1 / 18

Data Mining

Data Mining. Arrianto Mukti Wibowo, 2003 Sumber penulisan: Turban & Aronson, “Decision Support Systems and Intelligent Systems”, chap. 4 Robert Groth, “Data Mining: Building Competitive Advantage”, chap 2. Alasan. Dulu analisa data dilakukan dengan cara memasukkannya ke dalam model.

ciaran-oneil
Download Presentation

Data Mining

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Data Mining Arrianto Mukti Wibowo, 2003 Sumber penulisan: Turban & Aronson, “Decision Support Systems and Intelligent Systems”, chap. 4 Robert Groth, “Data Mining: Building Competitive Advantage”, chap 2

  2. Alasan • Dulu analisa data dilakukan dengan cara memasukkannya ke dalam model. • Hubungan antar variabel jelas! • Tapi ada kasus, kita tidak tahu hubungan antar variabel…

  3. Data Mining • Term used to describe knowledge discovery in databases. • Includes: • Knowledge extraction • Data pattern processing, etc. • Automatic discovery even by non-programmers

  4. Karakteristik • Sumber data terkubur dalam data historis yang besar. • Usernya kebanyakan adalah end-user. • Karena ukuran data historis yang besar, sering menggunakan paralel processing. • Sering menghasilkan “unexpected result”, hasil yang tak disangka-sangka…

  5. Beberapa Aplikasi • Analisa kebangkrutan: • Menggunakan neural net untuk menganalisa performa keuangan perusahaan, dan memprediksi kebangkrutannya • Help-desk application: • Menggunakan case based reasoning (seperti expert system), untuk menemukan kasus serupa yang pernah terpecahkan masalahnya dari sekitar 50.000 kasus sebelumnya.

  6. Common types of information from data mining • Classification • Clustering • Association • Sequencing • Forecasting

  7. Classification • Infers the defining characteristics of a certain groups • Example: customers who have been lost to competition • Istilah penting: • Study: ruang lingkup data mining • Goal: pertanyaan tanpa harus ada korelasi antar variabel

  8. Contoh goal di sebuah perusahaan telco: “I want to understand what makes customers likely to keep being my customers or leave” • Dataset yang tersedia dibeberkan sampai ke tingkat customer, dengan atribut • Customer ID • Cust_Type: loyal, lost (dependant variable) • Time_used: penggunaan telepon per bulan average • Survey_result: hasil feedback form • Type_service: jenis layanan yang dipakai • Area: lokasi customer • Trend penggunaan telepon

  9. Clustering • Unsupervised learning: we do not tell the computer anything about the variables • Process of dividing a set of data into distinctive groups. • Sangat berguna untuk memahami karakeristik pelanggan • Clusters are generated automatically • Kita bisa menentukan signifikansi dari setiap cluster

  10. Example: Clustering of Car Sales Cluster 1 Income: High Children: 1 Car: Luxury Cluster 4 Income: Medium Children: 2 Car: Sedan Cluster 3 Income: Medium Children: 3 Car: MPV Cluster 2 Income: Low Children: 0 Car: Compact

  11. Example: Price vs Product-Line High Price McDonalds Lotus KFC Ichiban Limited menu variety More menu variety Warteg TaKorFISIP UI Mie Ayam Low Price

  12. Association (Market Basket) • Terutama dipakai untuk menentukan, “Kalau customer membeli produk A, maka kemungkinan produk B terbeli juga adalah …%” • Contoh: • Cereal dengan susu • DVD player dengan piringan film DVD • Tapi asosiasi juga bisa untuk menganalisa hal lain seperti: • Hubungan antara demografi dengan produk terjual

  13. Assortment Optimization • Proses menentukan produk-produk apa yang akan kita jual • Semakin beraneka, harusnya semakin menguntungkan • Tapi semakin beraneka, akan ada yang saling mensubtitusi  keuntungan berkurang • Padahal semakin beraneka produk yang dijual, carrying cost dan COGS makin besar.

  14. Sales volume & cost vs. product variety Sales Cost Gross Margin Dollars Variety of products

  15. Padahal kita harus menentukan produk mana yang akan kita • Tambahkan • Hilangkan Dari etalase kita • Masing-masing memiliki dampak pada sales dan biaya • Harus dicari titik yang paling menguntungkan!

  16. Sequencing • Mirip dengan asosiasi, tetapi berkaitan dengan waktu • Misalnya: • Kunjungan berulang ke sebuah gerai/toko/supermarket dalam waktu yang berbeda

  17. Text Mining • Serupa dengan “text retrieval”

  18. Tips dalam Data Mining • Anda harus memahami domain masalah • Sangat dianjurkan untuk memahami statistik • Tidak mungkin membuat implementasi dan mengoperasikan data mining dengan benar, tanpa memahami domain masalah. • Mengapa?

More Related