Metode Klasifikasi Dalam Data Mining

Seperti yang telah dibahas diartikel sebelumnya, proses Data Mining bertujuan untuk menemukan pola pada sekumpulan data yang akan diproses menjadi sebuah informasi. Dalam penerapannya, pencarian pola tersebut dapat memanfaatkan algoritma yang sesuai dengan permasalahan yang ingin dipecahkan. Beberapa metode dengan memanfaatkan algoritma yang umum digunakan dalam proses Data Mining adalah sebagai berikut.

• Metode Klasifikasi
• Metode Asosiasi
• Metode Clustering

Metode Klasifikasi

Pada artikel ini, akan fokus membahas penerapan metode klasfikasi dalam proses Data Mining. Untuk mengawali pembahasan, kita perlu tahu dulu apa itu metode klasifikasi. Metode Klasifikasi ialah metode yang biasa digunakan untuk mengelompokkan data berdasarkan label/kelas yang telah ditentukan sebelumnya. Metode ini berdasarkan pada prinsip belajar dari pengalaman, yang bermaksud bahwa model klasifikasi pertama-tama belajar dari data yang sudah diklasifikasikan ditahap training data sehingga kemudian dapat mengklasifikasikan sampel yang tidak diketahui labelnya. 

Beberapa algoritma yang digunakan dalam metode klasifikasi ialah:

a. Decision Tree

Decision Tree merupakan algoritma yang paling banyak digunakan dalam pengklasifikasian. Sebuah tree terdiri dari beberapa simpul. Dalam metode ini menggunakan konsep entropi yang digunakan untuk menentukan pada atribut mana sebuah pohon akan terbagi. Semakin tinggi entropy sebuah sampel, semakin tidak murni sampel tersebut.  Atributnya bersifat kategoris (jika bernilai kontinu, atribut tersebut didiskritisasi terlebih dahulu). Data contoh dipartisi secara rekursif berdasarkan atribut yang dipilih. Klasifikasi menggunakan decision tree dilakukan oleh routing dari simpul akar sampai di simpul daun. Beberapa algoritma decision tree antara lain ID3, C4.5, C5.0, and CART. Contoh penerapan metode decision tree ialah menentukan pilihan untuk bermain di luar rumah dengan memprediksi kondisi cuaca.

Tahapan dalam algoritma Decision Tree ialah:

• Siapkan data training
• Pilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut yang ada. Gain diperoleh dengan menentukan terlebih dahulu nilai entropi.
• Buat cabang untuk tiap-tiap nilai
• Ulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki kelas yang sama.

b. Naive Bayes

Naive Bayes merupakan algoritma yang berdasar pada teorema Bayes. Algoritma Naive Bayes ini digunakan untuk mengklasifikasi data dengan menggunakan metode probabilitas dan statistik dengan tujuan memprediksi peluang akan suatu hal. Setiap contoh training akan bertahap meningkatkan/menurunkan peluang dari kebenaran suatu hipotesis. Kelebihan dari Naive Bayesantara lain yaitu perhitungan yang efisien, dapat berlaku pada data kuantitatif maupun kualitatif, tidak perlu data training yang banyak, dan akan menggunakan kode yang sederhana jika diimplementasikan pada bahasa pemrograman. Sementara kekurangan dari Naive Bayes salah satunya ialah prediksi akan bernilai nol apabila probabilitas bernilai nol. Contoh penerapan metode Naive Bayes ialah menentukan pembelian komputer berdasarkan data set yang ada berupa umur, gaji, status sekolah, dan status pembelian komputer.

Tahapan dalam algoritma Naive Bayes ialah:

• Baca data training
• Hitung jumlah kelas
• Hitung jumlah kasus yang sama dengan kelas yang dimaksud
• Kalikan semua nilai hasil sesuai dengan data X yang dicari kelasnya.

c. Neural Networks

Neural Network adalah algoritma dengan model yang dibuat untuk meniru fungsi belajar yang dimiliki otak manusia yang berdasar pada jaringan saraf manusia. Dalam algoritma ini, dikenal model perceptron yaitu model jaringan yang terdiri dari beberapa unit masukan dan memiliki sebuah unit keluaran. Kelebihan dari algoritma ini ialah toleransi yang tinggi terhadap data yang menganggu, kemampuan untuk mengklasifikasikan pola, cocok untuk input dan output yang bersifat continue .Sementara kekurangannya ialah membutuhkan sejumlah parameter yang terbaik ditentukan secara empiris dan waktu percobaan yang lama. Contoh penerapan metode Neural Network ialah menentukan status kelulusan mahasiswa dengan melihat IPK dan semester.

Tahapan dalam algoritma Neural Network dengan model percepttron ialah:

• Inisialisasi semua bobot dan bias
• Selama ada elemen vektor masukan yang respon unit keluarannya sama dengan target, maka akan dilakukan :

           -Set aktivasi unit masukan

           -Hitung respon unit keluaran

           -Perbaiki bobot pola yang mengandung kesalahan

           -Ulangi iterasi sampai perubahan bobot tidak ada

Itulah beberapa algoritma yang umum digunakan dalam metode klasifikasi pada Data Mining, semoga penjelasan ini dapat membantu teman-teman yang baca dalam mencari algoritma yang pas untuk mengklasifikan permasalahan yang dimiliki.

Referensi :

Macam-macam Algoritma Data Mining

Metode-metode klasifikasi

Data Mining by Romi Satria Wahono