Implementasi Data Mining

Hai sobat semua, pernah nggak sih terbesit di pikiran kalian, kenapa kalo kita main di Alfamart, Indomart atau minimarket laiinya, terkadang kita ngejumpain posisi, formasi, atau tata letak yang berubah-ubah. Apakah itu hanya kebetulan saja? Atau mereka merubah posisi tata letak itu hanya untuk alasan agar pelanggan tidak bosan? Ternyata tidak hanya alasan seperti itu sobat. 

Setelah pihak mini market tahu, bahwa banyak dari pelanggan mereka yang membeli beras di tanggal sekitar 25-30 di setiap bulannya, maka mereka akan menampilkan beras di tempat mereka mudah untuk dilihat oleh pelanggan. Darimanakah mereka tahu keadaan seperti itu? Yap, Data Mining lah jawabannya.

Dikutip dari wikipedia, Data Mining atau Penggalian Data adalah ekstraksi pola yang menarik dari data dalam jumlah yang besar. Data dengan jumlah yang besar tersebut akan diekstrasi sehingga dapat dijadikan sebuah informasi. Maka tidak heran, apabila seperti penjelasan di atas, pihak minimarket bisa mengetahui kebiasaan pelanggan yang biasa membeli beras di akhir bulan. Dikutip dari Beyonder.asia, data mining digambarkan seperti penambangan logam mulia dari suatu sumber.

Data mining meliputi berbagai bidang, mulai dari pemasaran, kesehatan, bank, asuransi, pendidikan, dan lain sebagainya. Dalam hal pemasaran, data mining dapat membantu mengidentifikasi pembelian yang dilakukan konsumen. Contoh: Bila Budi membeli mie instant dengan jumlah yang banyak, maka dia akan membeli juga saus dan kecap. Hal ini membantu para pemakai data mining menemukan jawaban atas pertanyaan-pertanyaan yang tidak pernah mereka pikirkan sebelumnya.

Secara umum, data mining mengidentifikasi empat jenis pola utama:

1. Association: untuk menemukan pengelompokan hal-hal yang biasanya terjadi secara bersamaan, seperti bedak, susu dan popok bersamaan dalam analisa keranjang belanja (market-basket analysis)

2. Predictions: menjelaskan sifat dasar kejadian di masa mendatang terhadap peristiwa-peristiwa tertentu berdasarkan apa yang telah terjadi di masa lalu, seperti memprediksi pemenang 'Premier League' atau pemenang Pemilu 2019.

3. Clusters: mengidentifikasi pengelompokkan hal-hal berdasarkan karakter-karakter yang sudah diketahui, seperti mengelompokkan pelanggan dalam segment-segment yang berbeda berdasarkan demographis dan perilaku pembelian di masa lalu.

4. Sequential relationships : menemukan rangkaian peristiwa-peristiwa, misalnya memprediksi bahwa seorang nasabah bank yang sudah memiliki akun untuk checking akan segera membuka akun untuk savings dan kemudian akan membukukan akun investment dalam setahun kemudian.

Referensi: 
- https://id.wikipedia.org/wiki/Penggalian_data#cite_note-1
- https://beyonder.asia/pengertian-fungsi-proses-dan-tahapan-data-mining/
- Kadir, Abdul. 2014. Pengenalan Sistem Informasi. Yogyakarta: Penerbit Andi.