Teknik Klasifikasi(Classification/Predictive) Pada Data Mining
Sunday, September 30, 2018
Edit
Pengertian Data Mining
Data mining yaitu proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge) secara otomatis.
Macam-macam Teknik dan Sifat Data mining
Ada beberapa teknik dan sifat data mining yaitu sebagai berikut :
Baca Juga: Permasalahan Dalam Data Mining
Teknik Klasifikasi atau Classification (Predictive) pada Data Mining
Teknik Klasifikasi adalah memilih sebuah record data gres ke salah satu dari beberapa katagori (atau klas] yang telah didefinisikan sebelumnya.Disebut juga dengan ‘supervised learning'. Berikut beberapa aplikasi dari pembagian terstruktur mengenai :
1. Penjualan Langsung (Direct Marketing)
Tujuan: mengurangi costsurat menyurat dengan memilih (targeting) satu set konsumen yang memiliki kesamaan dalam membeli produk telepon selular baru.
Pendekatan:
2. Fraud Detection
Tujuan: Memprediksi kasus-kasus transaksi curang dengan memakai kartu kredit.
Pendekatan:
Tujuan: Untuk memprediksi pelanggan mana yang akan berpindah ke competitor kita.
Pendekatan:
Data mining yaitu proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge) secara otomatis.
Macam-macam Teknik dan Sifat Data mining
Ada beberapa teknik dan sifat data mining yaitu sebagai berikut :
- Classification (Predictive)
- Clustering (Descriptive)
- AssociationRule Discovery (Descriptive)
- SequentialPattern Discovery (Descriptive)
- Regression (Predictive)
- DeviationDetection (Predictive)
Sumber gambar: dosenpendidikan.com
Baca Juga: Permasalahan Dalam Data Mining
Teknik Klasifikasi atau Classification (Predictive) pada Data Mining
Teknik Klasifikasi adalah memilih sebuah record data gres ke salah satu dari beberapa katagori (atau klas] yang telah didefinisikan sebelumnya.Disebut juga dengan ‘supervised learning'. Berikut beberapa aplikasi dari pembagian terstruktur mengenai :
1. Penjualan Langsung (Direct Marketing)
Tujuan: mengurangi costsurat menyurat dengan memilih (targeting) satu set konsumen yang memiliki kesamaan dalam membeli produk telepon selular baru.
Pendekatan:
- Gunakan data penjualan untuk suatu produk telepon selular.
- Kita mengetahui pelanggan yang memutuskan untuk membeli dan yang memutuskan untuk tidak membeli. Keputusan (buy, don’t buy} ini membentuk class attribute.
- Himpun bermacam demografi, gaya hidup dan company-interaction sehubungan dengan isu mengenai pelanggan tertentu. Misalkan: Tipe bisnis, dimana .mereka tinggal, berapa banyak mereka membayar, dll.
- Gunakan isu tersebut sebagai atribut input untuk mempelajari suatu model klasifikasi.
2. Fraud Detection
Tujuan: Memprediksi kasus-kasus transaksi curang dengan memakai kartu kredit.
Pendekatan:
- Gunakan transaksi kartu kredit dan isu pemegang kartu kredit sebagai atributnya Misalkan : Kapan seorang pelanggan membeli, apa yang dibeli apa selalu membayar sempurna waktu, dsb.
- Beri label transaksi-transaksi sebelumnya sebagai transaksi ‘fraud’ atau 'fair' dan bentuk ini menjadi class attribute.
- Pelajari satu model untuk class transaksi tersebut.
- Gunakan model ini untuk mendeteksi kecurangan dengan mengobservasi transaksi kartu kredit tiap account.
Tujuan: Untuk memprediksi pelanggan mana yang akan berpindah ke competitor kita.
Pendekatan:
- Gunakan record transaksi dengan pelanggan yang kemudian maupun yang kini untuk mendapat atribut, menyerupai : Seberapa sering pelanggan menghubungi, dimana beliau menghubungi, pada hari apa beliau paling sering menghubungi, status keuangannnya, status perkawinannya, dsb.
- Beri label pelanggan sebagai ‘setia’ atau ‘tidak setia'.
- Temukan suatu model untuk 'onalty’.