1. Penetapan Tujuan dan Pemahaman Aplikasi
Ini adalah langkah pertama dalam proses dan membutuhkan pemahaman dan pengetahuan sebelumnya tentang bidang yang akan diterapkan. Di sinilah kami memutuskan bagaimana data yang ditransformasikan dan pola yang diperoleh oleh data mining akan digunakan untuk mengekstrak pengetahuan. Premis ini sangat penting yang, jika salah, dapat menyebabkan interpretasi yang salah dan dampak negatif pada pengguna akhir.
2. Pemilihan dan Integrasi Data
Setelah menetapkan tujuan dan sasaran, data yang dikumpulkan perlu dipilih dan dipisahkan ke dalam kumpulan yang bermakna berdasarkan ketersediaan, kepentingan, dan kualitas aksesibilitas. Parameter ini sangat penting untuk penambangan data karena mereka menjadi dasar untuk itu dan akan mempengaruhi jenis model data apa yang dibentuk.
3. Pembersihan dan Prapemrosesan Data
Langkah ini melibatkan pencarian data yang hilang dan menghapus data yang berisik, redundan, dan berkualitas rendah dari kumpulan data untuk meningkatkan keandalan data dan efektivitasnya. Algoritma tertentu digunakan untuk mencari dan menghilangkan data yang tidak diinginkan berdasarkan atribut khusus untuk aplikasi.
4. Transformasi Data
Langkah ini menyiapkan data untuk diumpankan ke algoritma data mining. Oleh karena itu, data perlu dalam bentuk konsolidasi dan agregat. Data dikonsolidasikan berdasarkan fungsi, atribut, fitur, dll.
5. Penambangan Data
Ini adalah proses akar atau tulang punggung dari keseluruhan KDD. Di sinilah algoritma digunakan untuk mengekstrak pola yang bermakna dari data yang diubah, yang membantu dalam model prediksi. Ini adalah alat analisis yang membantu menemukan tren dari kumpulan data menggunakan teknik seperti kecerdasan buatan, metode numerik dan statistik canggih, dan algoritme khusus.
6. Evaluasi/Interpretasi Pola
