Data Mining: Pengertian, Fungsi, Tujuan, Metode, Tahapan, Penerapan, dan Manfaatnya
 |
| Data Mining |
Pengertian Data Mining
Data Mining (penggalian data) adalah ekstraksi pola yang menarik dari data dalam jumlah besar. Suatu pola dikatakan menarik apabila pola tersebut tidak sepele, implisit, tidak diketahui sebelumnya, dan berguna atau penting. Istilah data sendiri berasal dari bahasa Inggris datum yang berarti sebuah kumpulan fakta yang bisa diterima dengan apa adanya serta mining yang berarti penambangan.
Data sendiri memiliki peran yang penting bagi kehidupan karena bisa memudahkan dalam pengambilan keputusan. Proses pengumpulan dan ekstraksi informasi tersebut dapat dilakukan menggunakan perangkat lunak dengan bantuan perhitungan statistika, matematika, ataupun teknologi Artificial Intelligence (AI). Data mining sering disebut juga Knowledge Discovery in Database (KDD).
Baca Juga: Pengertian Database, Fungsi, Manfaat, Tipe, dan Jenisnya
Data Mining Menurut Para Ahli
1. Larose (2006), data mining adalah sebuah proses menemukan sesuatu bermakna dengan memilah data melalui repository dengan bantuan teknologi sosialisasi pola, statistik, serta matematika.
2. Berry, data mining adalah sebuah aktivitas analisa data yang memiliki jumlah besar demi menemukan pola (pattern) dan aturan (rule) yang berguna.
3. Pramudiono (2006), data mining adalah proses analisa yang dilakukan secara otomatis pada data yang kompleks dan berjumlah besar untuk memperoleh sebuah pola atau kecenderungan yang umumnya tidak disadari.
Fungsi Data Mining
Fungsi utama data mining adalah descriptive serta predictive, berikut beberapa fungsi data mining di antaranya,
1. Descriptive, merupakan suatu fungsi yang bertujuan memahami lebih jauh mengenai data yang diamati sehingga dapat diketahui perilaku dari sebuah data.
2. Predictive, adalah sebuah fungsi yang menjelaskan suatu proses dalam menemukan pola tertentu dari sebuah data. Pola-pola yang digunakan diketahui dari beragam variabel yang terdapat pada data.
3. Classification, fungsi ini bertujuan untuk menyimpulkan beberapa definisi karakteristik dari sebuah grup. Misalnya, pelanggan perusahaan yang sudah berpindah karena tersaingi oleh perusahaan lain.
4. Clustering, adalah identifikasi kelompok dari produk-produk atau barang-barang yang memiliki karakteristik khusus.
5. Association, merupakan identifikasi hubungan dari kejadian-kejadian yang sudah terjadi di suatu waktu.
6. Sequencing, sequencing berfungsi untuk identifikasi hubungan-hubungan berbeda di sebuah periode waktu tertentu. Contohnya, para pelanggan yang berkunjung di supermarket secara berulang.
7. Forecasting, Fungsi ini bertujuan untuk memperkirakan nilai di suatu masa di masa mendatang sesuai dengan pola-pola dengan kumpulan data dalam jumlah besar. Contohnya, peramalan permintaan pasar.
Baca Juga: Pengertian Klasifikasi Data, Aspek, Metode, dan Variabelnya
Tujuan Data Mining
Data mining dilakukan untuk memenuhi beberapa tujuan tertentu di antaranya,
1. Sebagai sarana menjelaskan (Explanatory). Data mining dapat digunakan sebagai sarana untuk menjelaskan suatu kondisi penelitian.
2. Sebagai sarana konfirmasi (Confirmatory). Data mining dapat digunakan sebagai sarana untuk memastikan sebuah pernyataan atau mempertegas suatu hipotesis.
3. Sebagai sarana eksplorasi (Exploratory). Data mining dapat digunakan sebagai sarana untuk mencari pola baru yang sebelumnya tidak terdeteksi.
Metode Data Mining
Data mining merupakan salah satu bagian sistem informasi yang menyediakan perencanaan mulai dari ide sampai implementasi akhir. Berikut beberapa metode yang digunakan dalam data mining di antaranya,
1. Analisa Masalah
Data sumber yang digunakan harus dapat ditaksir untuk dilihat sudah memenuhi kriteria atau belum. Kualitas kelimpahan data merupakan faktor yang utama dalam memutuskan sebuah data cocok serta tersedia sebagai tambahan. Melalui pengumpulan data hasil yang diharapkan dilakukan secara hati-hati sehingga dapat dimengerti dan membawa informasi untuk diekstrak.
2. Ekstrak dan Membersihkan Data
Data untuk pertama kalinya diekstrak dari aslinya yang berupa OLTP basis data, Microsoft Acces Database, text file serta dari spreadsheet. Kemudian data diletakkan pada sebuah warehouse yang memiliki struktur sesuai data model secara khas. Data Transformation Service dipergunakan dalam mengekstrak serta membersihkan data dari yang tidak kompatibel maupun tidak konsisten.
3. Validitas Data
Data yang sudah diekstrak serta dibersihkan maka akan membantu Anda menelusuri model yang sudah Anda ciptakan sehingga dapat dipastikan semua data yang ada merupakan data terkini dan tetap.
4. Membuat dan Melatih Model
Saat algoritma diterapkan untuk model dan struktur yang sudah dibangun, maka Anda bisa melihat data yang sudah dibangun untuk memastikan data tersebut menyerupai fakta dalam data sumber.
5. Query Data dari Model Data Mining
Saat model yang sudah cocok diciptakan serta dibangun, maka data yang sudah dibuat dapat mendukung keputusan. Hal tersebut biasanya akan melibatkan penulisan front end query pada aplikasi basis data.
6. Evaluasi Validitas
Sesudah model data mining berhasil dikumpulkan, dalam beberapa waktu karakteristik data awal seperti validitas dan granularitas kemungkinan akan berubah. Sebab model data mining bisa terus mengalami perubahan mengikuti perkembangan waktu.
Tahapan Data Mining
Halnya penambangan emas, pastinya harus melakukan beberapa tahapan agar butiran batu mentah biasa bisa berubah menjadi emas berharga. Berikut beberapa tahapan dalam data mining di antaranya,
1. Pembersihan data (data cleaning)
Dalam proses menambang emas, tahap awal yang dilakukan adalah dengan mencari batu atau lumpur yang sekiranya bisa diolah menjadi emas yang bagus. Dalam proses tersebut, pasti menemukan satu atau bahkan mencapai puluhan batu yang kurang layak untuk diproses. Sehingga batu-batu itu perlu dibuang.
Begitu juga penerapannya dalam tahapan data mining. Sebelum diproses dan dibentuk menjadi sebuah knowledge, data yang ada harus dibersihkan terlebih dahulu. Jika ada yang mengandung eror, maka data-data tersebut harus dibuang. Sehingga tersisa data yang ‘bagus’ untuk diolah dalam tahap selanjutnya.
Baca Juga: Pengertian Data Cleansing, Penyebab, Kriteria, Cara, Proses, dan Manfaatnya
2. Integrasi data (data integration)
Langkah kedua dalam tahapan data mining adalah integrasi data. Setelah menemukan batu-batu yang cocok, selanjutnya penambang akan mulai mengkombinasikan untuk dijadikan batangan emas atau bentuk emas lainnya. Dalam data mining, data yang berhasil dibersihkan juga akan diintegrasi.
3. Transformation
Seperti bentuk emas yang berbeda-beda, maka proses pembentukannya juga akan berbeda. Begitu juga dengan data, dalam tahap transformation data akan dipilih dan diubah formatnya agar sesuai dengan teknik atau metode yang dipakai. Pada tahap ini pula kualitas data mining akan terlihat.
4. Data mining
Tahapan data mining selanjutnya adalah proses penambangan data itu sendiri. Perlu penentuan metode penambangan yang tepat.
5. Evaluasi pola (pattern evaluation)
Setelah bahan mentah emas selesai diolah, maka perlu diuji juga apakah sudah sesuai dengan standar kualitasnya atau belum. Baru setelah itu bisa didistribusikan ke toko emas dan di-display kepada pelanggan.
Setelah selesai melakukan proses data mining, pola-pola yang dihasilkan dari proses tersebut perlu untuk dievaluasi. Tujuan dari dilakukannya evaluasi adalah untuk menguji hipotesis awal. Setelah teruji data bisa dipresentasikan kepada pengguna.
Penerapan Data Mining
Berikut beberapa penerapan data mining dalam beberapa sektor industri di antaranya,
1. Bisnis
Dalam sektor bisnis, biasanya data mining digunakan untuk pemasaran, analisis pasar, dan analisis kebutuhan pelanggan.
a. Pemasaran. Data mining digunakan untuk mengidentifikasi karakteristik dan memprediksi perilaku pelanggan.
b. Analisis pasar. Dalam analisis pasar data mining digunakan untuk menemukan korelasi antara satu produk yang dijual dengan produk lainnya. Sehingga, penjual dapat melakukan strategi untuk meningkatkan penjualan.
c. Analisis kebutuhan pelanggan. Data mining digunakan dalam mengidentifikasi produk yang menarik untuk pelanggan. Selain itu, ia juga digunakan dalam memprediksi faktor apa yang dapat menarik pelanggan baru.
2. Edukasi
Dalam sektor edukasi, data mining membantu untuk memahami karakteristik masing-masing siswa. Hal ini bertujuan untuk mengetahui pola pembelajaran terbaik yang dapat diterapkan dalam sesi pembelajaran.
3. Asuransi
Dalam sektor asuransi, data mining digunakan untuk memahami minat dan kebutuhan nasabah. Sehingga, perusahaan asuransi bisa memberikan penawaran yang menarik bagi nasabah. Selain itu, perusahaan asuransi menggunakan data mining untuk mendeteksi penipuan dan risiko pada pengajuan klaim asuransi.
4. Perbankan
Dalam sektor perbankan, data mining digunakan untuk memprediksi seberapa besar kemungkinan nasabah tidak dapat melunasi pinjaman. Hal ini dilakukan untuk meminimalisir risiko kerugian.
Manfaat Data Mining
Secara teknis, metode ini memang tidak lepas dari ilmu komputer dan kecerdasan buatan. Tetapi ternyata manfaatnya bisa dirasakan dalam berbagai bidang lainnya, termasuk bisnis dan pemasaran. Berikut sejumlah manfaat data mining di antaranya,
1. Mengetahui tren
2. Metode untuk memprediksi keputusan bisnis di masa depan
3. Mengetahui produk yang dibeli bersamaan
4. Mengamati perilaku konsumen
5. Model sebagai sarana menyusun strategi peningkatan penjualan
Dari berbagai sumber
Post a Comment