Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

P ERAN U TAMA D ATA M INING. 1. Estimation 2. Prediction 3. Classification 4. Clustering 5. Association EstimationPredictionClassificationClusteringAssociation.

Presentasi serupa


Presentasi berjudul: "P ERAN U TAMA D ATA M INING. 1. Estimation 2. Prediction 3. Classification 4. Clustering 5. Association EstimationPredictionClassificationClusteringAssociation."— Transcript presentasi:

1 P ERAN U TAMA D ATA M INING

2 1. Estimation 2. Prediction 3. Classification 4. Clustering 5. Association EstimationPredictionClassificationClusteringAssociation

3 D ATASET WITH A TTRIBUTE AND C LASS Class/Label Attribute

4 E STIMASI W AKTU P ENGIRIMAN P IZZA Custom er Jumlah Pesanan (P) Jumlah Bangjo (B) Jarak (J)Waktu Tempuh (T) Waktu Tempuh (T) = 0.48P B + 0.5J

5 P ENENTUAN K ELULUSAN M AHASISWA NIMGende r Nila i UN Asal Sekolah IPS1IPS2IPS3IPS 4...Lulus Tepat Waktu 10001L28SMAN Ya 10002P27SMA DK Tidak 10003P24SMAN Tidak 10004L26.4SMAN Ya L23.4SMAN Ya

6 K LASTERING B UNGA I RIS

7

8 A LGORITMA D ATA M INING (DM) 1. Estimation (Estimasi): Linear Regression, Neural Network, Support Vector Machine, etc 2. Prediction/Forecasting (Prediksi/Peramalan): Linear Regression, Neural Network, Support Vector Machine, etc 3. Classification (Klasifikasi): Naive Bayes, K-Nearest Neighbor, C4.5, ID3, CART, Linear Discriminant Analysis, etc 4. Clustering (Klastering): K-Means, K-Medoids, Self-Organizing Map (SOM), Fuzzy C-Means, etc 5. Association (Asosiasi): FP-Growth, A Priori, etc

9 M ETODE L EARNING P ADA A LGORITMA DM Supervised Learning Association Learning Unsupervised Learning

10 D ATASET WITH A TTRIBUTE AND C LASS Class/Label Attribute

11 M ETODE L EARNING P ADA A LGORITMA DM 2. Unsupervised Learning (Pembelajaran tanpa Guru): Algoritma data mining mencari pola dari semua variable (atribut) Variable (atribut) yang menjadi target/label/class tidak ditentukan (tidak ada) Algoritma clustering adalah algoritma unsupervised learning

12 D ATASET WITH A TTRIBUTE (N O C LASS ) Attribute

13 M ETODE L EARNING P ADA A LGORITMA DM 3. Association Learning (Pembelajaran untuk Asosiasi Atribut) Proses learning pada algoritma asosiasi ( association rule ) agak berbeda karena tujuannya adalah untuk mencari atribut yang muncul bersamaan dalam satu transaksi Algoritma asosiasi biasanya untuk analisa transaksi belanja, dengan konsep utama adalah mencari “produk/item mana yang dibeli bersamaan” Pada pusat perbelanjaan banyak produk yang dijual, sehingga pencarian seluruh asosiasi produk memakan cost tinggi, karena sifatnya yang kombinatorial Algoritma association rule seperti a priori algorithm, dapat memecahkan masalah ini dengan efisien

14 D ATASET T RANSACTION

15 A SSOCIATION R ULES

16 P ROSES U TAMA PADA D ATA M INING Input (Data) Metode (Algoritma Data Mining) Output (Pola/Model)

17 O UTPUT /P OLA /M ODEL /K NOWLEDGE 1. Formula/Function (Rumus atau Fungsi Regresi) WAKTU TEMPUH = JARAK LAMPU PESANAN 2. Decision Tree (Pohon Keputusan) 3. Rule (Aturan) IF ips3=2.8 THEN lulustepatwaktu 4. Cluster (Klaster)

18 I NPUT – M ETODE – O UTPUT – E VALUATION Input (Data) Metode (Algoritma Data Mining) Output (Pola/Model) Evaluation (Akurasi, AUC, RMSE, etc)

19 C OGNITIVE -P ERFORMANCE T EST 1. Sebutkan 5 peran utama data mining! 2. Jelaskan perbedaan estimasi dan prediksi! 3. Jelaskan perbedaan estimasi dan klasifikasi! 4. Jelaskan perbedaan klasifikasi dan klastering! 5. Jelaskan perbedaan klastering dan prediksi! 6. Jelaskan perbedaan supervised dan unsupervised learning! 7. Sebutkan tahapan utama proses data mining!


Download ppt "P ERAN U TAMA D ATA M INING. 1. Estimation 2. Prediction 3. Classification 4. Clustering 5. Association EstimationPredictionClassificationClusteringAssociation."

Presentasi serupa


Iklan oleh Google