Penerapan Kasus Pada
Data Mining
Pertumbuhan data yang ekplosif disimpan dalam
database-database sementara yang bersifat operasional. Dengan berjalannya
waktu, database tersebut menjadi gudang data atau lebih dikenal dengan data
warehouse. Di dalam data warehouse ini tersimpan banyak sekali data yang telah
direkap setiap harinya. Melalui data-data ini lah terdapat informasi yang harus
digali untuk menunjang proses bisnis yang ada dalam menjalankan visi misi
perusahaan.
Dibutuhkan suatu teknik untuk menggali informasi yang terdapat
pada data warehouse tersebut. Lahirlah data mining, yaitu suatu teknik untuk
meng-ekstrasi suatu pola dari data. Data mining diterapkan dengan paradigma
untuk melihat informasi yang tersembunyi. Proses pencarian ini dilakukan secara
otomatis terhadap pola dalam data dengan jumlah besar dengan menggunakan
teknik-teknik seperti klasifikasi, clustering, dll. Data mining adalah suatu
multidisiplin ilmu yang kompleks dan beririsan dengan ilmu lain seperti
statistika, database, information retrieval, machine learning, pattern
recognition, algoritma dan ilmu lainnya.
Data mining yang diartikan sebagai penggalian data merupakan suatu
proses pencarian otomatis terhadap pola dalam data yang melibatkan data dalam
jumlah besar dengan menggunakan perangkat seperti clustering, pengelompokan,
dll. Data mining diterapkan dengan tujuan untuk menemukan informasi yang
“tersembunyi” didalam data, oleh sebab itu data mining juga dikenal dengan nama
Knowledge Discovery in Database (KDD)
Sebagai contoh kasus data mining yang terjadi yaitu data transaksi
disebuah supermarket dapat berjumlah ribuan dalam periode singkat dan terus
bertambah. Seringkali perusahaan hanya membiarkan data tersebut menggunung
untuk laporan transaksi, tetapi dengan data mining kita dapat menggali
informasi yang sangat berharga dari data tersebut, misalnya asosiasi
antar produk yang dapat digunakan untuk menentukan tata letak produk, dapat
juga digunakan untuk menentukan daftar barang yang telah kadaluarsa.
Sebagai contoh lain kasus data mining yaitu misalnya
dalam bidang pemasaran, sebelum sebuah perusahaan mengeluarkan suatu produk
baru kepasaran, perusahaan tersebut harus memiliki informasi tentang
kecenderungan pelanggan untuk membeli produk yang akan di keluarkan. Perkiraan
(hypothesis) dapat disusun untuk mengidentifikasikan pelanggan yang potensial
dan karakteristik dari pelanggan yang ada. Data-data tentang pembelian
pelanggan sebelumnya dan data tentang keadaan pelanggan, dapat digunakan untuk
melakukan perbandingan antara pembelian dan karakteristik pelanggan untuk
menetapkan dan menguji target yang telah diperkirakan sebelumnya. Dari
keseluruhan operasi yang ada selanjutnya dapat dilakukan penyaringan dengan
cermat sehingga jumlah perkiraan (hypothesys) yang sebelumnya banyak akan
menjadi semakin berkurang sesuai dengan keadaan yang sebenarnya.Permasalahan
utama dengan model ini adalah tidak ada informasi baru yang dapat dibuat, melainkan
hanya pembuktian atau melemahkan perkiraan (hypothesys) dengan data-data yang
ada sebelumnya. Datadata yang ada pada model ini hanya digunakan untuk
membuktikan mendukung perkiraan (hypothesis) yang telah diambil sebelumnya.
Jadi model ini sepenuhnya tergantung pada kemampuan user untuk melakukan
analisa terhadap permasalahan yang ingin digali dan diperoleh informasinya.
0 comments:
Post a Comment