35
BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database Definisi database adalah kumpulan data yang saling berhubungan (relasi). Istilah tersebut biasa digunakan pada sistem-sistem yang terkomputerisasi. Dalam pengertian umum, database diartikan sebagai gabungan dari elemen-elemen data yang berhubungan dan terorganisir. Relasi biasanya ditunjukan dengan kunci dari tiap file yang ada. Dalam satu file terdapat record-record yang sejenis, sama besar, sama bentuk, yang merupakan satu kumpulan entitas yang seragam. Satu record terdiri dari field yang saling berhubungan menunjukan bahwa field tersebut dalam satu pengertian yang lengkap dan direkam dalam satu record. Dari pengertian diatas dapat disimpulkan bahwa database mempunyai beberapa kriteria penting, yaitu: 1. Bersifat data oriented dan bukan program oriented. 2. Dapat digunakan oleh beberapa program aplikasi tanpa perlu mengubah database-nya. 3. Dapat dikembangkan dengan mudah, baik volume maupun strukturnya. 4. Dapat memenuhi kebutuhan sistem-sistem baru secara mudah. 5. Dapat digunakan dengan cara-cara yang berbeda.

BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

  • Upload
    others

  • View
    9

  • Download
    0

Embed Size (px)

Citation preview

Page 1: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

BAB 2

LANDASAN TEORI

2.1 Konsep Dasar Database

Definisi database adalah kumpulan data yang saling berhubungan (relasi). Istilah

tersebut biasa digunakan pada sistem-sistem yang terkomputerisasi. Dalam pengertian

umum, database diartikan sebagai gabungan dari elemen-elemen data yang berhubungan

dan terorganisir.

Relasi biasanya ditunjukan dengan kunci dari tiap file yang ada. Dalam satu file

terdapat record-record yang sejenis, sama besar, sama bentuk, yang merupakan satu

kumpulan entitas yang seragam. Satu record terdiri dari field yang saling berhubungan

menunjukan bahwa field tersebut dalam satu pengertian yang lengkap dan direkam

dalam satu record. Dari pengertian diatas dapat disimpulkan bahwa database

mempunyai beberapa kriteria penting, yaitu:

1. Bersifat data oriented dan bukan program oriented.

2. Dapat digunakan oleh beberapa program aplikasi tanpa perlu mengubah

database-nya.

3. Dapat dikembangkan dengan mudah, baik volume maupun strukturnya.

4. Dapat memenuhi kebutuhan sistem-sistem baru secara mudah.

5. Dapat digunakan dengan cara-cara yang berbeda.

Page 2: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

9

2.1.1 Tujuan Database

Prinsip utama database adalah pengaturan data dengan tujuan utama fleksibelitas

dan kecepatan dalam pengambilan data kembali. Adapun tujuan database diantaranya

adalah sebagai berikut.

1. Efisiensi meliputi speed, space dan accurancy.

2. Menangani data dalam jumlah besar.

3. Kebersamaan pemakaian (Sharebility).

4. Meniadakan duplikasi dan inkonsistensi data.

2.1.2 Kriteria Database

Ada beberapa ketentuan yang harus diperhatikan pada pembuatan file database

agar dapat memenuhi kriteria sebagai suatu database, yaitu :

− Redudansi dan inkonsistensi data: Penyimpanan data yang sama dibeberapa

tempat disebut redundansi, hal ini menyebabkan pemborosan dan menimbulkan

inkonsistensi data (data tidak konsisten) karena bila terjadi perubahan terhadap

data maka data harus dirubah dibeberapa tempat, hal ini tentunya tidak efisien.

− Pengaksesan data: Data dalam basis data harus siap diakses oleh siapa saja yang

membutuhkan dan mempunyai hak untuk mengaksesnya. Oleh karena itu perlu

dibuat suatu program pengelolaan atau suatu aplikasi untuk mengakses data yang

dikenal sebagai Database Management System (DBMS).

− Data terisolasi untuk standarisasi: Jika data tersebar dalam beberapa file dalam

bentuk format yang tidak sama, maka akan menyulitkan dalam menulis program

aplikasi untuk mengambil dan menyimpan data, oleh karena itu data dalam satu

database harus dibuat satu format sehingga mudah dibuat program aplikasinya.

Page 3: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

10

− Masalah keamanan (security): Tidak setiap pemakai sistem database

diperbolehkan untuk mengakses semua data, misalnya data mengenai gaji

pegawai hanya boleh dibuka oleh bagian keuangan dan personalia, sedang bagian

gudang tidak diperkenankan untuk membukanya. Keamanan dapat diatur dan

disesuaikan baik ditingkat database atau aplikasinya.

− Masalah integritas (Integrity): Database berisi file yang saling berhubungan,

masalah utama adalah bagaimana kaitan antar file tersebut terjadi meski

diketahui bahwa file A terkait dengan file B, namun secara teknis ada field yang

mengaitkan kedua file tersebut oleh karena itu field kunci tidak dapat diabaikan

dalam merancang suatu database.

− Multiple user : Salah satu alasan database dibangun adalah karena nantinya data

tersebut digunakan oleh banyak orang, baik dalam waktu berbeda maupun

bersamaan sehingga kebutuhan akan database handal yang mendukung banyak

pemakai perlu dipertimbangkan.

− Data independence (kebebasan data) : Pada aplikasi yang dibuat dengan bahasa

pemrograman, apabila program telah selesai dibuat dan ternyata terjadi

perubahan terhadap struktur file maka program tersebut harus diubah, ini artinya

program tersebut tidak bebas terhadap database yang ada. Berlainan dengan

paket Database Management System (DBMS) apapun yang terjadi pada struktur

file, setiap kali hendak melihat data cukup dengan utility LIST. Ini artinya

perintah Database Management System (DBMS) bebas terhadap database karena

apapun perubahan terhadap database, semua perintah akan stabil tanpa ada yang

perlu diubah.

Page 4: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

11

Data independence dapat dibagi menjadi dua bagian, yaitu :

− Phisycal Data Independence: Kebolehan untuk mengubah pola fisik database

tanpa mengakibatkan suatu aplikasi program ditulis kembali. Modifikasi pada

level fisik biasanya hanya pada saat meningkatkan daya guna.

− Logical Data Independence: Kebolehan mengubah pola konseptual tanpa

mengakibatkan suatu aplikasi program ditulis kembali. Modifikasi pada level

konseptual teristimewa saat struktur logika database berubah, ditambahkan atau

dikurangi.

2.1.3 Abstraksi Data

Kegunaan utama sistem basis data adalah agar pemakai mampu menyusun suatu

pandangan abstraksi dari data. Bayangan mengenai data tidak lagi memperhatikan

kondisi sesungguhnya bagaimana satu data masuk ke database disimpan dalam sektor

mana, tetapi menyangkut secara menyeluruh bagaimana data tersebut dapat

diabstraksikan mengenai kondisi yang dihadapi oleh pemakai sehari-hari. Sistem yang

sesungguhnya, tentang teknis bagaimana data disimpan dan dipelihara seakan-akan

disembunyikan kerumitannya dan kemudian diungkapkan dalam bahasa dan gambar

yang mudah dimengerti oleh orang awam.

Ada tiga kelompok pemakai dalam tingkatan abstraksi saat memandang suatu

database, yaitu:

− Level Fisik : Level ini merupakan level abstraksi paling rendah karena

menggambarkan bagaimana data disimpan dalam kondisi sebenarnya.

− Level Konseptual : Level ini menggambarkan data apa yang disimpan dalam

database dan hubungan relasi yang terjadi antara data dari keseluruhan database.

Page 5: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

12

Pemakai tidak memperdulikan kerumitan dalam struktur level fisik lagi,

penggambaran cukup dengan memakai kotak, garis dan hubungan secukupnya.

− Level Pandangan Pemakai (View level): Level ini merupakan level abstraksi data

tertinggi yang menggambarkan hanya sebagian saja yang dilihat dan dipakai dari

keseluruhan database, hal ini disebabkan beberapa pemakai database tidak

membutuhkan semua isi database.

2.1.4 Komponen Utama Database

Ada 4 komponen utama dalam database, yaitu:

− Data, yang secara fisik menyimpan informasi-informasi.

− Database Management System (DBMS) yaitu perangkat lunak yang mengelola

database.

− Data Description Languages (DDL) dan Data Manipulation Languages (DML),

yaitu bahasa basis data yang berfungsi untuk mendeskripsikan data ke Database

Management System (DBMS) dan juga memberi fasilitas untuk perubahan,

pemeliharaan, dan pengelolaan database.

− Program aplikasi yang memudahkan pengguna akhir untuk menggunakan data

dan mendapatkanya sebagai informasi yang sesuai.

Page 6: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

13

2.2 Data Warehouse

Datawarehouse merupakan kumpulan data dari berbagai resource, yang

disimpan dalam suatu gudang data (repository) dalam kapasitas besar. Datawarehouse

biasa diartikan juga sebagai kumpulan dari data mart. Data warehouse memungkinkan

user untuk memeriksa history data dan melakukan analisis terhadap data sehingga dapat

mengambil keputusan berdasarkan analisa yang dibuat. Data Warehouse membantu para

pekerja teknologi (manager,executive,analyst) untuk pengambilan keputusan yang lebih

cepat dan mudah.

Secara tradisional, gudang (warehouse) digunakan untuk menyimpan barang-

barang dengan cara tertentu supaya dapat ditemukan, dikenali dan diambil kembali

dengan cepat. Fungsi data warehouse hampir sama dengan gudang secara tradisional.

(http//:www.techrepublic.com)

Dalam sebuah perusahaan, umumnya data disimpan dalam banyak database.

Masing-masing database terpisah menurut sistemnya masing-masing dan tidak

terintegrasi menjadi satu. Misalkan data untuk profil customer, marketing, payroll dan

sebagainya. Data warehouse digunakan untuk menggabungkan data ke pusat data dan

disusun untuk membuat analisis yang lebih mudah.

2.2.1 Manfaat Data Warehouse

Adapun berbagai manfaat dari data warehouse sebagai berikut.

− Kemampuan mengakses data yang berskala perusahaan.

− Kemampuan memiliki data yang konsisten.

− Dapat melakukan analisis secara cepat.

− Dapat digunakan untuk mencari redundansi usaha di perusahaan.

Page 7: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

14

− Menemukan gap antara pengetahuan bisnis dengan proses bisnis.

− Meminimalkan biaya administrasi.

− Meningkatkan kinerja pegawai perusahaan untuk dapat melakukan tugasnya

dengan lebih efektif.

2.2.2 Karakteristik Data Warehouse

Data warehouse mempunyai karakteristik sebagai berikut.

− Subject Oriented: Data warehouse berfokus pada entitas-entitas bisnis level

tinggi.

− Integrated: Data disimpan dalam format yang konsisten (dalam konvensi

penamaan, constraint domain, atribut fisik dan pengukuran).

− Time variant: Data diasosiasikan dengan suatu titik waktu.

− Non-volatile: Data yang berasal dari banyak resource terbebut tidak dapat diubah

karena bersifat read only.

Data warehouse adalah sebagai sebagai subject-oriented, terintegrasi, tidak

mudah berubah (konsisten) dan merupakan kumpulan data yang mendukung keputusan

manajemen. (Connolly dan Begg, 2002, p147)

Page 8: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

15

Istilah-istilah yang berkaitan dengan data warehouse :

1. ETL (Extract Transfer Load) adalah komponen perangkat lunak yang berfungsi

untuk mengekstraksi data dari aplikasi ke dalam data mart.

2. Data Mart adalah suatu bagian pada data warehouse yang mendukung

pembuatan laporan dan analisa data pada suatu unit, bagian atau operasi pada

suatu perusahaan.

3. Dimension Table merupakan tabel yang berisikan kategori dengan ringkasan data

detail yang dapat dilaporkan. Seperti laporan laba pada tabel fakta dapat

dilaporkan sebagai dimensi waktu (berupa perbulan, perkwartal dan pertahun).

4. Fact Table merupakan tabel yang umumnya mengandung angka dan data history

dimana key (kunci) yang dihasilkan sangat unik, karena key tersebut terdiri dari

foreign key (kunci asing) yang merupakan primary key (kunci utama) dari

beberapa dimension table yang berhubungan.

5. DSS (Decision Support Systems) merupakan sistem yang menyediakan informasi

kepada pengguna yang menjelaskan bagaimana sistem ini dapat menganalisa

situasi dan mendukung suatu keputusan yang baik.

2.3 OLTP (Online Transaction Processing)

OLTP (Online Transaction Processing) adalah suatu proses yang menyediakan

mekanisme transaksi pada suatu database. Pada proses ini, design pada database harus

bersifat cepat untuk transaction (insert, update, delete). Hal ini bisa didapat dengan cara

menormalisasi tabel-tabel pada database.

Page 9: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

16

Keuntungan dari normalisasi adalah mengurangi redundansi data (penumpukan

data yang sama) yang terdapat pada tabel-tabel. Hal ini mempercepat proses transaksi,

karena data yang perlu di-update pada tabel menjadi lebih sedikit. Proses peng-update-

an data-datanya pun bersifat real time situation. Dengan kata lain setiap ada data baru,

yang bukan merupakan redudansi dari data yang pernah ada, akan di-update seketika.

OLTP (Online Transaction Processing) memungkinkan banyak pengguna dapat

mengakses sumber data yang sama pada saat bersamaan dan melaksanakan proses yang

diperlukan. Sistem ini memungkinkan transaksi dilakukan dalam database, pada saat

proses bisnis berlangsung.

Dalam proses OLTP (Online Transaction Processing) menuju OLAP (Online

Analytical Processing) dibutuhkan sedikitnya dua proses normalisasi yakni DTS (Data

Transformation Services) dan proses data validation.

2.3.1 DTS (Data Transformation Services)

Perusahaan perlu untuk memusatkan data mereka guna mendukung dalam proses

pengambilan keputusan. Data tersebut dapat disimpan dalam jumlah yang besar dalam

bentuk angka-angka dari sumber yang berbeda. Barisan data yang ada di dalam sumber

ini harus dapat di-reconciled dan diubah ke dalam beberapa kasus sebelum disimpan ke

dalam data warehouse. Data transformation services memindahkan data dari database

OLTP (Online Transaction Processing) ke data warehouse sesuai dengan tujuannya. Hal

ini dilakukan ketika validasi, cleaning-up, konsolidasi dan mengubah data yang

diperlukan. (Vieira, Robert, 2000, p91)

Page 10: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

17

2.3.2 Data Validation

Sangatlah penting untuk melakukan validasi data sebelum data tersebut diambil

dari database OLTP (Online Transaction Processing) dan dikirim ke data warehouse.

Jika data tersebut tidak valid, maka keutuhan dari analisis bisnis perlu dipertanyakan.

Hal penting lainnya yang harus diperhatikan adalah ketika validasi data yang dilakukan

berhubungan dengan area geografis. (Vieira, et all, 2000, p92)

2.4 OLAP (Online Analytical Processing)

OLAP (Online Analytical Processing) merupakan suatu istilah yang

menggambarkan suatu teknologi yang menggunakan gambaran multidimensi dari

sejumlah data untuk menyediakan atau memberikan akses dan analisis yang lebih cepat

untuk strategi informasi. (Connolly dan Begg, 2002, p111)

OLAP (Online Analytical Processing) merupakan suatu pemrosesan database

yang menggunakan tabel fakta dan dimensi untuk dapat menampilkan berbagai macam

bentuk laporan, analisis, query dari data yang berukuran besar.

OLAP (Online Analytical Processing) juga merupakan suatu proses mekanisme

untuk menganalisa data dengan menyediakan definisi, proses dan pengiriman suatu

objek analisis. Jika data warehouse adalah media penyimpanan data dari suatu

perusahaan, maka OLAP (Online Analytical Processing) adalah cara user untuk

mengakses data tersebut.

OLAP (Online Analytical Processing) bersifat natural dan intuitif, sehingga

memberikan navigasi dan pengertian yang lebih baik akan data.

Page 11: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

18

Solusi OLAP (Online Analytical Processing) yang baik harus memenuhi hal-hal

berikut ini.

− Fast, dimana pemakai memperoleh respond dalam hitungan detik sehingga tidak

terputus rantai pemikirannya.

− Analysis, dimana sistem menyediakan fungsi-fungsi analisis, lingkup intuitif dan

fungsi-fungsi ini dapat mensuplai logika bisnis dan analisis statistikal yang

relevan dengan aplikasi user.

− Shared, dimana sistem mendukung user yang banyak secara konkurensi.

− Multi-dimensional, merupakan kebutuhan utama sehingga sistem mensuplai

view konseptual multidimensional dari data termasuk pendukung untuk hirarki

multiple.

− Information, merupakan data dan informasi yang diwariskan, dimana dibutuhkan

oleh aplikasi user.

2.5 Alasan Penggunaan Data mining

Suatu fakta yang kini cukup jelas terlihat pada suatu manajemen perusahaan

adalah pentingnya informasi untuk dapat meningkatkan kinerja mereka. Tentunya

peningkatan kinerja inilah yang diharapkan mampu membuat perusahaan tersebut

bersaing dengan perusahaan lainnya ditengah iklim usaha yang ketat saat ini. Hal

tersebut menjadi alasan utama penggunaan data mining yang mampu memberi solusi

bagi kebutuhan di atas.

Data mining sebagai tool, dapat menggali informasi tersembunyi yang mungkin

terdapat pada sekumpulan database sehingga akan membawa dampak positif yang

cukup signifikan bagi perusahaan. Data mining dapat dikatakan sebagai hasil dari

Page 12: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

19

evolusi teknologi informasi. Yaitu mulai dari sistem data collection, database creation,

data management (termasuk storage dan retrieval serta database transaction

processing), dan data analysis and understanding.

Dengan dasar tersebutlah, dapat dilihat bermacam manfaat yang dapat dilakukan

oleh tools data mining tersebut secara langsung maupun tidak langsung yang dapat

meningkatkan kinerja perusahaan. Kecepatan berkembangnya pengumpulan dan

penyimpanan data dalam jumlah yang luar biasa banyaknya mengakibatkan data tersebut

menjadi sulit untuk dianalisis oleh seorang manusia tanpa bantuan alat bantu/powerfull

tools yang dapat meng-extract informasi penting yang terkubur di sejumlah besar data

yang tersedia. Sebagai akibatnya, seringkali keputusan-keputusan penting yang diambil

pun dibuat tidak berdasarkan informasi yang didapatkan dari data yang ada, melainkan

berdasarkan intuisi pengambil keputusan semata. Hal ini sering terjadi karena para

pengambil keputusan tidak memiliki tools yang memadai untuk melakukan pencarian

informasi yang akurat dari data yang tersedia.

Program data mining dapat melakukan analisis data dan menemukan informasi

penting yang tersembunyi mengenai suatu pola data. Hal ini dapat memberikan

kontribusi yang sangat besar pada strategi bisnis, knowledge base, dan penelitian serta

riset medikal.

Kehadiran data mining dilatar belakangi dengan problema data explosion yang

dialami akhir-akhir ini dimana banyak perusahaan telah mengumpulkan data sekian

tahun lamanya (data pembelian, data penjualan, data nasabah, data transaksi, dan

sebagainya). Hampir semua data tersebut dimasukkan dengan menggunakan aplikasi

komputer yang digunakan untuk menangani transaksi sehari-hari yang kebanyakan

adalah OLTP (Online Transaction Processing). Bayangkan berapa banyak transaksi

Page 13: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

20

yang dimasukkan dari transaksi kartu kredit dari sebuah bank dalam seharinya dan

bayangkan betapa besarnya ukuran data mereka jika nanti telah berjalan beberapa tahun.

Pertanyaannya sekarang, apakah data tersebut akan dibiarkan menggunung, tidak

berguna lalu dibuang, ataukah dapat di‘tambang’ untuk mencari ‘emas’, ‘berlian’ berupa

informasi yang berguna untuk perusahaan. Banyak perusahaan yang kebanjiran data

namun miskin informasi.

Sebagai cabang ilmu baru di bidang komputer, namun sudah cukup banyak

penerapan yang dapat dilakukan oleh data mining. Apalagi ditunjang kekayaan dan

keanekaragaman berbagai bidang ilmu (artificial intelligence, database, statistik,

pemodelan matematika, pengolahan citra, dan sebagainya) membuat penerapan data

mining menjadi makin luas.

2.1.1 Penerapan Data mining untuk Analisis Pasar

Untuk analisis pasar, banyak sekali sumber data yang dapat digunakan seperti

transaksi kartu kredit, kartu anggota club tertentu, kupon diskon, keluhan pembeli,

ditambah dengan studi tentang gaya hidup masyarakat.

Sebagai contoh, jika seseorang mempunyai kartu kredit, sudah pasti ia akan

sering menerima surat berisi brosur penawaran barang atau jasa. Jika bank pemberi kartu

kredit mempunyai 1.000.000 nasabah, dan mengirimkan sebuah surat penawaran kepada

setiap nasabahnya dengan biaya pengiriman sebesar Rp. 1.000,- per buah maka biaya

yang dihabiskan adalah 1 milyar rupiah. Jika bank tersebut mengirimkan penawaran

sekali sebulan yang berarti 12 kali dalam setahun. Maka, anggaran yang dikeluarkan per

tahunnya adalah 12 milyar rupiah. Dari dana 12 milyar rupiah yang dikeluarkan,

Page 14: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

21

mungkin hanya 10% dari nasabah saja yang benar-benar membeli. Secara harfiah,

berarti 90% dari dana tersebut terbuang sia-sia.

Persoalan di atas merupakan salah satu persoalan yang dapat diatasi oleh data

mining dari sekian banyak potensi permasalahan yang ada. Data mining dapat

menambang data transaksi belanja kartu kredit untuk melihat manakah nasabah yang

memang potensial untuk membeli produk tertentu. Mungkin tidak sampai presisi 10%,

tapi bayangkan jika dapat disaring menjadi 30% saja, tentunya 70% dana dapat

digunakan untuk hal lainnya.

Beberapa fungsi lainnya dari data mining untuk analisis pasar adalah sebagai

berikut.

• Menembak target pasar

Data mining dapat melakukan pengelompokan (clustering) dari model-

model pembeli dan melakukan klasifikasi terhadap setiap pembeli sesuai dengan

karakteristik yang diinginkan seperti kesukaan yang sama, tingkat penghasilan

yang sama, kebiasaan membeli dan karakteristik lainnya.

• Melihat pola beli pemakai dari waktu ke waktu

Data mining dapat digunakan untuk melihat pola beli seseorang dari

waktu ke waktu. Sebagai contoh, ketika seseorang menikah dapat saja ia

kemudian memutuskan pindah dari single account ke joint account (rekening

bersama) dan kemudian setelah itu pola beli-nya berbeda dari ketika ia masih

bujangan.

Page 15: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

22

• Cross-Market Analysis

Data mining dapat digunakan untuk melihat hubungan antara penjualan

satu produk dengan produk lainnya.

Berikut ini adalah beberapa contohnya.

− Cari pola penjualan Coca Cola sedemikian rupa sehingga dapat diketahui

barang apa sajakah yang harus disediakan untuk meningkatkan penjualan

Coca Cola.

− Cari pola penjualan IndoMie sedemikian rupa sehingga dapat diketahui

barang apa saja yang juga dibeli oleh pembeli IndoMie. Dengan demikian

dapat diketahui dampaknya jika IndoMie tidak dijual lagi.

• Profil Customer

Data mining dapat membantu untuk melihat profil customer sehingga

dapat diketahui kelompok customer tertentu suka membeli produk apa saja.

• Identifikasi Kebutuhan Customer

Data mining dapat digunakan untuk mengidentifikasi produk-produk apa

saja yang terbaik untuk tiap kelompok customer dan menyusun faktor-faktor apa

saja yang kira-kira dapat menarik customer baru untuk bergabung/membeli.

• Menilai Loyalitas Customer

VISA International Spanyol menggunakan data mining untuk melihat

kesuksesan program-program customer loyalty mereka.

• Informasi Summary

Data mining dapat digunakan untuk membuat laporan summary yang

bersifat multi-dimensi dan dilengkapi dengan informasi statistik lainnya.

Page 16: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

23

2.1.2 Penerapan Data mining untuk Analisis Perusahaan dan Manajemen Resiko

• Perencanaan Keuangan dan Evaluasi Aset

Data mining dapat membantu untuk melakukan analisis dan prediksi cash

flow serta melakukan contingent claim analysis untuk mengevaluasi aset. Selain

itu dapat juga digunakan untuk analisis trend.

• Perencanaan Sumber Daya (Resource Planning)

Dengan melihat informasi ringkas (summary) serta pola pembelanjaan

dan pemasukkan dari masing-masing resource, data mining dapat digunakan

untuk melakukan resource planning.

• Persaingan (Competition)

Sekarang ini banyak perusahaan yang berupaya untuk dapat melakukan

competitive intelligence. Data mining dapat membantu untuk memonitor

pesaing-pesaing dan melihat market direction mereka.

− Data mining dapat digunakan untuk melakukan pengelompokan customer

dan memberikan variasi harga/layanan/bonus untuk masing-masing grup.

− Data mining dipakai dalam menyusun strategi penetapan harga di pasar

yang sangat kompetitif. Hal ini diterapkan oleh perusahaan minyak

REPSOL di Spanyol dalam menetapkan harga jual gas di pasaran.

• Telekomunikasi

Sebuah perusahaan telekomunikasi menerapkan data mining untuk

melihat jutaan data transaksi yang masuk, transaksi mana sajakah yang masih

harus ditangani secara manual (dilayani oleh manusia). Tujuannya tidak lain

adalah untuk menambah layanan otomatis khusus untuk transaksi-transaksi yang

Page 17: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

24

masih dilayani secara manual. Dengan demikian jumlah operator penerima

transaksi manual tetap bisa ditekan minimal.

• Keuangan

Financial Crimes Enforcement Network di Amerika Serikat baru-baru ini

menggunakan data mining untuk menambang trilyunan dari berbagai subyek

seperti property, rekening bank dan transaksi keuangan lainnya untuk

mendeteksi transaksi-transaksi keuangan yang mencurigakan (seperti money

laundry). Mereka menyatakan bahwa hal tersebut akan susah dilakukan jika

menggunakan analisis standar.

• Asuransi

Australian Health Insurance Commision menggunakan data mining

untuk mengidentifikasi layanan kesehatan yang sebenarnya tidak perlu tetapi

tetap dilakukan oleh peserta asuransi. Dengan strategi tersebut, mereka berhasil

menghemat satu juta dollar per tahunnya. Tentu saja ini tidak hanya bisa

diterapkan untuk asuransi kesehatan, tetapi juga untuk berbagai jenis asuransi

lainnya.

• Olah Raga

IBM Advanced Scout menggunakan data mining untuk menganalisis

statistik permainan NBA (jumlah shots blocked, assists dan fouls) dalam rangka

mencapai keunggulan bersaing (competitive advantage) untuk tim New York

Knicks dan Miami Heat.

Page 18: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

25

• Astronomi

Jet Propulsion Laboratory (JPL) di Pasadena, California dan Palomar

Observatory berhasil menemukan 22 quasar dengan bantuan data mining . Hal

ini merupakan salah satu kesuksesan penerapan data mining di bidang astronomi

dan ilmu ruang angkasa.

• Internet Web Surf-Aid

IBM Surf-Aid menggunakan algoritma data mining untuk mendata akses

halaman Web khususnya yang berkaitan dengan pemasaran guna melihat prilaku

dan minat customer serta melihat keefektifan pemasaran melalui Web.

Dengan melihat beberapa aplikasi yang telah disebutkan sebelumnya, terlihat

sekali potensi besar dari penerapan data mining di berbagai bidang. Bisa dikatakan

bahwa data mining merupakan salah satu aktivitas di bidang perangkat lunak yang dapat

memberikan ROI (return on investment) yang tinggi. Namun demikian, perlu diingat

bahwa data mining hanya melihat keteraturan atau pola dari sejarah, tetapi tetap saja

sejarah tidak sama dengan masa datang. Sebagai contoh, jika orang terlalu banyak

minum Coca Cola bukan berarti dia pasti akan kegemukan, jika orang terlalu banyak

merokok bukan berarti dia pasti akan kena kanker paru-paru atau mati muda.

Bagaimanapun juga data mining tetaplah hanya alat bantu yang dapat membantu

manusia untuk melihat pola, menganalisis trend, dan sebagainya dalam rangka

mempercepat pembuatan keputusan.

Berbagai pemaparan tersebut merupakan suatu fakta yang tidak dapat dipungkiri

lagi oleh setiap perusahaan pada masa kini maupun masa mendatang. Oleh karena itu,

Page 19: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

26

pada skripsi ini menggunakan sistem database yang menerapkan aplikasi data mining

untuk clustering item. Topik utama yang disampaikan akan menggunakan bantuan

metode Clustering Large Application based on Randomized Search sebagai tool untuk

sistem clustering data perusahaan. Dengan begitu, manajer dapat menindaklanjuti

dengan cepat dan tepat terhadap kemungkinan munculnya informasi yang tergali setelah

dilakukan proses clustering pada data-data yang ada.

Clustering sebenarnya merupakan teknik data mining yang digunakan untuk

mencari pengelompokan data, yang tidak memiliki pengelompokan alami. Pada

algoritma clustering, data akan dikelompokan menjadi cluster-cluster berdasarkan

kemiripan satu data dengan data yang lain. Dalam hal ini, tidak ada patokan tertentu

yang digunakan pada algoritma clustering untuk mencari pengelompokan data yang ada

pada sekumpulan data tersebut. Data yang dikelompokan dalam satu cluster memiliki

similaritas tinggi, sedangkan antara satu cluster dengan cluster lainnya memiliki

similaritas rendah.

2.6 Definisi Data Mining

Data mining merupakan proses untuk menggali (mining) pengetahuan dan

informasi baru dari data yang berjumlah banyak pada data warehouse, dengan

menggunakan kecerdasan buatan (Artificial Intelegence), statistik dan matematika. Data

mining merupakan teknologi yang diharapkan dapat menjembatani komunikasi antara

data dan pemakainya. Data mining seringkali disebut juga dengan knowledge mining

from databases, knowledge extraction, data pattern analysis, data archeology, dan data

dredging.

Page 20: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

27

Selain itu data mining juga sering digunakan oleh banyak orang sebagai sinonim

dari Knowledge Discovery in Databases atau KDD. Teknik analisis data mining pada

umumnya diorentasikan untuk dapat mengerjakan data yang ada dalam jumlah sebanyak

mungkin, dengan tujuan mining terhadap data tersebut dapat menghasilkan keputusan

dan kesimpulan yang terjamin keakuratannya.

Arsitektur utama dari sebuah sistem data mining, pada umumnya mengandung

unsur-unsur sebagai berikut :

− Database, datawarehouse, atau media penyimpanan informasi.

Media dalam hal ini bisa jadi berupa database, datawarehouse,

spreadsheets, atau jenis-jenis penampungan informasi lainnya. Data cleaning

dan data integration dapat dilakukan pada data tersebut.

− Database atau datawarehouse server.

Database atau datawarehouse server bertanggung jawab untuk

menyediakan data yang relevan berdasarkan permintaan dari user pengguna data

mining .

− Data mining engine.

Bagian dari program aplikasi yang menjalankan program berdasarkan

algoritma yang ada.

− Pattern evaluation module

Bagian dari program aplikasi yang berfungsi untuk menemukan pattern

atau pola-pola yang terdapat di dalam database yang diolah sehingga nantinya

proses data mining dapat menemukan knowledge yang sesuai.

Page 21: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

28

− Graphical user interface

Bagian ini merupakan sarana antara user dan sistem data mining untuk

berkomunikasi, di mana user dapat berinteraksi dengan sistem melalui data

mining query, untuk menyediakan informasi yang dapat membantu dalam

pencarian knowledge. Lebih jauh lagi, bagian ini mengijinkan user untuk

melakukan browsing pada database dan datawarehouse, mengevaluasi pattern

yang telah dihasilkan, dan menampilkan pattern tersebut dengan tampilan yang

berbeda-beda.

Suatu sistem data mining yang baik, seharusnya dibangun dengan algoritma

yang baik, terstruktur, cepat, dan juga dapat menangani data dalam jumlah besar,

sehingga ketika menangani suatu database dengan ukuran besar maupun kecil, running

time-nya pun akan berkembang secara proporsional. Dengan melakukan data mining,

knowledge yang menarik, high level information dapat di-extract dari database atau

ditampilkan dari berbagai sudut pandang. Data mining pada umumnya dapat dilakukan

terhadap segala macam data yang tersimpan baik pada relational database,

datawarehouse, transactional databases, dan tidak tertutup kemungkinan pada sebuah

sistem database pada internet, seperti misalnya, mining informasi transaksi online.

Page 22: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

29

2.7 Tahapan-tahapan pada Data Mining

Ringkasan dari tahapan-tahapan serta proses yang dilakukan pada saat

melakukan data mining dan proses untuk menemukan knowledge dapat dilihat pada

Gambar 2.1.

Gambar 2.1. Tahap-tahapan dalam Data mining

(Sumber : Data mining : Concepts and Techniques, Jiawei Han)

Sumber: http://www.cs.sfu.ca/~han/dmbook

Tahap-tahapnya dimulai dari pemrosesan raw data atau data mentah sampai pada

penyaringan hingga ditemukannya knowledge, dijabarkan sebagai berikut.

1. Selection, yaitu proses memilih dan memisahkan data berdasarkan beberapa

kriteria, misalnya berdasarkan kota tempat tinggal konsumen.

2. Preprocessing, yaitu mempersiapkan data, dengan cara membersihkan data,

informasi atau field yang tidak dibutuhkan, yang jika dibiarkan hanya akan

memperlambat proses query, misalnya nama pelanggan jika sudah diketahui

Page 23: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

30

kode pelanggannya. Selain itu juga, ditahap ini dilakukan penyeragaman format

terhadap data-data yang tidak konsisten, misalnya pada suatu field dari suatu

tabel, data jenis kelamin diinputkan dengan “L” atau “M”, sedangkan pada tabel

yang lain, data tersebut diinputkan sebagai “P” atau “W”.

3. Transformation, data yang telah melalui proses select dan pre-processing tidak

begitu saja langsung digunakan, tapi ditransformasikan terlebih dahulu ke bentuk

yang lebih navigable dan useable, misalnya dengan menambahan field-field

tertentu yang bersifat demografi, seperti propinsi, kota, atau informasi apapun

yang biasanya digunakan pada riset pemasaran.

4. Data mining, tahap ini dipusatkan untuk mendapatkan pola dari data (extraction

of data).

5. Interpretation and evaluation, dalam proses ini pattern atau pola-pola yang

telah diidentifikasi oleh sistem kemudian di terjemahkan/diintepretasikan ke

dalam bentuk knowledge yang lebih mudah dimengerti oleh user untuk

membantu pengambilan keputusan, misalnya menunjukan item yang saling

berasosiasi melalui grafik atau bentuk lain yang lebih mudah dimengerti.

Pada umumnya, data mining dapat digunakan untuk menganalisis dan

menemukan empat tipe relasi berikut.

− Classes, data yang tersedia dapat digunakan untuk menemukan hubungan dari

beberapa hal yang ingin diketahui. Sebagai contoh, sebuah restauran dapat

melakukan mining terhadap data penjualannya selama periode-periode tertentu,

untuk menemukan pada waktu-waktu kapan, restauran tersebut menerima

kunjungan paling banyak dan kunjungan paling sedikit, setelah menemukan,

Page 24: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

31

restoran mungkin dapat menawarkan paket-paket istimewa untuk menarik

pelanggan lebih banyak lagi pada jam-jam sepi tersebut, sehingga nantinya dapat

meningkatkan penjualan dari restauran tersebut secara keseluruhan.

− Clusters, data item dapat dikelompokan/dipecah-pecah kedalam beberapa grup,

berdasarkan algoritma yang sudah ditentukan. Misalnya, data mining dapat

langsung mencari dan mengelompokan konsumen di daerah yang mana saja yang

mempunyai daya beli tinggi, dan yang mana memiliki daya beli rendah.

− Associations, data dapat di-mine untuk menemukan item-item apa saja, yang

dibeli konsumen, yang saling berasosiasi. Misalnya; bila seorang konsumen

membeli secangkir kopi, ternyata konsumen tersebut juga membeli makanan

ringan seperti biskuit ataupun cake.

− Sequential patterns, data dapat di-mine untuk menemukan “patterns and trends”

yaitu pola belanja konsumen dan juga trend yang terjadi secara berurutan.

Sebagai contoh adalah, konsumen yang membeli sebuah komputer, dapat

diperkirakan konsumen tersebut akan membeli juga software-software game atau

installer maupun tinta printer.

2.8 Clustering

Analisis cluster adalah upaya menemukan sekelompok objek yang mewakili

suatu karakter yang sama atau hampir sama (similar) antar satu objek dengan objek

lainnya pada suatu kelompok dan memiliki perbedaan (not similar) dengan objek-objek

pada kelompok lainnya. Tentunya persamaan dan perbedaan tersebut diperoleh berdasar

informasi yang diberikan oleh objek-objek tersebut beserta hubungan (relationship)

Page 25: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

32

antar mereka. Dalam berbagai kesempatan, clustering juga sering disebut sebagai

Unsupervised Classification yaitu, pengelompokan data yang tidak memiliki

pengelompokan alami. Beberapa hal yang tidak termasuk dalam analisis cluster adalah

− Klasifikasi yang telah tervisikan (misal, pengelompokan hewan berdasar cara

perkembangbiakannya),

− Pemisahan sederhana (misal, pengelompokan nama siswa berdasar abjad),

− Hasil suatu Query (misal, grouping suatu spesifikasi tertentu),

− Partisi grafik, dan sebagainya.

2.8.1 Konsep dasar Clustering

Konsep terpenting yang harus disadari adalah bahwa proses clustering yang baik

akan menghasilkan cluster dengan kualitas tinggi bila memiliki :

− Tingkat kesamaan yang tinggi dalam satu class (high intra-class similarity).

− Tingkat kesamaan yang rendah antar class (low inter-class similarity).

Similarity yang dimaksud merupakan pengukuran secara numerik terhadap dua

buah objek. Nilai similarity ini akan semakin tinggi bila dua objek yang dibandingkan

tersebut memiliki kemiripan yang tinggi pula. Tentunya, perbedaaan kualitas suatu hasil

clustering ini bergantung pada metode yang dipakai untuk mengukur kesamaan

(similaritas) tersebut serta implementasinya. Dalam hal ini, diperlukan kesebandingan

antara data yang hendak di-cluster. Oleh karena itu, digunakan metode Min-Max

Normalization untuk mengatasi hal tersebut. Rumus selengkapnya dari metode ini dapat

dilihat sebagai berikut.

Page 26: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

33

AAAAA

A newnewnewVV min_)min_max_(*minmax

min' +−−

−=

di mana,

V’ = Nilai dari data hasil Min-Max Normalization

V = Nilai dari data yang akan dinormalisasi

minA = Nilai minimum dari suatu field data yang sama

maxA = Nilai maksimum dari suatu field data yang sama

new_minA = Nilai minimum terbaru yang diinginkan

new_maxA = Nilai maksimum terbaru yang diinginkan

Selain itu pula, suatu metode clustering juga harus dapat diukur kemampuannya

dalam usahanya untuk menemukan suatu pola tersembunyi pada data yang tersedia.

Dalam mengukur nilai similarity ini, ada beberapa metode yang dapat dipakai. Namun,

hanya akan dijelaskan metode yang dipakai dalam pembuatan skripsi ini, yaitu

Euclidean Distance.

Pada metode ini, dua buah point dapat dihitung jaraknya bila diketahui nilai dari

masing-masing atribut pada kedua point tersebut. Berikut adalah rumus distance yang

dipakai.

Distance rrkk

n

kk qp /1

1

)||( −= ∑=

μ

dimana, n = Jumlah record data

k = Urutan field data

r = 2

Page 27: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

34

kμ = Bobot field yang diberikan oleh user

• (0 <= kμ <= 1)

• kp , kq ε R

Yang dimaksud dengan bobot field ( kμ ) adalah ukuran kemampuan suatu field

ke-k dalam mempengaruhi jarak antara kedua point. Semakin besar nilai kμ , akan

semakin besar pula pengaruhnya terhadap jarak antara kedua point, dan sebaliknya

semakin kecil nilai kμ , akan semakin kecil pengaruhnya terhadap jarak antar kedua

point.

2.8.2 Tipe Clustering

Pada dasarnya terdapat 2 tipe Clustering, yaitu:

− Partitional Clustering: Tipe cluster yang benar-benar terpisah antara sekelompok

objek dengan sekelompok objek lainnya.

Original Points A Partitional Clustering

Gambar 2.2. Tipe-tipe Cluster

Sumber: http://en.wikipedia.org/wiki/Cluster_analysis

Page 28: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

35

− Hierarchical Clustering: Sekelompok cluster yang terorganisasi sebagai suatu

pohon hirarki (hierarchical tree).

Gambar 2.3. Traditional Hierarchical Clustering

Sumber: http://en.wikipedia.org/wiki/Cluster_analysis

2.8.3 Penggunaan Aplikasi Clustering

Berbagai macam aplikasi penggunaan clustering, dapat meliputi sebagai berikut :

− Pengenalan pola

− Analisis data spasial (Spatial Data)

• Membuat Map GIS (Geographic Information System)

• Mendeteksi cluster spasial dan menjelaskannya pada data mining spasial

− Memroses image tertentu

− Ilmu Pengetahuan Ekonomi (analisis pasar)

− Meng-cluster weblog data

Page 29: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

36

Contoh penggunaan aplikasi cluster :

− Marketing: Membantu para pelaku pasar menemukan kelompok tertentu pada

basis customer mereka dan menggunakan pengetahuan tersebut untuk

mengembangkan program target marketing mereka.

− Land use: Mengidentifikasi setiap area yang ada di permukaan bumi untuk

keperluan observasi pada database.

− Insurance: Mengidentifikasi sekelompok pemegang polis asuransi yang

memiliki tingkat biaya klaim rata-rata tertentu.

− City Planning: Mengidentifikasi sekelompok rumah berdasar tipe, nilai serta

letak geografisnya.

− Earth-quake Studies: mengobservasi berbagai macam titik episentrum gempa

bumi yang terjadi pada berbagai benua.

2.9 Clustering Large Applications based On Randomized Search

Metode ini dapat dijelaskan sebagai berikut :

− Clustering Large Application based on Randomized Search menggambarkan

contoh pasangan set (neighbor) secara dinamis

− Proses clustering dapat menggambarkan pencarian suatu graph, di mana setiap

node pada graph tersebut merupakan solusi yang potensial, yaitu sekumpulan k

medoids.

− Jika optimum lokal ditemukan, Clustering Large Application based on

Randomized Search memulai lagi dengan memilih node baru secara random

untuk menemukan optimum lokal yang baru.

Page 30: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

37

Tahapan dalam algoritmanya adalah sebagai berikut.

1. Input parameter numlocal dan maxneighbor. Inisialisasi i = 1 dan

mincos t = nilai numerik yang besar (misal : 1000).

2. Set current_node = arbitrary node pada Gn, k.( Graph )

3. Set j = 1.

4. Tentukan random neighbor S dari current_node, dan kalkulasikan cost

differential dari dua node.

5. Jika S memiliki cost yang lebih rendah, set current_node = S, dan kembali ke

Step 3.

6. Jika tidak, increament j ( j = j + 1 ). Jika j _ maxneighbor, kembali ke Step 4

7. Selain itu, saat j > maxneighbor, bandingkan cost dari current dengan mincost.

Jika nilai cost yang didapat dari perhitungan current_node lebih kecil dari

mincost, set mincost = cost dari current_node dan set bestnode = current_node.

8. Increament i ( i = i + 1). Jika i >numlocal, output bestnode dan halt . Jika tidak,

kembali ke Step 2.

Gambar 2.4 Grafik Cluster

Page 31: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

38

2.10 Flowchart

Flowchart merupakan suatu cara penggambaran alur kontrol eksekusi sebuah

program dengan menggunakan simbol-simbol tertentu. Tujuan penggambaran flowchart

adalah untuk memudahkan orang lain dalam mempelajari alur logika sebuah program.

Simbol-simbol yang digunakan dalam menggambarkan flowchart adalah sebagai

berikut:

a. Terminator

Digunakan untuk mengawali dan mengakhiri sebuah alur flowchart.

Untuk mengawali sebuah alur program digunakan kata “Start”, dan untuk

mengakhiri alur tersebut digunakan kata “End”. Untuk mengawali dan

mengakhiri sebuah modul atau suatu bagian dari program, digunakan kata

“Enter” dan “Return”.

Gambar 2.5 Terminator

b. Preparation

Digunakan untuk menginisialisasi nilai sebuah variabel, record, atau field

lainnya yang diperlukan dalam program.

Gambar 2.6 Preparation

Page 32: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

39

c. Process

Digunakan untuk menampilkan proses-proses yang terjadi dalam alur

program, seperti penambahan, pengurangan, dan lain-lain.

Gambar 2.7 Process

d. Decision

Digunakan untuk menggambarkan proses percabangan (branching) yang

terjadi dalam alur program.

Gambar 2.8 Decision

e. Input/Output

Digunakan untuk menggambarkan proses yang melibatkan input dan

output data, seperti meminta input-an dan menampilkan hasil output kepada user.

Gambar 2.9 Input/Output

Page 33: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

40

f. Predefined Process

Digunakan untuk menggambarkan proses pemanggilan prosedur lain yang

terpisah dari alur utama program. Prosedur tersebut dijabarkan dalam flowchart

lain.

Gambar 2.10 Predefined Process

g. Connector

Digunakan untuk menghubungkan ujung-ujung percabangan dalam

aprogram.

Gambar 2.11 Connector

h. Arrow

Digunakan untuk menggambarkan arah alur program antara dua simbol.

Gambar 2.12 Arrow

Page 34: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

41

Berikut ini adalah flowchart dari algoritma Clustering Large Application based

on Randomized Search.

Start

EndMinCost=1000Count_Neighbor=0

i=1

Inc(Count_Neighbor)

Count_Neighbor=0Current_Node=Neighbor

Set Neighbor

best_node=current_nodebest_count_medoid_so_far=current_value

Select Arbitrary NodeSet Neighbor

Inc(i)

i<=NumLocal Count_Neighbor<=Max_Neighbor

best_count_medoid_so_far<=current_valueCountMedoid(Current_Node)<=CountMedoid(Neighbor)

No

No

Yes

No

Yes

Yes

No

Yes

Gambar 2.13 Flowchart of Data Clustering’s Procedure

Page 35: BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Database

42

2.11 Naive Bayes Classification

Metode ini dipakai untuk mengklasifikasikan item baru yang tidak mengalami

proses clustering. Jadi, setelah hasil akhir cluster terbentuk, bila ada data terbaru yang

ingin di-input-kan, user dapat langsung mengetahui data baru tersebut terklasifikasikan

pada cluster yang mana (tanpa harus mengulangi proses Clustering). Berikut ini adalah

rumus yang dipakai :

( ) ( ) ( )CxkCxCxkx |*...*|1|,...,1 ΡΡ=Ρ

Dimana, P(xi|C) adalah perkiraan frekuensi relativitas dari sampel yang memiliki

nilai xi seperti pada atribut yang ada pada class C.