Data Mining (DM) adalah salah satu bidang yang berkembang pesat karena besarnya kebutuhan akan nilai tambah dari database skala besar yang makin banyak terakumulasi sejalan dengan pertumbuhan teknologi informasi. Definisi umum dari DM itu sendiri adalah serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data.
Data Mining memang salah satu cabang ilmu komputer yang relatif baru. Dan sampai sekarang orang masih memperdebatkan untuk menempatkan data mining di bidang ilmu mana, karena data mining menyangkut database, kecerdasan buatan (artificial intelligence), statistik, dsb. Ada pihak yang berpendapat bahwa data mining tidak lebih dari machine learning atau analisa statistik yang berjalan di atas database. Namun pihak lain berpendapat bahwa database berperanan penting di data mining karena data mining mengakses data yang ukurannya besar (bisa sampai terabyte) dan disini terlihat peran penting database terutama dalam optimisasi query-nya. Data Mining juga dikenal dengan nama Knowledge Discovery in Databases (KDD).
1. Latar Belakang
Tahun 1990-an telah melahirkan “gunungan” data di bidang ilmu pengetahuan, bisnis dan pemerintah. Kemampuan teknologi informasi untuk mengumpulkan dan menyimpan berbagai tipe data jauh meninggalkan kemampuan untuk menganalisis, meringkas dan mengekstraksi “pengetahuan” dari data.
Metodologi tradisional untuk menganalisis data yang ada, tidak dapat menangani data dalam jumlah besar. Sementara para pelaku bisnis memiliki kebutuhan-kebutuhan untuk memanfaatkan gudang data yang sudah dimiliki, para peneliti melihat peluang untuk melahirkan sebuah teknologi baru yang menjawab kebutuhan ini, yaitu Data Mining. Teknologi ini sekarang sudah ada dan diaplikasikan oleh perusahaan-perusahaan untuk memecahkan berbagai permasalahan bisnis.
Disamping itu para pelaku bisnis membutuhkan pemecahan masalah bisnis dengan memanfaatkan data yang ada.
Permasalahan bisnis yang umum dihadapi adalah :
a. Bagaimana menyajikan advertensi kepada target yang tepat sasaran
b. Menyajikan halaman web yg khusus setiap pelanggan
c. Menampilkan informasi produk lain yang biasa dibeli bersamaan dengan produk tertentu.
d. Mengklasifikasikan artikel-artikel secara otomatis
e. Mengelompokkan pengunjung web yang memiliki kesamaan karateristik tertentu
f. Mengestimasi data yang hilang
Data Mining memang salah satu cabang ilmu komputer yang relatif baru. Dan sampai sekarang orang masih memperdebatkan untuk menempatkan data mining di bidang ilmu mana, karena data mining menyangkut database, kecerdasan buatan (artificial intelligence), statistik, dsb. Ada pihak yang berpendapat bahwa data mining tidak lebih dari machine learning atau analisa statistik yang berjalan di atas database. Namun pihak lain berpendapat bahwa database berperanan penting di data mining karena data mining mengakses data yang ukurannya besar (bisa sampai terabyte) dan disini terlihat peran penting database terutama dalam optimisasi query-nya. Data Mining juga dikenal dengan nama Knowledge Discovery in Databases (KDD).
1. Latar Belakang
Tahun 1990-an telah melahirkan “gunungan” data di bidang ilmu pengetahuan, bisnis dan pemerintah. Kemampuan teknologi informasi untuk mengumpulkan dan menyimpan berbagai tipe data jauh meninggalkan kemampuan untuk menganalisis, meringkas dan mengekstraksi “pengetahuan” dari data.
Metodologi tradisional untuk menganalisis data yang ada, tidak dapat menangani data dalam jumlah besar. Sementara para pelaku bisnis memiliki kebutuhan-kebutuhan untuk memanfaatkan gudang data yang sudah dimiliki, para peneliti melihat peluang untuk melahirkan sebuah teknologi baru yang menjawab kebutuhan ini, yaitu Data Mining. Teknologi ini sekarang sudah ada dan diaplikasikan oleh perusahaan-perusahaan untuk memecahkan berbagai permasalahan bisnis.
Disamping itu para pelaku bisnis membutuhkan pemecahan masalah bisnis dengan memanfaatkan data yang ada.
Permasalahan bisnis yang umum dihadapi adalah :
a. Bagaimana menyajikan advertensi kepada target yang tepat sasaran
b. Menyajikan halaman web yg khusus setiap pelanggan
c. Menampilkan informasi produk lain yang biasa dibeli bersamaan dengan produk tertentu.
d. Mengklasifikasikan artikel-artikel secara otomatis
e. Mengelompokkan pengunjung web yang memiliki kesamaan karateristik tertentu
f. Mengestimasi data yang hilang
g. Memprediksi kelakuan di masa yang akan datang
Ketersediaan data yang melimpah, kebutuhan akan informasi (atau pengetahuan) sebagai pendukung pengambilan keputusan untuk membuat solusi bisnis, dan dukungan infrastruktur di bidang teknologi informasi merupakan cikal-bakal dari lahirnya teknologi data mining.
2. Tujuan dari Data Mining
Disamping permasalahan bisnis yang diuraikan diatas, kebutuhan bisnis juga menjadi salah satu tujuan Data Mining mengapa data mining digunakan.
Terdapat tiga kebutuhan bisnis :
- Penambahan maupun peningkatan kapasitas produk
- Pengurangan biaya operasi perusahaan
- Peningkatan efektifitas pemasaran dan keuntungan
Dengan tujuan tersebut, Konsep dasar yang bagi pelaku bisnis sebagai solusi permasalahan dapat diuraikan untuk tujuan, yaitu :
a. Perumusan Target
Memilih target pemasaran untuk disuguhi advertensi tertentu bertujuanuntuk meningkatkan profit perusahaan, pengenalan produk secara luas atauhasil-hasil terukur lainnya.
b. Personalisasi
Memanfaatkan personalisasi untuk memilih advertensi yang paling sesuaiuntuk orang tertentu dan personalisasi ini bertujuan agar pengunjung yang sudah menjadi pelanggan membeli sebanyak mungkin produk perusahaan.
c. Asosiasi (analisis keranjang pasar)
Asosiasi ini mengidentifikasi item-item produk yang mungkin dibeli bersamaan dengan produk lain atau dilihat secara bersamaan pada saatmencari informasi mengenai produk tertentu.
d. Manajemen Pengetahuan
Sistem ini mengidentifikasi dan memanfaatkan pola-pola di dalam dokumen yang berbahasa alami atau berformat text. Pendekatan ini digunakan untuk menyortir dokumen baru dan mempersonalisasi publikasi online
e. Pengelompokkan
Pengelompokkan digunakan untuk membuat laporan mengenai karateristik umum dari grup-grup pengunjung (kustomer) yang berbeda.
f. Estimasi dan Prediksi
Estimasi menerka sebuah nilai yang belum diketahui dan prediksimemperkirakan nilai untuk masa datang.
g. Pohon Keputusan
Sebagai diagram alir dari titik-titik pertanyaan yang menuju pada sebuah keputusan.
3. Manfaat Data Mining
Ketersediaan data transaksi dalam volume yang besar: Bidang-bidang industri yang memiliki data transaksi dalam volume besar ini misalnya jaringan ritel, telekomunikasi, perbankan, kartu kredit dan lain-lain. Sistem manajemen transaksi pada industri tersebut merekord informasi-informasi rinci yang diperlukan dalam bisnis mereka.
Informasi sebagai aset perusahaan yang penting: Kebutuhan terhadap informasi telah melahirkan gudang data yang mengintegrasikan informasi dari sistem-sistem yang tersebar untuk mendukung pengambilan keputusan. Seringkali gudang data ini juga dilengkapi dengan data demografis kustomer dan informasi mengenai rumah-tangga.
Ketersediaan teknologi informasi dalam skala yang terjangkau: Saat ini teknologi informasi berbasis sistem yang terbuka sudah dapat diadopsi secara luas. Ini termasuk sistem manajemen basis data, kakas penganalisis, dan yang terkini adalah pertukaran informasi dan publikasi melalui jaringan Intranet.
Faktor-faktor tersebut di atas dikombinasikan dengan konsep solusi bisnis yang telah diuraikan sebelumnya, telah melahirkan teknologi data mining. Data mining dimaksudkan untuk memberikan solusi nyata bagi para pengambil keputusan di dunia bisnis, untuk mengembangkan bisnis mereka.
Data mining biasa digunakan dalam industri ritel untuk melakukan prediksi penjualan. Data mining mampu membantu ritel dalam mengambil keputusan persediaan. Misalnya, ketika pelanggan pembeli suatu barang, maka kapan mereka akan kembali lagi? Atau kapan mereka akan membeli barang komplementernya? Penggunaan data mining juga membantu dalam menganalisa kira-kira barang apa saja yang dibeli pelanggan secara bersamaan. Mengapa ini penting? Karena pertama, analisa ini bisa membantu ritel dalam menentukan keputusan persediaan. Seandainya pelanggan biasa membeli barang A dan B secara bersamaan, maka ritel setidaknya harus menyediakan kedua barang tersebut dalam jumlah yang sama.
Selain itu, analisa melalui data mining juga membantu dalam menentukan kapan ritel mengalami peak day atau kunjungan terramai dalam suatu periode. Untuk peak day tersebut, tentunya ritel harus menyediakan persediaan yang lebih banyak dibandingkan dengan hari-hari biasanya.
Kedua, analisa tersebut juga penting dalam membantu ritel untuk menyusun layout toko sebaik mungkin dan sesuai kebutuhan pelanggan. Misalnya, pelanggan pada umumnya selain membeli keperluan mandi, juga sering kali membeli keperluan rumah tangga lainnya secara bersamaan. Sehingga, efeknya pada layout toko adalah letak keperluan mandi tidak akan jauh dari keperluan rumah tangga lainnya seperti deterjen ataupun pembersih lantai. Dengan menempatkan layout toko sesuai dengan pola perilaku pelanggan, maka tentunya ini akan meningkatkan tingkat kenyamanan pelanggan yang berbelanja pada ritel tersebut. Data mining juga bisa bermanfaat dalam membantu ritel melakukan marketing mix. Misalnya melalui analisa data mining ditemukan, bahwa pada akhir pekan pelanggan biasanya membeli barang A dan B secara bersamaan. Sehingga, ritel bisa memastikan bahwa pada hari tersebut, barang A dan B dijual dengan harga penuh, dan ditaruh pada display terdepan. Sehingga langkah-langkah ini diharapkan bisa mengoptimalkan penjualan kedua barang tersebut. Strategi customization tentunya sangat mengandalkan data mining. Blockbuster Entertainment, misalnya, memanfaatkan catatan database rental untuk memberikan rekomendasi kepada masing-masing pelanggan. Selain itu, American Express juga menawarkan serangkaian produk-produk kepada pemegang kartu kreditnya berdasarkan analisa dari pengeluaran bulanan mereka. Contoh perusahaan yang merintis penggunaan data mining dan mengubah hubungan dengan supplier adalah WalMart. Dulu sekali, WalMart mencatat transaksi yang berada pada 2,900 tokonya di 6 negara dan mengirimkan data ini ke gudang data sebesar 7.5 terabyte. Saat itu WalMart mengizinkan lebih dari 3,500 supplier untuk mengakses data-data dan menganalisanya. Supplier ini memanfaatkan data tersebut untuk mengidentifikasi perilaku pembelian di toko. Selain itu, data tersebut juga rupanya bermanfaat dalam mengelola persediaan dan mengidentifikasi peluang merchandise baru
4. Keterkaitan Data Mining dengan cabang ilmu yang lain
Ilmu Berkaitan Data Mining :
a. Database
b. Information science (ilmu informasi)
c. High performance computing
d. Visualisasi
e. Machine learning
f. Statistik
g. Neural networks (jaringan saraf tiruan)
h. Pemodelan matematika
i. Information retrieval
j. Information extraction dan
k. Pengenalan pola
5. Impementasi Data Mining
a. Analisa Pasar dan Manajemen
Untuk analisa pasar, banyak sekali sumber data yang dapat digunakan seperti transaksi kartu kredit, kartu anggota club tertentu, kupon diskon, keluhan pembeli, ditambah dengan studi tentang gaya hidup publik.
Beberapa solusi yang bisa diselesaikan dengan data mining diantaranya:
Menembak target pasar
Data mining dapat melakukan pengelompokan (clustering) dari model-model pembeli dan melakukan klasifikasi terhadap setiap pembeli sesuai dengan karakteristik yang diinginkan seperti kesukaan yang sama, tingkat penghasilan yang sama, kebiasaan membeli dan karakteristik lainnya.
Melihat pola beli pemakai dari waktu ke waktu
Data mining dapat digunakan untuk melihat pola beli seseorang dari waktu ke waktu. Sebagai contoh, ketika seseorang menikah bisa saja dia kemudian memutuskan pindah dari single account ke joint account (rekening bersama) dan kemudian setelah itu pola beli-nya berbeda dengan ketika dia masih bujangan.
Ketersediaan data yang melimpah, kebutuhan akan informasi (atau pengetahuan) sebagai pendukung pengambilan keputusan untuk membuat solusi bisnis, dan dukungan infrastruktur di bidang teknologi informasi merupakan cikal-bakal dari lahirnya teknologi data mining.
2. Tujuan dari Data Mining
Disamping permasalahan bisnis yang diuraikan diatas, kebutuhan bisnis juga menjadi salah satu tujuan Data Mining mengapa data mining digunakan.
Terdapat tiga kebutuhan bisnis :
- Penambahan maupun peningkatan kapasitas produk
- Pengurangan biaya operasi perusahaan
- Peningkatan efektifitas pemasaran dan keuntungan
Dengan tujuan tersebut, Konsep dasar yang bagi pelaku bisnis sebagai solusi permasalahan dapat diuraikan untuk tujuan, yaitu :
a. Perumusan Target
Memilih target pemasaran untuk disuguhi advertensi tertentu bertujuanuntuk meningkatkan profit perusahaan, pengenalan produk secara luas atauhasil-hasil terukur lainnya.
b. Personalisasi
Memanfaatkan personalisasi untuk memilih advertensi yang paling sesuaiuntuk orang tertentu dan personalisasi ini bertujuan agar pengunjung yang sudah menjadi pelanggan membeli sebanyak mungkin produk perusahaan.
c. Asosiasi (analisis keranjang pasar)
Asosiasi ini mengidentifikasi item-item produk yang mungkin dibeli bersamaan dengan produk lain atau dilihat secara bersamaan pada saatmencari informasi mengenai produk tertentu.
d. Manajemen Pengetahuan
Sistem ini mengidentifikasi dan memanfaatkan pola-pola di dalam dokumen yang berbahasa alami atau berformat text. Pendekatan ini digunakan untuk menyortir dokumen baru dan mempersonalisasi publikasi online
e. Pengelompokkan
Pengelompokkan digunakan untuk membuat laporan mengenai karateristik umum dari grup-grup pengunjung (kustomer) yang berbeda.
f. Estimasi dan Prediksi
Estimasi menerka sebuah nilai yang belum diketahui dan prediksimemperkirakan nilai untuk masa datang.
g. Pohon Keputusan
Sebagai diagram alir dari titik-titik pertanyaan yang menuju pada sebuah keputusan.
3. Manfaat Data Mining
Ketersediaan data transaksi dalam volume yang besar: Bidang-bidang industri yang memiliki data transaksi dalam volume besar ini misalnya jaringan ritel, telekomunikasi, perbankan, kartu kredit dan lain-lain. Sistem manajemen transaksi pada industri tersebut merekord informasi-informasi rinci yang diperlukan dalam bisnis mereka.
Informasi sebagai aset perusahaan yang penting: Kebutuhan terhadap informasi telah melahirkan gudang data yang mengintegrasikan informasi dari sistem-sistem yang tersebar untuk mendukung pengambilan keputusan. Seringkali gudang data ini juga dilengkapi dengan data demografis kustomer dan informasi mengenai rumah-tangga.
Ketersediaan teknologi informasi dalam skala yang terjangkau: Saat ini teknologi informasi berbasis sistem yang terbuka sudah dapat diadopsi secara luas. Ini termasuk sistem manajemen basis data, kakas penganalisis, dan yang terkini adalah pertukaran informasi dan publikasi melalui jaringan Intranet.
Faktor-faktor tersebut di atas dikombinasikan dengan konsep solusi bisnis yang telah diuraikan sebelumnya, telah melahirkan teknologi data mining. Data mining dimaksudkan untuk memberikan solusi nyata bagi para pengambil keputusan di dunia bisnis, untuk mengembangkan bisnis mereka.
Data mining biasa digunakan dalam industri ritel untuk melakukan prediksi penjualan. Data mining mampu membantu ritel dalam mengambil keputusan persediaan. Misalnya, ketika pelanggan pembeli suatu barang, maka kapan mereka akan kembali lagi? Atau kapan mereka akan membeli barang komplementernya? Penggunaan data mining juga membantu dalam menganalisa kira-kira barang apa saja yang dibeli pelanggan secara bersamaan. Mengapa ini penting? Karena pertama, analisa ini bisa membantu ritel dalam menentukan keputusan persediaan. Seandainya pelanggan biasa membeli barang A dan B secara bersamaan, maka ritel setidaknya harus menyediakan kedua barang tersebut dalam jumlah yang sama.
Selain itu, analisa melalui data mining juga membantu dalam menentukan kapan ritel mengalami peak day atau kunjungan terramai dalam suatu periode. Untuk peak day tersebut, tentunya ritel harus menyediakan persediaan yang lebih banyak dibandingkan dengan hari-hari biasanya.
Kedua, analisa tersebut juga penting dalam membantu ritel untuk menyusun layout toko sebaik mungkin dan sesuai kebutuhan pelanggan. Misalnya, pelanggan pada umumnya selain membeli keperluan mandi, juga sering kali membeli keperluan rumah tangga lainnya secara bersamaan. Sehingga, efeknya pada layout toko adalah letak keperluan mandi tidak akan jauh dari keperluan rumah tangga lainnya seperti deterjen ataupun pembersih lantai. Dengan menempatkan layout toko sesuai dengan pola perilaku pelanggan, maka tentunya ini akan meningkatkan tingkat kenyamanan pelanggan yang berbelanja pada ritel tersebut. Data mining juga bisa bermanfaat dalam membantu ritel melakukan marketing mix. Misalnya melalui analisa data mining ditemukan, bahwa pada akhir pekan pelanggan biasanya membeli barang A dan B secara bersamaan. Sehingga, ritel bisa memastikan bahwa pada hari tersebut, barang A dan B dijual dengan harga penuh, dan ditaruh pada display terdepan. Sehingga langkah-langkah ini diharapkan bisa mengoptimalkan penjualan kedua barang tersebut. Strategi customization tentunya sangat mengandalkan data mining. Blockbuster Entertainment, misalnya, memanfaatkan catatan database rental untuk memberikan rekomendasi kepada masing-masing pelanggan. Selain itu, American Express juga menawarkan serangkaian produk-produk kepada pemegang kartu kreditnya berdasarkan analisa dari pengeluaran bulanan mereka. Contoh perusahaan yang merintis penggunaan data mining dan mengubah hubungan dengan supplier adalah WalMart. Dulu sekali, WalMart mencatat transaksi yang berada pada 2,900 tokonya di 6 negara dan mengirimkan data ini ke gudang data sebesar 7.5 terabyte. Saat itu WalMart mengizinkan lebih dari 3,500 supplier untuk mengakses data-data dan menganalisanya. Supplier ini memanfaatkan data tersebut untuk mengidentifikasi perilaku pembelian di toko. Selain itu, data tersebut juga rupanya bermanfaat dalam mengelola persediaan dan mengidentifikasi peluang merchandise baru
4. Keterkaitan Data Mining dengan cabang ilmu yang lain
Ilmu Berkaitan Data Mining :
a. Database
b. Information science (ilmu informasi)
c. High performance computing
d. Visualisasi
e. Machine learning
f. Statistik
g. Neural networks (jaringan saraf tiruan)
h. Pemodelan matematika
i. Information retrieval
j. Information extraction dan
k. Pengenalan pola
5. Impementasi Data Mining
a. Analisa Pasar dan Manajemen
Untuk analisa pasar, banyak sekali sumber data yang dapat digunakan seperti transaksi kartu kredit, kartu anggota club tertentu, kupon diskon, keluhan pembeli, ditambah dengan studi tentang gaya hidup publik.
Beberapa solusi yang bisa diselesaikan dengan data mining diantaranya:
Menembak target pasar
Data mining dapat melakukan pengelompokan (clustering) dari model-model pembeli dan melakukan klasifikasi terhadap setiap pembeli sesuai dengan karakteristik yang diinginkan seperti kesukaan yang sama, tingkat penghasilan yang sama, kebiasaan membeli dan karakteristik lainnya.
Melihat pola beli pemakai dari waktu ke waktu
Data mining dapat digunakan untuk melihat pola beli seseorang dari waktu ke waktu. Sebagai contoh, ketika seseorang menikah bisa saja dia kemudian memutuskan pindah dari single account ke joint account (rekening bersama) dan kemudian setelah itu pola beli-nya berbeda dengan ketika dia masih bujangan.
Cross-Market Analysis
Kita dapat memanfaatkan data mining untuk melihat hubungan antara penjualan satu produk
dengan produk lainnya. Berikut ini disajikan beberapa contoh:
- Cari pola penjualan Coca Cola sedemikian rupa sehingga kita dapat mengetahui
- barang apa sajakah yang harus kita sediakan untuk meningkatkan penjualan Coca Cola?
- Cari pola penjualan IndoMie sedemikian rupa sehingga kita dapat mengetahui barang apa saja yang juga dibeli oleh pembeli IndoMie. Dengan demikian kita bisa mengetahui dampak jika kita tidak lagi menjual IndoMie.
- Cari pola penjualan
Profil Customer
Data mining dapat membantu Anda untuk melihat profil customer/pembeli/nasabah sehingga kita dapat mengetahui kelompok customer tertentu suka membeli produk apa saja.
Identifikasi Kebutuhan Customer
Anda dapat mengidentifikasi produk-produk apa saja yang terbaik untuk tiap kelompok customer dan menyusun faktor-faktor apa saja yang kira-kira dapat menarik customer baru untuk bergabung/membeli.
Menilai Loyalitas Customer
VISA International Spanyol menggunakan data mining untuk melihat kesuksesan program-program customer loyalty mereka. Anda bisa lihat di www.visa.es/ingles/info/300300.html
Informasi Summary
Anda juga dapat memanfaatkan data mining untuk membuat laporan summary yang bersifat multi-dimensi dan dilengkapi dengan informasi statistik lainnya.
b. Analisa Perusahaan dan Manajemen Resiko
Perencanaan Keuangan dan Evaluasi Aset
Data Mining dapat membantu Anda untuk melakukan analisis dan prediksi cash flow serta melakukan contingent claim analysis untuk mengevaluasi aset. Selain itu Anda juga dapat menggunakannya untuk analisis trend.
Perencanaan Sumber Daya (Resource Planning)
Dengan melihat informasi ringkas (summary) serta pola pembelanjaan dan pemasukan dari masing-masing resource, Anda dapat memanfaatkannya untuk melakukan resource planning.
Persaingan (Competition)
- Sekarang ini banyak perusahaan yang berupaya untuk dapat melakukan competitive intelligence. Data Mining dapat membantu Anda untuk memonitor pesaing-pesaing Anda dan melihat market direction mereka.
- Anda juga dapat melakukan pengelompokan customer Anda dan memberikan variasi harga/layanan/bonus untuk masing-masing grup.
- Menyusun strategi penetapan harga di pasar yang sangat kompetitif. Hal ini diterapkan oleh perusahaan minyak REPSOL di Spanyol dalam menetapkan harga jual gas di pasaran.
c. Telekomunikasi
Sebuah perusahaan telekomunikasi menerapkan data mining untuk melihat dari jutaan transaksi yang masuk, transaksi mana sajakah yang masih harus ditangani secara manual (dilayani oleh orang). Tujuannya tidak lain adalah untuk menambah layanan otomatis khusus untuk transaksi-transaksi yang masih dilayani secara manual. Dengan demikian jumlah operator penerima transaksi manual tetap bisa ditekan minimal.
d. Keuangan
Financial Crimes Enforcement Network di Amerika Serikat baru-baru ini menggunakan data mining untuk menambang trilyunan dari berbagai subyek seperti property, rekening bank dan transaksi keuangan lainnya untuk mendeteksi transaksi-transaksi keuangan yang mencurigakan ( seperti money laundry ). Mereka menyatakan bahwa hal tersebut akan susah dilakukan jika menggunakan analisis standar. Perihal ini dapat di lihat pada situs resmi yang menginformasikan www.senate.gov/~appropriations/treasury/testimony/sloan.htm. Mungkin sudah saatnya juga Badan Pemeriksa Keuangan Republik Indonesia menggunakan teknologi ini untuk mendeteksi aliran dana BLBI.
e. Asuransi
Australian Health Insurance Commision menggunakan data mining untuk mengidentifikasi layanan kesehatan yang sebenarnya tidak perlu tetapi tetap dilakukan oleh peserta asuransi.
Hasilnya? Mereka berhasil menghemat satu juta dollar per tahunnya. Untuk informasi lebih lanjut dan akurat dapat di lihat www.informationtimes.com.au/data-sum.htm.
Tentu saja ini tidak hanya bisa diterapkan untuk asuransi kesehatan, tetapi juga untuk berbagai jenis asuransi lainnya.
f. Olah Raga
IBM Advanced Scout menggunakan data mining untuk menganalisis statistik permainan NBA (jumlah shots blocked, assists dan fouls) dalam rangka mencapai keunggulan bersaing (competitive advantage) untuk tim New York Knicks dan Miami Heat.
g.Astronomi
Jet Propulsion Laboratory (JPL) di Pasadena, California dan Palomar Observatory berhasil menemukan 22 quasar dengan bantuan data mining. Hal ini merupakan salah satu kesuksesan penerapan data mining di bidang astronomi dan ilmu ruang angkasa. Anda bisa lihat di www-aig.jpl.nasa.gov/public/mls/news/SKICAT-PR12-95.html.
h.Internet Web Surf-Aid
IBM Surf-Aid menggunakan algoritma data mining untuk mendata akses halaman Web khususnya yang berkaitan dengan pemasaran guna melihat prilaku dan minat customer serta melihat ke-efektif-an pemasaran melalui Web.
Dengan melihat beberapa aplikasi yang telah disebutkan di atas, terlihat sekali potensi besar dari penerapan Data Mining di berbagai bidang. Bahkan beberapa pihak berani menyatakan bahwa Data Mining merupakan salah satu aktifitas di bidang perangkat lunak yang dapat memberikan ROI (return on investment) yang tinggi. Namun demikian, perlu diingat bahwa Data Mining hanya melihat keteraturan atau pola dari sejarah, tetapi tetap saja sejarah tidak sama dengan masa datang.
Contoh: jika orang terlalu banyak minum Coca Cola bukan berarti dia pasti akan kegemukan, jika orang terlalu banyak merokok bukan berarti dia pasti akan kena kanker paru-paru atau mati muda. Bagaimanapun juga data mining tetaplah hanya alat bantu yang dapat membantu manusia untuk melihat pola, menganalisis trend dansebagainya dalam rangka mempercepat pembuatan keputusan.
6. OLAP (Online Analitical Processing)
OLAP adalah suatu sistem atau teknologi yang dirancang untuk mendukung proses analisis kompleks dalam rangka mengungkapkankecenderungan pasar dan faktor-faktor penting dalam bisnis.
OLAP ditandai dengan kemampuannya menaikkan atau menurunkan
dimensi data sehingga kita dapat menggali data sampai pada level yang sangat detail dan memperoleh pandangan yang lebih luas mengenai objek yang sedang kita analisis.
OLAP secara khusus memfokuskan pada pembuatan data agar dapat diakses pada saat pendefinisian kembali dimensi.
OLAP dapat digunakan membuat rangkuman dari multidimensi data
yang berbeda, rangkuman baru dan mendapatkan respon secara online, dan memberikan view dua dimensi pada data cube multidimensi secara interaktif.
Kemampuan OLAP
Konsolidasi melibatkan pengelompokan data.
Sebagai contoh kantor-kantor cabang dapat dikelompokkan menurut kota atau bahkan propinsi. Transaksi penjualan dapat ditinjau menurut tahun, triwulan, bulan, dan sebagainya. Kadangkala istilah rollup digunakan untuk menyatakan konsolidasi.
Drill-down adalah suatu bentuk yang merupakan kebalikan dari konsolidasi, yang memungkinkan data yang ringkas dijabarkan menjadi data yang lebih detail.
Slicing and dicing (atau dikenal dengan istilah pivoting) menjabarkan pada kemampuan untuk melihat data dari berbagai sudut pandang
Software OLAP
Express Server (Oracle)
PowerPlay (Cognos Software)
Metacube (Informix/Stanford Technology Group)
HighGate Project (Sybase)
7. Data Warehousing
Data Warehouse adalah Pusat repositori informasi yang mampu memberikan database berorientasi subyek untuk informasi yang bersifat historis yang mendukung DSS (Decision Suport System) dan EIS (Executive Information System).
Salinan dari transaksi data yang terstruktur secara spesifik pada query dan analisa. Salinan dari transaksi data yang terstruktur spesifik untuk query dan laporan..
Tujuan Meningkatkan kualitas dan akurasi informasi bisnis danmengirimkan informasi ke pemakai dalam bentuk yang dimengerti dan dapat diakses dengan mudah.
Ciri-ciri Data Warehouse
Terdapat 4 karateristik data warehouse
a. Subject oriented
– Data yang disusun menurut subyek berisi hanya informasi yang penting bagi pemprosesan decision support.
– Database yang semua informasi yang tersimpan di kelompokkan berdasarkan subyek tertentu misalnya: pelanggan, gudang, pasar, dsb.
– Semua Informasi tersebut disimpan dalam suatu sistem data warehouse.
– Data-data di setiap subyek dirangkum ke dalam dimensi, misalnya : periode waktu, produk, wilayah, sehingga dapat memberikan nilai sejarah untuk bahan analisa.
b. IIntegrated
– Jika data terletak pada berbagai aplikasi yang terpisah dalam suatu lingkungan operasional, encoding data sering tidak seragam sehinggga bila data dipindahkan ke data warehouse maka coding akan diasumsikan sama seperti lazimnya.
c. Time-variant
– Data warehouse adalah tempat untuk storing data selama 5 sampai 10 tahun atau lebih, data digunakan untuk perbandingan atau perkiraan dan data ini tidak dapat diperbaharui.
d. Non volatile
– Data tidak dapat diperbaharui atau dirubah tetapi hanya dapat ditambah dan dilihat.
Masalah-masalah dalam menerapkan Data warehouse :
Dokumentasi dan pengelolaan metadata dari data warehouse.
Penentuan aturan dalam proses transformasi untuk memetakan berbagai sumber legacy data yang akan dimasukkan ke dalam data warehouse.
Pencapaian proses pengembangan yang handal, baik dalam membangun, mempimplementasikan, maupun memelihara data warehouse.
8. Arsitektur Data Mining
Arsitektur : Sistem Data Mining
Keterangan :
a. Data cleaning (Pembersihan Data) : untuk membuang data yang tidak konsisten dan noise)
b. Data integration : penggabungan data dari beberapa sumber
c. Data Mining Engine : Mentranformasikan data menjadi bentuk yang sesuai untuk di mining
d. Pattern evaluation : untuk menemukan yang bernilai melalui knowledge base
e. Graphical User Interface (GUI) : untuk end user. Semua tahap bersifat interaktif di mana user terlibat langsung atau dengan perantaraan knowledge base
9. Model Data Mining
a. Prediction Methods
Menggunakan beberapa variabel untuk memprediksi sesuatu atau suatu nilai yang akan datang.
b. Description Methods
Mendapatkan pola penafsiran (humaninterpretable patterns) untuk menjelaskan data.
10. Contoh Aplikasi Data Mining
Data Mining adalah suatu aplikasi terbaru yang berbeda dan lebih luas. Masih adanya perbedaan pendapat antara prinsip umum dan pembagian wilayah secara khusus pada aplikasi data mining, khususnya pada keefektifan alat bantu data mining untuk aplikasi tertentu
Beberapa aplikasi domein :
Biomedical dan analisa data DNA
Analisa data keuangan
Industri penjualan eceran
Industri telekomunikasi
a. Biomedical dan analisa data DNA
Urutan 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 tertentu
Manusia mempunyai sekitar 30,000 gen
Hal yang paling luar biasa yaitu jumlah jalan yang terdapat pada nucleotides sehingga dapat dipecah dan diurutkan kembali untuk membentuk gen yang terpisah
Pengintegrasian pembagian heterogen yang semantik, dalam genome database
§ Sekarang: terbagi-bagi, Generasi yang tak terkendali dan penggunaan data DNA secara luas
§ Metoda pembersihan dan pengintegrasian data yang dikembangkan dalam Data Mining akan sangat membantu
Contoh analisa data DNA
Pencarian persamaan dan perbandingan antar urutan DNA
§ Perbandingan sering terjadi pada pola tiap kelas ( sebagai contoh, sehat dan sakit)
§ Mengidentifikasi urutan pola gen yang berperan dalam berbagai penyakit
Kita dapat memanfaatkan data mining untuk melihat hubungan antara penjualan satu produk
dengan produk lainnya. Berikut ini disajikan beberapa contoh:
- Cari pola penjualan Coca Cola sedemikian rupa sehingga kita dapat mengetahui
- barang apa sajakah yang harus kita sediakan untuk meningkatkan penjualan Coca Cola?
- Cari pola penjualan IndoMie sedemikian rupa sehingga kita dapat mengetahui barang apa saja yang juga dibeli oleh pembeli IndoMie. Dengan demikian kita bisa mengetahui dampak jika kita tidak lagi menjual IndoMie.
- Cari pola penjualan
Profil Customer
Data mining dapat membantu Anda untuk melihat profil customer/pembeli/nasabah sehingga kita dapat mengetahui kelompok customer tertentu suka membeli produk apa saja.
Identifikasi Kebutuhan Customer
Anda dapat mengidentifikasi produk-produk apa saja yang terbaik untuk tiap kelompok customer dan menyusun faktor-faktor apa saja yang kira-kira dapat menarik customer baru untuk bergabung/membeli.
Menilai Loyalitas Customer
VISA International Spanyol menggunakan data mining untuk melihat kesuksesan program-program customer loyalty mereka. Anda bisa lihat di www.visa.es/ingles/info/300300.html
Informasi Summary
Anda juga dapat memanfaatkan data mining untuk membuat laporan summary yang bersifat multi-dimensi dan dilengkapi dengan informasi statistik lainnya.
b. Analisa Perusahaan dan Manajemen Resiko
Perencanaan Keuangan dan Evaluasi Aset
Data Mining dapat membantu Anda untuk melakukan analisis dan prediksi cash flow serta melakukan contingent claim analysis untuk mengevaluasi aset. Selain itu Anda juga dapat menggunakannya untuk analisis trend.
Perencanaan Sumber Daya (Resource Planning)
Dengan melihat informasi ringkas (summary) serta pola pembelanjaan dan pemasukan dari masing-masing resource, Anda dapat memanfaatkannya untuk melakukan resource planning.
Persaingan (Competition)
- Sekarang ini banyak perusahaan yang berupaya untuk dapat melakukan competitive intelligence. Data Mining dapat membantu Anda untuk memonitor pesaing-pesaing Anda dan melihat market direction mereka.
- Anda juga dapat melakukan pengelompokan customer Anda dan memberikan variasi harga/layanan/bonus untuk masing-masing grup.
- Menyusun strategi penetapan harga di pasar yang sangat kompetitif. Hal ini diterapkan oleh perusahaan minyak REPSOL di Spanyol dalam menetapkan harga jual gas di pasaran.
c. Telekomunikasi
Sebuah perusahaan telekomunikasi menerapkan data mining untuk melihat dari jutaan transaksi yang masuk, transaksi mana sajakah yang masih harus ditangani secara manual (dilayani oleh orang). Tujuannya tidak lain adalah untuk menambah layanan otomatis khusus untuk transaksi-transaksi yang masih dilayani secara manual. Dengan demikian jumlah operator penerima transaksi manual tetap bisa ditekan minimal.
d. Keuangan
Financial Crimes Enforcement Network di Amerika Serikat baru-baru ini menggunakan data mining untuk menambang trilyunan dari berbagai subyek seperti property, rekening bank dan transaksi keuangan lainnya untuk mendeteksi transaksi-transaksi keuangan yang mencurigakan ( seperti money laundry ). Mereka menyatakan bahwa hal tersebut akan susah dilakukan jika menggunakan analisis standar. Perihal ini dapat di lihat pada situs resmi yang menginformasikan www.senate.gov/~appropriations/treasury/testimony/sloan.htm. Mungkin sudah saatnya juga Badan Pemeriksa Keuangan Republik Indonesia menggunakan teknologi ini untuk mendeteksi aliran dana BLBI.
e. Asuransi
Australian Health Insurance Commision menggunakan data mining untuk mengidentifikasi layanan kesehatan yang sebenarnya tidak perlu tetapi tetap dilakukan oleh peserta asuransi.
Hasilnya? Mereka berhasil menghemat satu juta dollar per tahunnya. Untuk informasi lebih lanjut dan akurat dapat di lihat www.informationtimes.com.au/data-sum.htm.
Tentu saja ini tidak hanya bisa diterapkan untuk asuransi kesehatan, tetapi juga untuk berbagai jenis asuransi lainnya.
f. Olah Raga
IBM Advanced Scout menggunakan data mining untuk menganalisis statistik permainan NBA (jumlah shots blocked, assists dan fouls) dalam rangka mencapai keunggulan bersaing (competitive advantage) untuk tim New York Knicks dan Miami Heat.
g.Astronomi
Jet Propulsion Laboratory (JPL) di Pasadena, California dan Palomar Observatory berhasil menemukan 22 quasar dengan bantuan data mining. Hal ini merupakan salah satu kesuksesan penerapan data mining di bidang astronomi dan ilmu ruang angkasa. Anda bisa lihat di www-aig.jpl.nasa.gov/public/mls/news/SKICAT-PR12-95.html.
h.Internet Web Surf-Aid
IBM Surf-Aid menggunakan algoritma data mining untuk mendata akses halaman Web khususnya yang berkaitan dengan pemasaran guna melihat prilaku dan minat customer serta melihat ke-efektif-an pemasaran melalui Web.
Dengan melihat beberapa aplikasi yang telah disebutkan di atas, terlihat sekali potensi besar dari penerapan Data Mining di berbagai bidang. Bahkan beberapa pihak berani menyatakan bahwa Data Mining merupakan salah satu aktifitas di bidang perangkat lunak yang dapat memberikan ROI (return on investment) yang tinggi. Namun demikian, perlu diingat bahwa Data Mining hanya melihat keteraturan atau pola dari sejarah, tetapi tetap saja sejarah tidak sama dengan masa datang.
Contoh: jika orang terlalu banyak minum Coca Cola bukan berarti dia pasti akan kegemukan, jika orang terlalu banyak merokok bukan berarti dia pasti akan kena kanker paru-paru atau mati muda. Bagaimanapun juga data mining tetaplah hanya alat bantu yang dapat membantu manusia untuk melihat pola, menganalisis trend dansebagainya dalam rangka mempercepat pembuatan keputusan.
6. OLAP (Online Analitical Processing)
OLAP adalah suatu sistem atau teknologi yang dirancang untuk mendukung proses analisis kompleks dalam rangka mengungkapkankecenderungan pasar dan faktor-faktor penting dalam bisnis.
OLAP ditandai dengan kemampuannya menaikkan atau menurunkan
dimensi data sehingga kita dapat menggali data sampai pada level yang sangat detail dan memperoleh pandangan yang lebih luas mengenai objek yang sedang kita analisis.
OLAP secara khusus memfokuskan pada pembuatan data agar dapat diakses pada saat pendefinisian kembali dimensi.
OLAP dapat digunakan membuat rangkuman dari multidimensi data
yang berbeda, rangkuman baru dan mendapatkan respon secara online, dan memberikan view dua dimensi pada data cube multidimensi secara interaktif.
Kemampuan OLAP
Konsolidasi melibatkan pengelompokan data.
Sebagai contoh kantor-kantor cabang dapat dikelompokkan menurut kota atau bahkan propinsi. Transaksi penjualan dapat ditinjau menurut tahun, triwulan, bulan, dan sebagainya. Kadangkala istilah rollup digunakan untuk menyatakan konsolidasi.
Drill-down adalah suatu bentuk yang merupakan kebalikan dari konsolidasi, yang memungkinkan data yang ringkas dijabarkan menjadi data yang lebih detail.
Slicing and dicing (atau dikenal dengan istilah pivoting) menjabarkan pada kemampuan untuk melihat data dari berbagai sudut pandang
Software OLAP
Express Server (Oracle)
PowerPlay (Cognos Software)
Metacube (Informix/Stanford Technology Group)
HighGate Project (Sybase)
7. Data Warehousing
Data Warehouse adalah Pusat repositori informasi yang mampu memberikan database berorientasi subyek untuk informasi yang bersifat historis yang mendukung DSS (Decision Suport System) dan EIS (Executive Information System).
Salinan dari transaksi data yang terstruktur secara spesifik pada query dan analisa. Salinan dari transaksi data yang terstruktur spesifik untuk query dan laporan..
Tujuan Meningkatkan kualitas dan akurasi informasi bisnis danmengirimkan informasi ke pemakai dalam bentuk yang dimengerti dan dapat diakses dengan mudah.
Ciri-ciri Data Warehouse
Terdapat 4 karateristik data warehouse
a. Subject oriented
– Data yang disusun menurut subyek berisi hanya informasi yang penting bagi pemprosesan decision support.
– Database yang semua informasi yang tersimpan di kelompokkan berdasarkan subyek tertentu misalnya: pelanggan, gudang, pasar, dsb.
– Semua Informasi tersebut disimpan dalam suatu sistem data warehouse.
– Data-data di setiap subyek dirangkum ke dalam dimensi, misalnya : periode waktu, produk, wilayah, sehingga dapat memberikan nilai sejarah untuk bahan analisa.
b. IIntegrated
– Jika data terletak pada berbagai aplikasi yang terpisah dalam suatu lingkungan operasional, encoding data sering tidak seragam sehinggga bila data dipindahkan ke data warehouse maka coding akan diasumsikan sama seperti lazimnya.
c. Time-variant
– Data warehouse adalah tempat untuk storing data selama 5 sampai 10 tahun atau lebih, data digunakan untuk perbandingan atau perkiraan dan data ini tidak dapat diperbaharui.
d. Non volatile
– Data tidak dapat diperbaharui atau dirubah tetapi hanya dapat ditambah dan dilihat.
Masalah-masalah dalam menerapkan Data warehouse :
Dokumentasi dan pengelolaan metadata dari data warehouse.
Penentuan aturan dalam proses transformasi untuk memetakan berbagai sumber legacy data yang akan dimasukkan ke dalam data warehouse.
Pencapaian proses pengembangan yang handal, baik dalam membangun, mempimplementasikan, maupun memelihara data warehouse.
8. Arsitektur Data Mining
Arsitektur : Sistem Data Mining
Keterangan :
a. Data cleaning (Pembersihan Data) : untuk membuang data yang tidak konsisten dan noise)
b. Data integration : penggabungan data dari beberapa sumber
c. Data Mining Engine : Mentranformasikan data menjadi bentuk yang sesuai untuk di mining
d. Pattern evaluation : untuk menemukan yang bernilai melalui knowledge base
e. Graphical User Interface (GUI) : untuk end user. Semua tahap bersifat interaktif di mana user terlibat langsung atau dengan perantaraan knowledge base
9. Model Data Mining
a. Prediction Methods
Menggunakan beberapa variabel untuk memprediksi sesuatu atau suatu nilai yang akan datang.
b. Description Methods
Mendapatkan pola penafsiran (humaninterpretable patterns) untuk menjelaskan data.
10. Contoh Aplikasi Data Mining
Data Mining adalah suatu aplikasi terbaru yang berbeda dan lebih luas. Masih adanya perbedaan pendapat antara prinsip umum dan pembagian wilayah secara khusus pada aplikasi data mining, khususnya pada keefektifan alat bantu data mining untuk aplikasi tertentu
Beberapa aplikasi domein :
Biomedical dan analisa data DNA
Analisa data keuangan
Industri penjualan eceran
Industri telekomunikasi
a. Biomedical dan analisa data DNA
Urutan 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 tertentu
Manusia mempunyai sekitar 30,000 gen
Hal yang paling luar biasa yaitu jumlah jalan yang terdapat pada nucleotides sehingga dapat dipecah dan diurutkan kembali untuk membentuk gen yang terpisah
Pengintegrasian pembagian heterogen yang semantik, dalam genome database
§ Sekarang: terbagi-bagi, Generasi yang tak terkendali dan penggunaan data DNA secara luas
§ Metoda pembersihan dan pengintegrasian data yang dikembangkan dalam Data Mining akan sangat membantu
Contoh analisa data DNA
Pencarian persamaan dan perbandingan antar urutan DNA
§ Perbandingan sering terjadi pada pola tiap kelas ( sebagai contoh, sehat dan sakit)
§ Mengidentifikasi urutan pola gen yang berperan dalam berbagai penyakit
Analisa asosiasi: identifikasi dari co-occurring urutan gen
§ Kebanyakan penyakit tidaklah dicetuskan oleh gen tunggal tetapi oleh suatu kombinasi gen yang bertindak bersama-sama
§ Analisa asosiasi dapat membantu menentukan macam gen yang mungkin terjadi bersama-sama dalam target percontohan
Analisa alur: menghubungkan gen pada masa pengembangan penyakit lain
§ Gen yang berbeda bisa menjadi aktip pada penyakit yang berbeda
§ Intervensi pada masa perkembang farmasi yang mentargetkan langkah-langkah yang berbeda secara terpisah
§ Gen yang berbeda bisa menjadi aktip pada penyakit yang berbeda
§ Intervensi pada masa perkembang farmasi yang mentargetkan langkah-langkah yang berbeda secara terpisah
Penggambaran alat bantu dan analisa data genetik
b. Analisa data keuangan
Data keuangan yang dikumpulkan oleh bank dan lembaga keuangan relatif lebih lengkap, dapat dipercaya, dan bermutu tinggi
b. Analisa data keuangan
Data keuangan yang dikumpulkan oleh bank dan lembaga keuangan relatif lebih lengkap, dapat dipercaya, dan bermutu tinggi
Disain dan konstruksi dari gudang data untuk multidimensional analisa data dan data mining
§ Gambaran dari hutang perbulan, perdaerah, persektor, dan faktor lain
§ Mengakses informasi statistik seperti maximum, minimum, total, rata-rata, kecenderungannya, dan lain lain
Analisa pembayaran peminjaman kebijakan kredit secara prediksi per pelanggan
§ Seleksi di masa depan dan perlunya penggolongan secara atribut
§ Pencapaian pembayaran peminjaman
§ Nilai kredit konsumen
§ Seleksi di masa depan dan perlunya penggolongan secara atribut
§ Pencapaian pembayaran peminjaman
§ Nilai kredit konsumen
c. Industri penjualan eceran/retail
Industri Retail: besarnya data penjualan, sejarah belanja pelanggan, dan lain-lain
Aplikasi dari Retail data mining
§ Mengidentifikasi perilaku pembelian pelanggan
§ Menentukan kecenderungan pola belanja pelanggan
§ Meningkatkan mutu dari layanan pelanggan
§ Mencapai kepuasan pelanggan
§ Tingkatkan perbandingan konsumsi barang-barang
§ Mendisain keefektifan distribusi dan transportasi barang
Contoh Data Mining pada Industri Retail
Disain dan konstruksi dari gudang data yang didasarkan keuntungan penggunaan data mining
§ Analisa multidimensional dari penjualan, pelanggan, produk, waktu, dan daerah
Analisa dari efektivitas dari kampanye penjualan
Ingatan pelanggan: Analisa dari kesetiaan pelanggan
§ Menggunakan informasi kartu kesetiaan pelanggan untuk mendaftarkan urutan dari pembelian dari pelanggan tertentu
§ Menggunakan pola mining untuk menyelidiki perubahan dalam konsumsi atau kesetiaan pelanggan
§ Menyarankan penyesuaian penetapan harga dan variasi barang-barang
Referensi pembelian dan perbandingan materi
d. Industri telekomunikasi
Analisa pola kecurangan dan identifikasi pola yang tidak lazim
§ Mengidentifikasi pola para pengguna yang berpotensi curang dan penggunaan yang tidak lazim
§ Mendeteksi usaha kecurangan masukan ke dalam rekening pelanggan
§ Menemukan pola yang tidak biasa memerlukan perhatian khusus
Analisa pola kecurangan dan identifikasi pola yang tidak lazim
§ Mengidentifikasi pola para pengguna yang berpotensi curang dan penggunaan yang tidak lazim
§ Mendeteksi usaha kecurangan masukan ke dalam rekening pelanggan
§ Menemukan pola yang tidak biasa memerlukan perhatian khusus
Multidimensional asosiasi dan percontohan pola analisa
§ Temukan pola satu set jasa komunikasi berdasarkan kelompok pelanggan, bulan, dan lain lain
§ Mempromosikan penjualan dari jasa spesifik
§ Meningkatkan ketersediaan dari jasa tertentu pada suatu daerah
Penggunaan alat bantu penggambaran dalam analisa data telekomunikasi
REFERENSI
1. http://www.vibizmanagement.vibizportal.com
2. http://www.remi.staff.gunadarma.ac.id
3. http://www.rizky.prihanto.web.id
4. http://www.wselfi.staff.gunadarma.ac.id
5. http://www.ilmukomputer.com
6. Junal INTEGRAL, vol. 7 no. 1, April 2002
7. Data Mining : PERTEMUAN 1& 2 PENDAHULUAN DAN PROSES KDD
REFERENSI
1. http://www.vibizmanagement.vibizportal.com
2. http://www.remi.staff.gunadarma.ac.id
3. http://www.rizky.prihanto.web.id
4. http://www.wselfi.staff.gunadarma.ac.id
5. http://www.ilmukomputer.com
6. Junal INTEGRAL, vol. 7 no. 1, April 2002
7. Data Mining : PERTEMUAN 1& 2 PENDAHULUAN DAN PROSES KDD
Tidak ada komentar:
Posting Komentar