Teknik Klasifikasi(Classification/Predictive) Pada Data Mining

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 :
  1. Classification (Predictive)
  2. Clustering (Descriptive)
  3. AssociationRule Discovery (Descriptive)
  4. SequentialPattern Discovery (Descriptive)
  5. Regression (Predictive)
  6. 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.
Baca Juga: Model dan Struktur Data Warehouse pada Data Mining

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.
3. CustomerAttrition/Churn:
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’.

Iklan Atas Artikel

Iklan Tengah Artikel 1

Iklan Tengah Artikel 2

Iklan Bawah Artikel