Know Your Data (Objek, Visualisasi, Jenis Atribut Data, KDD)

Berikut adalah beberapa kategori metode visualisasi yang dapat digunakan dalam memvisualisasi data :

• Teknik visualisasi berorientasi pixel.
• Teknik visualisasi proyeksi geometris.
• Teknik visualisasi berbasi ikon.
• Teknik visualisasi hierarkis.
• Memvisualisasikan data dan hubungan yang kompleks.

3. Mengukur Kesamaan dan Ketidaksamaan Data

Similarity (kesamaan) menjelaskan mengenai ukuran numerik tentang seberapa mirip dua objek data dan seringkali jatuh dalam kisaran [0,1]. Pada similarity, nilai akan cenderung lebih tinggi ketika objek yang diukur lebih mirip atau keduanya hampir mendekati kesamaan. 

Dissimilarity (ketidaksamaan) adalah ukuran numerik tentang seberapa berbeda dua objek data dengan ketidaksamaan minimum yang dimiliki seringkali 0 atau tidak ada dan batas atasnya bervariasi. Ketika objek lebih mirip, nilai yang terdapat pada dissimilarity akan lebih rendah. Contoh dari dissimilarity adalah jarak.

Berbeda dari similarity dan dissimilarity, proximity atau biasa disebut kedekatan  lebih mengacu pada kesamaan atau ketidaksamaan yang berarti proximity berada ditengah-tengah antara similarity dan dissimilarity.

4. Knowledge Discovery in Database

Knowledge Discovery in Database Process (KDD) adalah proses dari menggunakan metode data mining untuk mencari informasi-informasi yang berharga, pola yang ada di dalam data, yang melibatkan algoritma untuk mengidentifikasi pola pada data. Berikut adalah tahapan serta penjelasan menegenai proses KDD :

• Data Cleansing adalah proses dimana sebuah data diolah lalu dilakukan pemilihan data yang dianggap bisa dipakai.
• Data Integration adalah proses penggabungan data yang dianggap berulang dan akan digabungkan menjadi satu.
• Selection adalah proses menyeleksi atau emilihan data yang dianggap relevan terhadap analisis.
• Data Trasnformation adalah proses mentransformasikan data yang telah terpilih ke dalam bentuk mining procedure.
• Data Mining adalah proses dimana dilakukannya beragam teknik untuk mengekstrak pola-pola yang potensial menghasilkan data berguna yang dibutuhkan.
• Pattern Evolution adalah proses dimana pola-pola yang telah diidentifikasi berdasarkan measure yang diberikan.
• Knowledge Presentation adalah proses yang paling akhir dari proses KDD, dimana data-data yang sudah diproses akan divisualisasikan agar lebih mudah dipahami oleh pengguna dan diharapkan bisa diambil tindakan berdasarkan analisis

Untuk pemahaman lebih mendalam tentang materi diatas dapat dipelajarari dari sumber berikut

TERIMA KASIH TELAH MEMBACA