Pada artikel sebelumnya, saya sudah membahas terkait peran data mining dalam dunia informatika. Jika kita flashback ke pembahasan sebelumnya mengenai Evolution of Sciences :
- Sebelum 1600 : Empirical science (disebut sains kalau bentuknya kasat mata).
- 1600-1950 : Theoritical science (disebut sains kalau bisa dibuktikan secara matematis atau eksperimen).
- 1950s-1990 : Computational science (seluruh disiplin ilmu bergerak ke komputasi, lahirnya banyak model komputasi, datangnya data mining sebagai arus utama sains).
Nah sekarang, mari kita bahas terkait data mining dan bidang lain.
Data mining sangat berperan penting sehingga memiliki keterkaitan atau hubungan dengan bidang lain yang diantaranya Pattern Recognition, Machine Learning, Statistic, Computing Algorithms, dan Database Technology. Hubungan-hubungan tersebut dapat memudahkan proses pemecahan permasalahan baik dalam bentuk persoalan data maupun yang lainnya.
Disamping itu, terdapat beberapa permasalahan-permasalahan dalam data mining yaitu Tremendous amount of data (datanya besar), High-dimensionality of data (atributnya banyak), High complexity of data (datanya beranekaragam), yang terakhir New and sophisticated applications (proses penerapannya). Dari beberapa permasalahan-permasalahan tersebut tidak menutup bahwa data mining berperan penting dalam dunia kehidupan masyarakat seperti di dunia pendidikan, dunia bisnis, dan lain sebagainya.
Maka dari itu terdapat 5 peran utama data mining yaitu :
1. Estimasi. Estimasi merupakan sesuatu yang berhubungan dengan waktu, atribut dan kelasnya berupa numerik yang berarti dapat dihitung. Contohnya Estimasi Waktu Pengiriman Pizza.
2. Forecasting . Dimana atribut dan kelasnya numerik, bedanya dengan Estimasi ada salah satu atributnya berbentuk time series. Contohnya Forecasting Cuaca
3. Klasifikasi. Dimana atributnya boleh nominal atau numerik, tetapi kelasnya atau labelnya harus nominal. Contohnya Data Kelulusan Mahasiswa.
4. Klastering. Didalam Klastering tidak ada label, contohnya Klastering Jenis Pelanggan.
5. Asosiasi. Pada Asosiasi ini memfokuskan pada hubungan antar atribut. Aturan asosiasi atau Algoritma association rule adalah algoritma yang menemukan atribut yang muncul secara bersamaan. Algoritma association rule diantaranya adalah Apriori algorithm, FP-Growth algorithm, GRI algorthm.
Pada penjelasan mengenai peran utama data mining diatas membahas nominal dan numerik. Nominal adalah segala sesuatu yang tidak dapat dihitung oleh angka, hanya berupa data. Beda hal nya dengan numerik, numerik dapat dihitung oleh angka. Maka dari itu, ada 2 tipe data yang harus kita ketahui lebih dulu yaitu :
1. Measurement : Ratio dan Interval merupakan numerical (kontinyu)
2. Counting : Ordinal dan Nominal merupakan Categorical (diskrit)
Setelah mengetahui peran utama, selanjutnya terdapat 3 Metode Learning Algoritma dalam data mining serta penerapan dalam kehidupan manusia. Berikut metode serta penerapannya :
1. Supervised Learning datanya menggunakan kelas dan ada labelnya.
2. Semi Supervised Learning ada data yang sebagian punya kelas ada juga sebagian yang gapunya kelas
3. Unsupervised Learning yang data tidak mempunyai kelas.
Penerapan dalam kehidupan manusia :
- Penentuan kelayakan kredit pemilihan rumah di bank.
- Penentuan pasokan listrik PLN untuk wilayah Jakarta.
- Prediksi profile tersangka koruptor dari data pengadilan.
- Perkiraan harga saham dan tingkat inflasi.
- Analisis pola belanja pelanggan.
- Memisahkan minyak mentah dan gas alam.
- Penentuan pola pelanggan yang loyal pada perusahaan operator telepon.
- Deteksi pencucian uang dari transaksi perbankan.
- Deteksi serangan (intrusion) pada suatu jaringan.
Sekian penjelasan mengenai Data Mining dan Hubungan Bidang Lain yang sudah saya rangkum secara umum pada pertemuan perkuliahan Data Mining. Semoga artikel ini dapat bermanfaat bagi pembacanya.