Mengenal Metode Algoritma Klasifikasi dan Penerapannya pada Data Mining

Halo teman-teman, kali ini saya akan melanjutkan pembahasan tentang Data Mining. Seperti judul di atas  kali ini saya akan membahas salah satu algoritma yang ada pada Data Mining yaitu Algoritma Klasifikasi. Dimana sebelumnya saya sudah menyebutkan metode-metode  yang digunakan pada Data Mining ada 3 yaitu metode klasifikasi, metode klustering dan metode asosiasi. 

Nah kali ini saya akan bahas metode Klasifikasi dan contoh penerapannya.

1. Mengenal Algoritma Klasifikasi

Algoritma Klasifikasi adalah salah satu metode dalam proses KDD yang ada pada tahap data mining untuk mengidentifikasi setiap kelompok berdasarkan kasus dan kemudian dikelompokkan datanya berdasarkan atribut. Klasifikasi ini merupakan metode supervised learning yang mencoba menemukan hubungan antara atribut masukkan dan atribut target. Tujuan klasifikasi ini untuk meningkatkan kehandalan hasil yang diperoleh dari data.

Cara kerja algoritma klasifikasi dalam Data Mining yaitu bekerja pada data historis atau data sejarah/training data yang digunakan sebagai cara mendapatkan pengetahuan dan disebut data pengalaman. Secara sederhana ada 3 proses pemecahan masalah klasifikasi diantaranya:

a. Data historis atau data pengalaman

b. Data historis akan diproses menggunakan algoritma klasifiaksi

c. Klasifikasi menghasilkan pengetahuan yang dipresentasikan dalam bentuk diagram pohon keputusan/ dessicion tree.

Untuk memecahkan masalah klasifikasi Data Mining sedikitnya ada 6 algoritma klasifikasi data diantaranya:

1). Decision Tree

Decision Tree adalah salah satu metode klasifikasi yang kuat dan terkenal, karena mudah untuk diolah dan digunakan oleh manusia. Decision Tree adalah model klasifikasi yang menggunakan struktur pohon atau struktur berhierarki. Algoritma Machine Leraning model ini melakukan tugasnya dengan menggunakan konsep struktur flowchart bercabang menggunakan desicion rules atau aturan-aturan keputusan yang dibuat oleh peneliti.

Menurut Larose(2005:116) hal yang menarik dari Decision Tree yaitu: memiliki konsep yang mudah dimengerti, membagi data pada setiap leaf tanpa kehilanagn data sedikitpun dan digunakan dakam bidang bisnis ataupun pemasaran. 

MPohon keputusan memiliki 3 pendekatan yaitu klasifikasi pohon, regresi pohon dan klasifikasi C and RT.

2).  Bayesian Classification

Algoritma bayesian classification/Naive bayes classifier adalah sebuah metode yang mengklasifikasikan data untuk digunakan memprediksikan probabilitas keanggotaan suatu kelas. Bayesian Classification didasarkan pada teorema Bayes yang memiliki kemampuan klasifikasi serupa decision tree dan neural network. Algoritma ini terbukti memiliki akurasi dan kecepatan yang tinggi saat diaplikasikan ke dalam database dengan data yang besar. Keuntungan dari penerapan algoritma Naive Bayes hanya membutuhkan jumlah data pelatihan/ training data yang kecil untuk menentukan estimasi parameter yang diperlukan dalam proses klasifikasian.

3).  Neural Network

Algoritma neural network  atau Jaringan Saraf Tiruan (JST) adalah metode yang terinspirasi dari jaringan syaraf otak manusia karena didesain mengikuti cara otak manusia melakukan proses dan menyimpan suatu informasi. Algoritma ini digunakan sebagai alat yang menggambarkan data statistik yang non-linear dengan menggambarkan hubungan yang kompleks antara input dan output. Algoritma neural network dianggap sebagai model yang membutuhkan proses pelatihan agar dapat melakukan prediksi kelas suatu data uji baru yang ditemukan.

4). K-Nearest Neighbors (K-NN)

Algoritma K-Nearest Neighbors (K-NN) adalah metode pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus yang baru dengan kasus lama berdasarkan pencocokan bobot dari sejumlah fitur yang ada. Algoritma K-NN bersifat lazy learning yang berarti tidak menggunkan titik data training untuk membuat model, kalaupun ada juga sangat minim. K-NN ini salah satu algoritma machine learning untuk regresi dan klasifikasi bahwa dat yang mirip akan ada dalam jarak yan berdekatan atau tetangga. K-NN ini menggunakan semua data yang ada berdasarkan kesamaan atau fungsi jarak.

5). Support Vector Machine (SVM)

Algoritma Support Vector Machine (SVM) adalah algoritma yang bekerja menggunakan pemetaan nonlinear untuk mengubah data pelatihan asli pelatihan asli ke dimensi yang lebih tinggi. Dimensi baru akan mencari hyperplane untuk memisahkan secara linear denagn pemetaan nonlinear ke dimensi yang cukup tinggi.  Persoalan ninlinear merupakan persoalan data yang tidak dapat dipisahkan secara linear yaitu  tidak ada sebuah garis  yang dapat dibuat sebagai pemisah antar kelas data. SVM  menemukan hyperplane menggunakan support  vector dan margin. Waktu pelatihan SVM kebanyakan lambat tetapi metode ini sangat akurat karean kemapuannya menangani model nonlinear yang kompleks.

2. Contoh Penerapan Algoritma Klasifikasi

Adapun contoh penerapan algoritma Klasifikasi  adalah prediksi nilai project akhir mahasiswa dimana indikator kebrhasilan mahasiswa D3 Manajemen Informatika dalam penyelesaian project akhir mereka adalah pemahaman terhadap matakuliah yang mendukung project akhir tersebut. Mata kuliah tersebut adalah algoritma dan pemrograman, perencanaan basis data,analisis dan perencanaan sistem serta pemrograman web. Kebanyakan mahasiswa mengulang mengambil mata kuliah tersebut. Sehingga  dengan adanya data mining ini untuk memprediksi nilai project akhir mahasiswa berdasarkan nilai-nilai matakuliah yang mendukungnya. adapun metode algoritma yang digunakan adalag desicion tree didasarkan kemudahan dalam identifikasi dan melihat hubungan antara faktor-faktor yang mempengaruhi suatu masalah sehingga dapat dicari solusinya dengan memperhatikan faktor-faktor tersebut.

Nah mungkin itu saja teman-teman yang bisa saya jelaskan tentang Algoritma Klasifikasi dan contoh penerapannya, sampai ketemu di materi selanjutnya.