Upload
trannhi
View
227
Download
0
Embed Size (px)
Citation preview
Mengapa DM:Banjir Data
• Twitter: 8000an tweet per detik 600 juta tweet per hari.
• Facebook: 30 milyar item (link, status, note, foto dst) per bulan. 500 juta user menghabiskan 700 milyar menit per bulan di situs FB.
• Indomaret: 4500an gerai, asumsikan 3 transaksi per menit = 12 juta transaksi per hari se Indonesia.
• Kartu kredit visa: berlaku di 200 negara. 10 ribu transaksi per detik 850 juta transaksi per hari.
Mengapa data mining?
• Digitalisasi, kemajuan sistem informasidata, data, data (Tera Peta)
• Web berita, blog, twitter, forum, flickr, fb, youtube
• Streaming data twitter, sensor (satelit)
Evolusi DB
• 60-an: koleksi data (file system primitif)
• 70-80: MIS (Sistem Informasi Management)
• 80-sekarang: OO, Deductive, Spatial, Multimedia
• 90-sekarang: Web based (XML, web mining), Datawarehouse, OLAP, Text Database, Text + Data mining
• 05-sekarang: Stream data management and mining, Cloud, Web
Apa Data Mining?
• Data mining (pencarian pengetahuan dari
data)
– Mengekstrak secara otomatis pola atau
pengetahuan yang menarik (tidak sederhana,
tersembunyi, tidak diketahui sebelumnya,
berpotensi berguna) dari data dalam jumlah
sangat besar.
Apa Datamining? (lanj)
• Nama alternatif: Knowledge discovery
(mining) in databases (KDD), knowledge
extraction, data/pattern analysis, data
archeology, data dredging, information
harvesting, business intelligence dsb
• Keuntungan bagi organisasi yang menerapkan
data mining?
Keuntungan Datamining
• Perusahaan fokus ke informasi yg berharga di datawarehouse/databasenya.
• Meramalkan masa depan perusahaan dapat mempersiapkan diri
Contoh:Midwest grocery chain menggunakan DM untuk menganalisisi pola pembelian: saat pria membeli popok di hari Kamis dan Sabtu, mereka juga membeli minuman.
Analisis lebih lanjut: pembeli ini belanja di hari kamis dan sabtu, tapi di hari kamis jumlah item lebih sedikit. Kesimpulan yang diambil: pembeli membeli minuman untuk dihabiskan saat weekend.
Tindak lanjut: menjual minuman dengan harga full di hari Kamis dan Sabtu. Mendekatkan posisi popok dan minuman.
Contoh AplikasiBank me-mining transaksi customer untuk mengidentifikasi customer yang kemungkinan besar tertarik terhadap produk baru.
Setelah teknik ini digunakan, terjadi peningkatan 20 kali lipat penurunan biaya dibandingkan dengan cara biaya.
Contoh Aplikasi
Perusahaan kartu kredit meminingdata customer untuk mengelompokancustomer yang memiliki nilai tinggiyang perlu diprioritaskan.
Proses Datamining
Pembersihan Data
Data Integration
Databases
Data Warehouse
Task-relevant Data
Selection
Data Mining
Pattern Evaluation
Diambil dari www.cs.uiuc.edu/~hanj
Data Mining dan Business Intelligence
Semakin mendukung
pengambilan keputusanEnd User
Business
Analyst
Data
Analyst
DBA
Pengambilan
Keputusan
Presentasi Data
Teknik Visualiasi
Data MiningPenemuan Informasi
Eksplorasi Data
Statistical Summary, Querying, and Reporting
Data Preprocessing/Integrasi, Data Warehouses
Sumber Data
Database, Web, Paper, Files, Web, eksperimen
Diambil dari www.cs.uiuc.edu/~hanj
Data Mining: Multi Disiplin Ilmu
Data Mining
Teknologi DB Statistik
MachineLearning
PatternRecognition
AlgoritmaIlmu Lain
Visualisasi
Mengapa tidak analisis data biasa?• Jumlah data yang sangat besar
– Algoritma harus scalable untuk menangani data yang sangat besar (tera)
• Dimensi yang sangat besar: ribuan field
• Data Kompleks
– Aliran data dan sensor
– Data terstruktur, graph, social networdk, multi-linked data
– Database dari berbagai sumber, database lama
– Spasial (peta), multimedia, text, web
– Software Simulator
Tugas (task) dari Data Mining
Prediksi: Bagaimana perilaku atribut tertentu dalamdata dimasa datang? (predictive) Time series Pattern Sequence Independent-dependent relation
Klasifikasi: mengelompokkan data ke dalam kategoriberdasarkan sampel yang ada (label diskrit) Feature selection
Clustering: mengklasterkan obyek tanpa ada sampelsebagai contoh (descriptive)
Association: object association
Association Rules• Tujuan
Memberikan aturan yang berkaitan dengankehadiran set item dengan set item yang lain
Contoh:
Association Rules
Market-basket model
Mencari kombinasi beberapa produk
Letakkan SHOES dekat dengan SOCK sehingga jika seorangcustomer membeli satu dia akan membeli yang lain
Transaksi: seseorang membeli beberapaitems dalam itemset di supermarket
Klasifikasi
married
salary Acct balance
age
Yes
<20k
Poor risk
>=20k<50k
Fair risk
>=50
Good risk
no
<5k
Poor risk>=25<25
>5k
Fair risk Good risk
12/30/2011
RID Married Salary Acct balance Age Loanworthy
1 No >=50 <5k >=25 Yes
2 Yes >=50 >=5k >=25 Yes
3 Yes 20k..50k <5k <25 No
4 No <20k >=5k <25 No
5 No <20k <5k >=25 No
6 Yes 20k..50k >=5k >=25 Yes
Class attribute
Expected information
),...,(*...
)( 1
1
1
jnj
n
j
jnjSSI
S
SSAE
Salary
I(3,3)=1
Information gain
Gain(A) = I-E(A)
E(Married)=0.92
Gain(Married)=0.08
E(Salary)=0.33
Gain(Salary)=0.67
E(A.balance)=0.82
Gain(A.balance)=0.18
E(Age)=0.81
Gain(Age)=0.19
age
Class is “no” {4,5}
>=50k20k..50k<20k
Class is “no” {3} Class is “yes” {6}
Class is “yes” {1,2}
Entropy<25 >=25
n
i
iin ppSSSI1
221 log),...,(
Klasifikasi
Ex# Country Marital Status
Income hooligan
1 England Single 125K Yes
2 England Married Yes
3 England Single 70K Yes
4 Italy Married 40K No
5 USA Divorced 95K No
6 England Married 60K Yes
7 England 20K Yes
8 Italy Single 85K Yes
9 France Married 75K No
10 Denmark Single 50K No 10
Training
SetModel
Learn
Classifier
Country Marital Status
Income Hooligan
England Single 75K ?
Turkey Married 50K ?
England Married 150K ?
Divorced 90K ?
Single 40K ?
Itlay Married 80K ? 10
Test
Set
Text Classification
Ex# Hooligan
1 An English football fan …
Yes
2 During a game in Italy …
Yes
3 England has been beating France …
Yes
4 Italian football fans were cheering …
No
5 An average USA salesman earns 75K
No
6 The game in London was horrific
Yes
7 Manchester city is likely to win the championship
Yes
8 Rome is taking the lead in the football league
Yes 10
Training
SetModel
Learn
Classifier
Test
Set
Hooligan
A Danish football fan ?
Turkey is playing vs. France. The Turkish fans …
? 10
Klastering
Klastering adalah proses mengelompokkanobyek-obyek yang mirip ke dalam satu klaster.
Obyek bisa berasal dari data base customer,produk, gen, mahasiswa, dsb.
Klastering
Berapa KonsepSalah satu hal yang sangat penting adalah
penggunaan ukuran kemiripan (similarity)Jika datanya numerik, fungsi kemiripan (
similarity function) berdasarkan jarak sering digunakan
Euclidean metric (Euclidean distance), Minkowsky metric, Manhattan metric.
Korelasi, cosinus, kovarianceHiraki, Kmeans, Fuzzy, SOM, Support Vector
Clustering
Aturan yang menyatakan asosiasi antara beberapa atribut seringdisebut Affinity Analysis atau Market Basket Anaysis.
Analisis asosiasi (Association Rule) merupakan salah satu teknikyang digunakan untuk menemukan aturan asosiatif antara suatukombinasi item.
Misalnya aturan asosiatif dari analisis pembelian di suatu pasarswalayan adalah dapat diketahuinya berapa besar kemungkinanseorang pelanggan membeli roti bersamaan dengan susu, pastagigi dengan sikat gigi, bir dengan pampers, dsb.
Dengan pengetahuan tsb pemilik pasar swalayan dapat mengaturpenempatan barangnya atau merancang kampanye pemasaranterkait dengan pengetahuan yang didapat.
3.1 Ide Dasar (cont’d)
Aturan asosiasi biasanya dinyatakan dalam bentuk:
1. “50% dari transaksi yang memuat item roti dan mentega juga memuat susu.Sedangkan 40% dari seluruh transaksi memuat ketiga item itu”.
2. “Seorang konsumen yang membeli roti dan mentega punya kemungkinan50% juga membeli susu. Aturan ini cukup signifikan karena mewakili 40%dari transaksi yg ada”.
{roti, mentega} {susu} (support=40%, confidence=50%)
Aturan tersebut dapat berarti:
3.1 Ide Dasar (cont’d)
Support = P (A B) =∑ Transaksi yang mengandung A dan B
∑ Transaksi
Nilai confidence dari aturan A B diperoleh dengan:
Confidence = P (B | A) = ∑ Transaksi yang mengandung A dan B
∑ Transaksi yang mengandung A
Nilai support dari aturan A B diperoleh dengan:
3.2 Rumus Dasar
Misalkan dari suatu database transaksi didapatkan data sbb:
Transaksi Dalam bentuk tabular
3.3 Contoh Kasus
Beberapa pengertian:
Sebuah itemset merupakan himpunan item-item yang beradadalam himpunan item yang dijual, yaitu {teh, gula, kopi, susu, roti}.
k-itemset adalah itemset yang berisi k item. Misalnya {teh, gula}adalah 2-itemset, {teh, gula, roti} adalah 3-itemset.
Frequent itemset menunjukkan itemset yang memiliki frekuensikemunculan lebih dari minimum yang ditentukan ().
Himpunan dari frequent k-itemset dilambangkan dengan Fk.
3.3 Definisi
Calon 2-itemset Calon 3-itemset
Jika = 2, maka:
F2= { {teh, gula}, {gula, kopi}, {gula, susu}, {gula, roti}, {kopi, susu}, {susu, roti}}
F3= { {gula, susu, kopi} }
5C2 = 10
5C3 = 10
3.3 Definisi (cont’d)
Ingat!, nilai confidence dari aturan A B diperoleh dengan:
Confidence = P (B | A) =
Calon aturan asosiasi dari F3
Jika ditetapkan nilai confidence minimal adalah 60%, maka aturan yg bisaterbentuk adalah aturan 2 dan 3.
3.3 Definisi (cont’d)