MATKUL : DATA MINNING

LATIHAN 1

1.Jelaskan dengan kalimat sendiri apa yang dimaksud dengan data mining?

2. Sebutkan sudut pandang multidimensi dari data mining!

JAWAB :

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.
Database yang memodelkan data sebagai fakta, dimensi,dan numerik untuk menganalisis data dalam jumlah besar, tujuannya untuk mengambil keputusan.contohnya adalah InterSystems Cathe, ContourCube, dan Cognoa PowerPlay.

LATIHAN 2

Apa Perbedaan Interval dengan rasio, dan berikan contohnya dan jelaskan!. . .
JAWAB :

- interval termasuk dalam kelompok data kuantitatif dengan tingkat pengukuran yang lebih tinggi dari pada data nominal maupun ordinal. memiliki nilai nol yang mutlak dengan membedakan kategorinya jarak tertentu dengan jarak antar kategorinya sama.
contohnya : Rata – rata tinggi badan berdasarkan usia, untuk anak – anak yang berusia 6 – 12 memiliki rata – rata tinggi badan 130 – 145 cm, untuk remaja yang berusia 13 – 18 memilikirata – rata tinggi badan 146 – 160 cm, dan untuk dewasa yang berusia 19 – 26 cm memiliki rata – rata tinggi badan 161 – 199 cm.

- rasio rasio merupakan tipe data dengan level pengukuran yang paling tinggi dibandingkan dengan tipe data lain. Data ini termasuk dalam kelompok data kuantitatif. Angka yang digunakan pada data ini menunjukkan angka yang sesungguhnya, bukan hanya sebagai symbol dan memiliki nilai nol yang sesungguhnya atau mutlak . Pada data ini, dapat dilakukan berbagai operasi matematika. seperti, datanya dpat dikalikan atau dibagi.
Contoh : Berat bayi dimana bayi A beratnya adalah 3, B adalah 2, dan C adalah 1, jika dilihat menggunakan skala rasio berat badan bayi A tiga kalilipat dari berat badan bayi C, berat badan bayi B dua kalilipat dari C.

LATIHAN 3

Perbedaan Diskrit dengan Kontinyu, dan berikan contohnya dan jelaskan!. . .
JAWAB :
Atribut DISKRIT adalah atribut yang memiliki himpunan nilai-nilai yang berhingga atau nilai-nilai tak-hingga tetapi yang bisa dihitung, yang mungkin disajikan dalam bentuk integer atau mungkin juga bukan integer atau blangan bulat.
CONTOH :
atribut ID pelanggan adalah tak-hingga tetapi bisa dihitung/dibilang. Jumlah pelanggan dapat tumbuh hingga tak-hingga, tetapi dalam kenyataannya, kumpulan nilai-nilainya bisa dihitung/dibilang (di mana nilai-nilainya dapat ditempatkan ke dalam relasi satu demi satu dengan himpunan bilangan bulat.

Atribut KONTINYU adalah data yang diperoleh dengan cara mengukur dengan cara dalam bentuk bilangan bulat maupun pecahan . nilai - nilai kontinyu dapat menghasilkan nilai numerik yang dapat berupa integer atau bilangan real.
CONTOH :
kalau kita mendapatkan hasil pengukuran dengan cara mengukur, misalnya berapa jarak ujung dinding A ke ujung dinding B? Hasil yang didapatkan adalah dengan cara mengukur misalnya menggunakan alat pengukur dan hasil yang didapatkan, misalnya, adalah 10,5 meter.

LATIHAN 4

Sebutkan 5 peran utama data mining!
Jelaskan perbedaan estimasi dan prediksi!
Jelaskan perbedaan prediksi dan klasifikasi!
Jelaskan perbedaan klasifikasi dan klastering!
Jelaskan perbedaan klastering dan association!
Jelaskan perbedaan estimasi dan klasifikasi!
Jelaskan perbedaan estimasi dan klastering!
Jelaskan perbedaan supervised dan unsupervised learning!
Sebutkan tahapan utama proses data mining!
JAWAB :

1. 5 peran utama data mining :
- Estimation (estimasi)
- Prediction (prediksi)
- Classification (klasifikasi),
- Clustering (pengelompokan)
- Association (asosiasi)

2. ESTIMASI adalah Proses untuk menemukan suatu karakteristik penting dari data dalam suatu basis data dengan cara menduga atau menebak dari sebuah nilai yang belum diketahui. sedangkan,
PREDIKSI adalah Proses untuk menemukan jenis, pola atau nilai dari data dengan memperkirakan hal tersebut yang belum diketahui untuk masa mendatang.

3. PREDIKSI sama dengan klasifikasi dan estimasi yang membedakannya hanya hasil dalam prediksi yang terjadi dimasa yang akan datang. sedangkan, KLASIFIKASI adalah proses penemuan model/fungsi yang menjelaskan atau membedakan konsep/kelas data untuk mendeskripsikan data yang penting serta dapat meramalkan kecenderungan data pada masa depan.

4. KLASIFIKASI adalah yang menggunakan data dengan target/class/label berupa nilai kategorikal (nominal), Mode Data Mining memeriksa set record yang besar, dimana setiap record memiliki informasi variabel target dan set input. Sedangkan,
KLASTERING adalah Pengelompokan data, record, observasi atau kasus ke dalam objek-objek yang mirip dan memiliki perbedaan bila dibandingkan dengan data dari klaster lain.
didalam clustering tidak terdapat variabel/tidak memiliki target/class/label.

5. KLASTERING adalah pengelompokan data, hasil observasi dan kasus ke dalam class yang mirip antara satu dengan yang lain, dan memiliki perbedaan bila dibandingkan dengan data dari klaster lain. Sedangkan,
ASOSIASI adalah suatu tugas untuk menemukan atribut yang “muncul bersamaan” yang mencoba menemukan aturan untuk menjumlahkan/membandingkan hubungan antara dua atau lebih atribut.

6. ESTIMASI adalah algoritma yang menggunakan data dengan target/class/label berupa bilangan numerik (kontinyu) dan bukan kategorikal (nominal atau diskrit). Estimasi nilai dari variable target ditentukan berdasarkan nilai dari variabel prediktor (atribut). Sedangkan,
KLASIFIKASI adalah algoritma yang menggunakan data dengan target/class/label berupa nilai kategorikal (nominal)
Contoh, apabila target/class/label adalah pendapatan, maka bisa digunakan nilai nominal (kategorikal) sbb: pendapatan besar, menengah, kecil

7. ESTIMASI adalah algoritma yang menggunakan data dengan target/class/label berupa bilangan numerik (kontinyu) dan bukan kategorikal (nominal atau diskrit). Estimasi nilai dari variable target ditentukan berdasarkan nilai dari variabel prediktor (atribut). Sedangkan, dan KLASTERING adalah pengelompokkan data, hasil observasi dan kasus ke dalam class yang mirip, klastering tidak memiliki target/class/label.

8. Supervised learning adalah algoritma yang paling sering digunakan dalam dunia data science dibandingkan dengan unsupervised learning. algoritma data mining yang termasuk adalah (estimasi, prediksi, klasifikasi)
Perbedaan kedua algoritma tersebut terletak pada cara belajar untuk membuat suatu prediksi maupun klasifikasi. Dalam supervised learning, algoritma tersebut seolah-olah dilatih terlebih dahulu agar dapat melakukan prediksi maupun klasifikasi. Sedangkan, pada unsupervised learning, untuk melakukan prediksi maupun klasifikasi mereka tidak perlu dilatih terlebih dahulu. Sehingga dapat dikatakan bahwa supervised learning membutuhkan data training agar mampu melakukan prediksi maupun klasifikasi. algoritma data mining yang termasuk adalah klastering

9. Tahapan utama proses data mining :
A. Input (Dataset)
B. Metode (Algoritma Data Mining)
C. Output(Pola/Model/Knowledge)
D. Evaluasi (Akurasi, Error, DLL)