Aplikasi dan Kecenderungan dalam Data Mining

1
Aplikasi dan Kecenderungan dalam Data Mining

• Aplikasi data mining
• Sistem produk dan protetipe riset data mining
• Tema tambahan pada data mining
• Dampak tentang data mining
• Kecenderungan yang terdapat pada data mining
• Ringkasan

2
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 (yang tercantum pada bab
  ini)
• Biomedical dan analisa data DNA
• Analisa data keuangan
• Industri penjualan eceran
• Industri telekomunikasi

3
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

4
Contoh Analisa 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
• Penggambaran alat bantu dan analisa data genetik

5
Data Mining pada 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

6
Keuangan Data Mining

• Penggolongan dan pengelompokan pelanggan untuk
  target pemasaran
• Segmentasi multidimensional berdasarkan metode
  terdekat, penggolongan, alur keputusan, dan lain
  lain untuk mengidentifikasi penggolongan
  persediaan sekelompok pelanggan atau pelanggan
  baru
• Mendeteksi pencucian uang dan kejahatan keuangan
  lain
• pengintegrasian dari berbagai DBs ( sebagai
  contoh, transaksi bank, DBs sejarah kejahatan
  federal/negara)
• Alat bantu data gambar, analisa pertalian,
  penggolongan, alat penggabungan, analisa orang
  asing, dan analisa pola alat percontohan
  (ditemukan urutan akses secara tidak biasa)

7
Data Mining pada Industri 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

8
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

9
Data Mining pada Industri Telekomunikasi ( 1)

• Perkembangan yang sangat cepat dan industri yang
  sangat kompetitif dan permintaan yang besar untuk
  data mining
• Memahami bisnis yang terlibat
• Mengidentifikasi pola telekomunikasi
• Menangkap aktivitas curang
• Mempergunaan sumber daya secara lebih baik
• Meningkatkan mutu dari layanan
• Analisa multidimensional dari data telekomunikasi
• Hakekat multidimensional tempo pemanggilan,
  jangka waktu, lokasi dari pemanggil, jenis
  panggilan, dan lain lain

10
Data Mining pada Industri Telekomunikasi ( 2)

• 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

11
Bagaimana cara memilih suatu Sistem Data Mining?

• Secara komersil sistem data mining mempunyai
  sedikit kesamaan
• Perbedaan kemampuan atau metodologi Data Mining
• Dapat bekerja dengan bermacam-macam data yang
  berbeda
• Memerlukan berbagai pandangan yang dimensional
  dalam pemilihan
• Jenis data relational, tanggapan, teks, urutan
  waktu, ruang?
• Isu sistem
• Hanya berjalan pada satu atau beberapa sistem
  operasi?
• Arsitektur client/server?
• Menyediakan tampilan berbasis Web dan mengijinkan
  data XML sebagai masukan atau keluaran?

12
Bagaimana cara memilih suatu Sistem Data Mining?
( 2)

• Sumber data
• File teks ASCII, berbagai sumber data relational
• Mendukung koneksi ODBC ( OLE DB, JDBC)?
• Fungsi dan metodologi Data mining
• Satu melawan berbagai fungsi data mining
• Satu melawan berbagai macam variasi perfungsi
• Fungsi lain data mining dan metoda perfungsinya
  menyediakan pengguna dengan analisa dan
  fleksibilitas yang lebih besar
• Menggabungkan dengan DB dan/atau sistem data
  gudang
• Empat format penggabungan tidak ada
  penggabungan, penggabungan lepas, penggabungan
  semi ketat, dan penggabungan ketat
• Idealnya, suatu sistem data mining harus di
  gabungkan dengan ketat dengan suatu sistem
  database

13
Bagaimana cara memilih suatu Sistem Data Mining?
( 3)

• Scalabilitas
• Scalabilitas perbaris ( atau ukuran database)
• Scalabilitas perkolom ( atau dimensi)
• Kutukan dari dimensionalitas jauh lebih
  menantang untuk membuat suatu skala sistem kolom
  dari pada skala sistem baris
• Alat bantu gambar
• "Suatu gambar dapat berharga seribu kata-kata
• Kategori penggambaran data gambar, hasil
  gambaran, proses penggambaran, dan gambaran data
  mining
• Bahasa query pada Data mining dan tampilan grafis
  pengguna
• Mudah digunakan dan grafis yang berkualitas
  tinggi
• Pentingnya buku pedoman, data mining yang sangat
  interaktip

14
Contoh Sistem Data Mining ( 1)

• Miner IBM yang cerdas
• Suatu cakupan luas dari algoritma data mining
• Skala algoritma data mining
• Alat bantu algoritma jaringan neural, metode
  statistik, persiapan data, dan alat bantu
  penggambaran data gambar
• Pengintegrasian yang ketat IBM dengan relational
  sistem database DB2
• Perusahaan SAS miner
• Berbagai alat bantu analisa yang statistik
• Alat bantu data gudang dan berbagai data
  algoritma mining
• Microsoft SQLServer 2000
• Mengintegrasikan DB dan OLAP dengan mining
• Mendukung OLEDB untuk DM standard

15
Contoh Sistem Data Mining ( 2)

• Sgi Mineset
• Berbagai algoritma dan statistik tingkat lanjut
  data mining
• Alat bantu penggambaran tingkat lanjut
• Clementine (SPSS)
• Pengembangan lingkungan data mining yang
  terintegrasi untuk pengguna akhir dan pengembang
• Berbagai algoritma data mining dan alat bantu
  penggambaran
• DBMiner ( DBMiner Teknologi Inc.)
• Berbagai modul data mining analisa OLAP
  discovery-driven, asosiasi, penggolongan, dan
  pengelompokan
• efisien, Asosiasi dan sequential-pattern fungsi
  mining, dan alat penggolongan visuil
• Mining antara database relational dan data gudang

16
Visuallisasi Data Mining

• Visualisasi penggunaan grafik komputer untuk
  menciptakan gambaran visuil yang membantu
  pemahaman yang ruwet, penyajian presentasi data
  yang kokoh
• Visualisasi Data mining proses menemukan
  kandungan yang tersembunyi dapat menjadi
  pengetahuan yang bermanfaat khususnya dari data
  yang besar dengan menggunakan teknik visualisasi

17
Visualisasi

• Tujuan visualisasi
• Memperoleh masukan ruang informasi dengan
  mempetakan data ke dalam grafis sederhana
• Menyediakan ikhtisar yang kwalitatif dari data
  yang besar
• Mencari contoh pola, kecenderungan, struktur,
  ketidakteraturan, hubungan antar data.
• Bantuan untuk menemukan daerah menarik dan
  parameter yang pantas untuk analisis kuantitatif
  lebih lanjut.
• Menyediakan suatu bukti yang visuil tentang
  memperoleh penyajian komputer

18
Visualisasi Data Mining Visualisasi Data

• Pengintegrasian dari visualisasi data mining
• Visualisasi data
• Hasil Visualisasi data mining
• Proses visualisasi data mining
• Visualisasi data mining yang interaktip
• Visualisasi data
• Data dalam database atau data gudang terlihat
• Pada tingkat abstrak yang berbeda
• Sebagai kombinasi yang berbeda tentang atribut
  atau dimensi
• Data dapat dipersentasikan dalam berbagai format
  visual

19
Hasil Visualisasi Data Mining

• Presentasi dari hasil atau pengetahuan yang
  diperoleh dari format visual data mining
• Contoh
• Menyebar alur cerita dan boxplots (yang diperoleh
  dari data mining)
• Alur keputusan
• Aturan Asosiasi
• Kelompok
• Asing
• Aturan disamaratakan

20
Boxplots dari Statsoft Berbagai Combinasi
Variabel
21
Visualisasi dari Data Mining pada Perusahaan SAS
Miner Menyebaran Plots
22
Visualisasi dari Peraturan Asosiasi SGI/MineSet
3.0