Teknik Data Mining

Beberapa teknik dan sifat data mining adalah sebagai berikut:

Klasifikasi (Prediksi)

Adalah menemukan sebuah record, data baru ke salah satu dari beberapa kategori atau klas yang telah didefinisikan sebelumnya. Disebut juga dengan ‘supervised searning’. Berikut ini adalah beberapa aplikasi dari klasifikasi:

1.       Penjualan langsung (Direct Marketing)

Tujuannya : mengurangi cost surat menyurat dengan menentukan (targeting) satu set konsumen yang mempunyai kesamaan dalam membeli produk telepon seluler.

2.      Fraud Detection

Tujuannya: memprediksi kasus-kasus transaksi curang dengan menggunakan kartu kredit.

3.      Custumer Attribut / Churn

Tujuannya : untuk memprediksi pelanggan mana yang akan berpindah ke competitor kita.

Regresi

Memprediksi nilai dari suatu variable kontinyu yang diberikan berdasarkan nilai dari variable yang lain dengan mengasumsilkan sebuah model ketergantungan linier atau non linier. Teknik ini banyak dipelajari dalam statistika, bidang jaringan saraf tiruan (neural network). Contoh:

1.       Memprediksi jumlah penjualan produk baru berdasarkan pada belanja promosi/iklan.

2.      Memprediksi kecepatan angin sebagai fungsi suhu, kelembaban, tekanan udara, dsb.

3.      Time series prediction dari indeks stock market.

Klasterisasi (Clustering)

Mempartisi data-set menjadi beberapa subset atau kelompok sedemikian rupa sehingga elemen-elemen dari suatu kelompok tertentu memiliki set property yang di share bersama dengan tingkat similaritas yang tinggi dalam suatu kelompok dan tingkat similaritas antar kelompok yang rendah. Disebut juga ‘unsupervised learning’.

Aplikasi clustering:

1.       Market segmentation

Tujuan : membagi pasar ke dalam subset pelanggan yang berbeda, dimana suatu subset mungkin dapat dipilih sebagai target pasar yang dicapai dengan satu kombinasi pemasaran yang berbeda.

2.      Document Clustering

Tujuan: untuk mendapatkan kelompok dokumen yang mempunyai kesamaan berdasarkan pernyataan atau kata-kata penting yang muncul dalam dokumen tersebut.

Kaidah Asosiasi

Mendeteksi kumpulan atribut yang muncul bersamaan dalam frekuensi yang sering dan membentuk sejumlah kaidah dari kumpulan tersebut.

Aplikasi kaidah asosiasi:

1.       Marketing and Sales Promotion

2.      Supermarket Shelf Management

Tujuan: untuk mengenali item-item yang dibeli bersama oleh cukup banyak pelanggan.

3.      Inventory Management

Tujuan: seorang pelanggan perusahan mengharapkan keaslian dari perbaikan produk konsumen dan menjaga pelayanan.

Sumber Referensi:

Hermawati, Fajar Astuti.2013. Data Mining. Yogyakarta: Andi.