Algoritma Pengklasifikasian pada Data Mining

Assalamualaikum teman-teman, Saya Hadijah Nisa Ifayatin NIM E1E120008 Mahasiswa Teknik Informatika.

Pada artikel sebelumnya telah dijelaskan mengenai konsep dasar dari data mining, jenis, macam dan karakteristik Data Mining. Pada artikel kali ini akan membahas tentang klasifikasi pada data mining.

Algoritma dalam data mining atau pada machine learning merupakan kumpulan perhitungan dan penemuan yang dapat memunculkan dan membuat model melalui pengolahan data yang ada. Dalam pengolahan data tersebut tentunya di perlukan analisis sebagai langkah awal agar dapat menentukan hasil apa yang diinginkan atau yang akan dicapai yang kemudian dilanjutkan dengan pencarian pola.

Untuk menemukan parameter terbaik dalam menentukan atau membuat model dalam pengembangan yang akan dilakukan maka butuh hasil analisis menggunakan algoritma yang telah di pilih dan ditentukan. Guna dari parameter ini adalah untuk mengekstrak statistik yang lebih rinci dan mengekstrak pola operasional yang diperoleh dengan menerapkannya ke seluruh data.

Perlu diingat dalam penggunaan algoritma data mining harus disesuaikan dengan hasil atau kegunaan penelitian yang ada. Adapun beberapa algoritma klasifikasi data mining yang digunakan secara umum ada beberapa yaitu  algoritma Decision Tree, algoritma Priori, algoritma k-Means, algoritma SVM (Support Vector Machines), Algoritma Navie Bayes, AdaBoost. Adapun penjelasan lengkapnya adalah sebagai berikut :

1. Algoritma Decision Tree

AlgoDecisiom Tree merupakan algoritma pengklasifikasian dalam data mining yang cukup popular atau lebih banyak digunakan. Descision Tree, yaitu algoritma yang berbentuk seperti pohon dalam pengambilan keputusan yang berisi tentang resiko, konsekuensi ataupun prediksi hasil yang akan dicapai nantinya, dan sebagainya. Adapun metode descision tree diantaranya adalah Credal DT, Credal C4, Adaptive Credal, ID3, CART dan C4.5.

2. Algoritma Priori

Algoritma Priori yaitu proses ekstraksi database yang berupa informasi dilanjutkan dengan  pembentukan asosiasi rule mining agar mendapatkan nilai minimum confidance dan minimum support sebagai hasil dengan melakukan frequent pada item/itemset dan candidate generation dalam pembentukannya.

3. Algoritma k-Means

Algoritma k-Means merupakan metode atau algoritma pencarian pada pusat cluster secara iteratif yang jarak antar setiap data ke pusat cluster telah di tetapkan. 

Algoritma k-Means ini memiliki parameter yang harus di inputkan dan parameter yang di input harus sebanyak K dan membagi kumpulan n objek kedalam cluster, dengan harapan dalam satu cluster tersebut memiliki tingkat kemiripan yang lebih antar anggota cluster tersebut sedangkan tingkat kemiripan pada anggota cluster lainnya lebih rendah.

4. Algoritma SVM (Support Vector Machines)

SVM (Support Vector Machines) tergolong kedalam algoritma supervised learning dimana data yang digunakan dalam training atau latihan mesin sudah diperoleh sebelumnya. Algoritma SVM (Support Vector Machines) ini bigunakan untuk mengkasifikasikan dan regresi.

5. Algoritma Navie Bayes

Naive Bayes adalah model pembelajaran mesin yang digunakan untuk membedakan objek yang berbeda berdasarkan fitur tertentu. Secara sederhana, Naif Bayes mengasumsikan bahwa kehadiran fitur tertentu di kelas tidak terkait dengan kehadiran fitur lain. 

Algoritma ini mudah dibangun dan sangat berguna ketika berhadapan dengan dataset besar. Contoh sederhana dari algoritma ini adalah buah dapat dikategorikan sebagai semangka jika berwarna hijau, bulat, dan memiliki diameter 10. 

Fitur-fitur ini dapat bergantung satu sama lain untuk keberadaannya. Namun, masing-masing dari mereka secara independen berkontribusi pada kemungkinan bahwa buah yang dipertimbangkan adalah semangka. Oleh karena itu, algoritma ini memiliki istilah " naif " dalam namanya. 

6. AdaBoost

 Algoritma Adaboost adalah singkatan yang di peroleh dari Adaptive Boosting . Algoritma AdaBoost merupakan satu dari beberapa algoritma machine learning yang digunakan untuk melatih classifiers dan fitur selection. Algoritma AdaBoost digunakan untuk boosting kinerja klasifikasi algoritma machine learning yang sederhana. 

Nantinya akan menghasilkan sebuah classifier yang lebih kuat dengan cara mengkombinasikan sekelompok atau sekumpulan fungsi klasifikasi yang tergolong lemah yang kemudian biasa dikenal dengan istilah weak leaner

Nahh itu dia teman-teman materi yang dapat saya bagikan dalam artikel ini. Teman-teman juga bisa mengunjungi sumber referensi yang saya gunakan, yaitu pada link dibwah ini:

Link Materi

Link Video