambaran umum metodologi yang digunakan dalam data mining.

Metodologi Data Mining Komponen data mining pada proses KDD seringkali merupakan aplikasi iteratif yang berulang dari metodologi data mining tertentu. Pada pembahasan di sini akan digunakan istilah pola dan model. Pola dapat diartikan sebagai instansiasi dari model. Sebagai contoh f(x) = 3x² + x adalah pola dari model f(x)= ax² + bx.

Data mining melakukan “pengepasan” atau pencocokan model ke, atau menentukan pola dari data yang diobservasi. Ada dua pendekatan matematis yang digunakan dalam pencocokan model: statistik yang memberikan efek non-deterministik dan logik yang murni deterministik. Yang lebih banyak digunakan adalah pendekatan statistik, mengingat ketidakpastian yang ada dalam proses pembangkitan data di dunia nyata. Kebanyakan metodologi data mining didasarkan pada konsep mesin belajar, pengenalan atau pencocokan pola dan statistik: klasifikasi, pengelompokan (clustering), pemodelan grafis, dll.

Download pdf:

Bab 5 – Gambaran Umum Metode Data Mining

Bab 1 – Konsep, Pengertian, Manfaat dan Tujuan Data Mining

Bab 1 ini membahas tentang konsep datamining, pengetian datamining, manfaat dan tujuan datamining.

Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi  yang selama ini tidak diketahui secara manual dari suatu basisdata.  Informasi yang dihasilkan diperoleh dengan cara mengekstraksi dan mengenali pola yang penting atau menarik dari data yang terdapat dalam basisdata..

Datamining terutama digunakan untuk mencari pengetahuan yang terdapat dalam basis data yang besar sehingga sering disebut Knowledge Discovery in Databases (KDD).  Proses pencarian pengetahuan ini menggunakan berbagai teknik-teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksikannya.  Proses pencarian bersifat iteratif  dan  interaktif untuk menemukan pola atau model yang sahih, baru, bermanfaat, dan dimengerti. Dalam penerapannya dataminig memerlukan berbagai perangkat lunak analisis data untuk menemukan pola dan relasi data agar dapat digunakan untuk membuat prediksi dengan akurat.

Download pdf:

Bab 1 – Konsep, Pengertian, Manfaat dan Tujuan Data Mining