Dasar dari revolusi industri keempat akan sangat bergantung pada Data dan Konektivitas^{(Connectivity)} . Layanan Analisis^{(Analysis Services)} yang mampu mengembangkan atau membuat solusi penambangan data akan memainkan peran kunci dalam hal ini. Ini bisa membantu dalam menganalisis dan memprediksi hasil dari perilaku pembelian pelanggan^{(customer purchasing behavior)} untuk menargetkan pembeli potensial. Data akan menjadi sumber daya alam baru dan proses penggalian informasi yang relevan dari data yang tidak disortir ini akan menjadi sangat penting. Dengan demikian, pemahaman yang tepat tentang istilah – ^{(term –)} Data Mining , prosesnya, dan penerapannya dapat membantu kami dalam mengembangkan pendekatan holistik untuk kata kunci ini.

Dasar- dasar Data Mining^{(Data Mining Basics)} dan Tekniknya

Data mining, juga dikenal sebagai Knowledge Discovery in Data ( KDD ) adalah tentang mencari penyimpanan data yang besar untuk mengungkap pola dan tren yang melampaui analisis sederhana. Namun, ini bukan solusi satu langkah tetapi proses multi-langkah dan diselesaikan dalam berbagai tahap. Ini termasuk:

1] Pengumpulan dan Persiapan Data

Dimulai dengan pengumpulan data dan organisasi yang tepat. Ini membantu secara signifikan meningkatkan peluang menemukan informasi yang dapat ditemukan melalui penambangan data

2] Pembuatan Model dan Evaluasi

Langkah kedua dalam proses data mining^{(mining process)} adalah penerapan berbagai teknik pemodelan. Ini digunakan untuk mengkalibrasi parameter ke nilai optimal. Teknik yang digunakan sebagian besar bergantung pada kemampuan analitik yang diperlukan untuk mengatasi keseluruhan kebutuhan organisasi dan untuk sampai pada keputusan.

Mari kita periksa beberapa teknik data mining secara singkat. Ditemukan bahwa sebagian besar organisasi menggabungkan dua atau lebih teknik data mining bersama-sama untuk membentuk proses yang sesuai yang memenuhi kebutuhan bisnis mereka.

Baca^(Read) : Apa Itu Big Data?

Teknik Penambangan Data

1. Asosiasi –  ^{(Association – )}Asosiasi^{(Association)} adalah salah satu teknik data mining yang dikenal luas. Di bawah ini, pola diuraikan berdasarkan hubungan antara item dalam transaksi yang sama. Oleh karena^(Hence) itu, teknik ini juga dikenal sebagai teknik relasi^{(relation technique)} . Pengecer merek besar mengandalkan teknik ini untuk meneliti kebiasaan/preferensi pembelian pelanggan. Misalnya, saat melacak kebiasaan membeli orang, pengecer mungkin mengidentifikasi bahwa pelanggan selalu membeli krim saat membeli cokelat, dan oleh karena itu menyarankan agar lain kali mereka membeli cokelat, mereka mungkin juga ingin membeli krim.
2. Klasifikasi^{(Classification)} – Teknik penambangan data^{(data mining technique)} ini berbeda dari yang di atas karena didasarkan pada pembelajaran mesin^{(machine learning)} dan menggunakan teknik matematika seperti pemrograman Linier^{(Linear programming)} , Pohon keputusan , ^(Decision)Jaringan saraf^{(Neural network)} . Dalam klasifikasi, perusahaan mencoba membangun perangkat lunak yang dapat mempelajari cara mengklasifikasikan item data ke dalam kelompok. Misalnya, sebuah perusahaan dapat menentukan klasifikasi dalam aplikasi yang “mengingat semua catatan karyawan yang menawarkan diri untuk mengundurkan diri dari perusahaan, memprediksi jumlah individu yang kemungkinan besar akan mengundurkan diri dari perusahaan di masa depan.” Dalam skenario seperti itu, perusahaan dapat mengklasifikasikan catatan karyawan menjadi dua kelompok yaitu “tinggal” dan “tinggal”. Itu kemudian dapat menggunakan datanyaperangkat lunak penambangan^{(mining software)} untuk mengklasifikasikan karyawan ke dalam kelompok terpisah yang dibuat sebelumnya.
3. Clustering - Objek berbeda^(Different) yang menunjukkan karakteristik serupa dikelompokkan bersama dalam satu cluster melalui otomatisasi. Banyak cluster seperti itu dibuat sebagai kelas dan objek (dengan karakteristik serupa) ditempatkan di dalamnya. Untuk lebih memahaminya, mari kita perhatikan contoh pengelolaan buku^{(book management)} di perpustakaan. Di perpustakaan, koleksi buku yang sangat banyak dikatalogkan sepenuhnya. Item dari jenis yang sama terdaftar bersama-sama. Ini memudahkan kami menemukan buku yang kami minati. Demikian pula, dengan menggunakan teknik clustering^{(clustering technique)} , kita dapat menyimpan buku-buku yang memiliki beberapa kesamaan dalam satu cluster dan memberinya nama yang sesuai. Jadi, jika seorang pembaca ingin mengambil buku yang relevan^{(book relevant)}untuk minatnya, dia hanya perlu pergi ke rak itu daripada mencari di seluruh perpustakaan. Dengan demikian, teknik clustering^{(clustering technique)} mendefinisikan kelas dan menempatkan objek di setiap kelas, sedangkan pada teknik klasifikasi, objek ditugaskan ke kelas yang telah ditentukan.
4. Prediksi^(Prediction) – Prediksi adalah teknik data mining^{(data mining technique)} yang sering digunakan dalam kombinasi dengan teknik data mining^{(data mining technique)} lainnya s. Ini melibatkan analisis tren, klasifikasi, pencocokan pola^{(pattern matching)} , dan hubungan. Dengan menganalisis peristiwa atau kejadian masa lalu dalam urutan yang tepat, seseorang^{(sequence one)} dapat dengan aman memprediksi peristiwa di masa depan. Misalnya, teknik analisis prediksi^{(prediction analysis technique)} dapat digunakan dalam penjualan untuk memprediksi laba masa depan jika penjualan dipilih sebagai variabel independen dan laba^{(variable and profit)} sebagai variabel dependen pada penjualan. Kemudian, berdasarkan data penjualan dan laba historis, dapat ditarik ^{(sale and profit data)}kurva regresi^{(regression curve)} pas yang digunakan untukprediksi keuntungan^{(profit prediction)} .
5. Pohon keputusan^{(Decision trees)} – Di dalam pohon keputusan^{(decision tree)} , kita mulai dengan pertanyaan sederhana yang memiliki banyak jawaban. Setiap jawaban mengarah pada pertanyaan lanjutan untuk membantu mengklasifikasikan atau mengidentifikasi data sehingga dapat dikategorikan, atau agar dapat dibuat prediksi berdasarkan setiap jawaban. Sebagai contoh, Kami menggunakan pohon keputusan^{(decision tree)} berikut untuk menentukan apakah akan bermain kriket ODI atau tidak : Data Mining Decision Tree : Mulai dari simpul akar^{(root node)} , jika ramalan cuaca^{(weather forecast)} memprediksi hujan maka, kita harus menghindari pertandingan untuk hari itu. Atau, jika ramalan cuaca^{(weather forecast)} cerah, kita harus memainkan pertandingan.

Penambangan Data^{(Data Mining)} adalah inti dari upaya analitik di berbagai industri dan disiplin ilmu seperti komunikasi, Asuransi^(Insurance) , Pendidikan^(Education) , Manufaktur^{(Manufacturing)} , Perbankan dan Ritel^{(Banking and Retail)} , dan banyak lagi. Oleh karena itu, memiliki informasi yang benar tentang hal itu sangat penting sebelum menerapkan teknik yang berbeda.

What is Data Mining? Basics and its Techniques.

The foundation of the fourth industrial revolution will largely depend upon Data and Connectivity. Analysis Services capable of developing or creating data mining solutions will play a key role in this regard. It could assist in analyzing and predicting outcomes of customer purchasing behavior for targeting potential buyers. Data will become a new natural resource and the process of extracting relevant information from this unsorted data will assume immense importance. As such, a proper understanding of the term – Data Mining, its processes, and application could help us in developing a holistic approach to this buzzword.

Data Mining Basics and its Techniques

Data mining, also known as Knowledge Discovery in Data (KDD) is about searching large stores of data to uncover patterns and trends that go beyond simple analysis. This, however, is not a single-step solution but a multi-step process and is completed in various stages. These include:

1] Data gathering and Preparation

It starts with data collection and its proper organization. This helps in significantly improving the chances of finding the information that can be discovered through data mining

2] Model Building and Evaluation

The second step in data mining process is the application of various modeling techniques. These are used to calibrate the parameters to optimal values. Techniques employed largely depend on analytic capabilities required to address a gamut of organizational needs and to arrive at a decision.

Let us examine some data mining techniques in brief. It is found that most organizations combine two or more data mining techniques together to form an appropriate process that meets their business requirements.

Read: What is Big Data?

Data Mining Techniques

1. Association – Association is one of the widely-known data mining techniques. Under this, a pattern is deciphered based on a relationship between items in the same transaction. Hence, it is also known as the relation technique. Big brand retailers rely on this technique to research customer’s buying habits/preferences. For example, when tracking people’s buying habits, retailers might identify that a customer always buys cream when they buy chocolates, and therefore suggest that the next time that they buy chocolates they might also want to buy cream.
2. Classification – This data mining technique differs from the above in the way that it is based on machine learning and uses mathematical techniques such as Linear programming, Decision trees, Neural network. In classification, companies try to build software that can learn how to classify the data items into groups. For instance, a company can define a classification in the application that “given all records of employees who offered to resign from the company, predict the number of individuals who are likely to resign from the company in future.” Under such a scenario, the company can classify the records of employees into two groups that namely “leave” and “stay”. It can then use its data mining software to classify the employees into separate groups created earlier.
3. Clustering – Different objects exhibiting similar characteristics are grouped together in a single cluster via automation. Many such clusters are created as classes and objects (with similar characteristics) are placed in it accordingly. To understand this better, let us consider an example of book management in the library. In a library, the vast collection of books is fully cataloged. Items of the same type are listed together. This makes it easier for us to find a book of our interest. Similarly, by using the clustering technique, we can keep books that have some kinds of similarities in one cluster and assign it a suitable name. So, if a reader is looking to grab a book relevant to his interest, he only has to go to that shelf instead of searching the entire library. Thus, the clustering technique defines the classes and puts objects in each class, while in the classification techniques, objects are assigned into predefined classes.
4. Prediction – The prediction is a data mining technique that is often used in combination with the other data mining techniques. It involves analyzing trends, classification, pattern matching, and relation. By analyzing past events or instances in a proper sequence one can safely predict a future event. For instance, the prediction analysis technique can be used in the sale to predict future profit if the sale is chosen as an independent variable and profit as a variable dependent on sale. Then, based on the historical sale and profit data, one can draw a fitted regression curve that is used for profit prediction.
5. Decision trees – Within the decision tree, we start with a simple question that has multiple answers. Each answer leads to a further question to help classify or identify the data so that it can be categorized, or so that a prediction can be made based on each answer. For example, We use the following decision tree to determine whether or not to play cricket ODI: Data Mining Decision Tree: Starting at the root node, if the weather forecast predicts rain then, we should avoid the match for the day. Alternatively, if the weather forecast is clear, we should play the match.

Data Mining is at the heart of analytics efforts across a variety of industries and disciplines like communications, Insurance, Education, Manufacturing, Banking and Retail and more. Therefore, having correct information about it is essential before apply the different techniques.

Related posts

• 26 Perangkat Lunak Penambangan Data Terbaik

• Cara Menggunakan Automatic Data Type feature di Excel

• BitLocker Setup Gagal mengekspor Toko BCD (Boot Configuration Data)

• Cara mengelola Data Usage Limit pada Windows 10

• Tidak dapat mengimpor Registry File. Tidak semua Data ditulis untuk registri

• Cara mengunduh Instagram Data menggunakan Instagram Data Export Tool

• Hapus Site Data untuk situs tertentu di Chrome or Edge menggunakan Developer Tools

• 10 Best Professional Backup and Data recovery software untuk Windows 10

• Hapus atau Hapus Browsing History, Cookies, Data, Cache di Edge

• Aktifkan, Disable Data Collection untuk Reliability Monitor di Windows 10

• Siapa yang memiliki IoT Data? Manufacturer, End User, atau pihak ketiga?

• Cara men-download atau ekstrak Google Maps Data Anda

• Google Chrome tidak akan menghapus Browsing History and Data

• Error 0x8004010F, Outlook Data File tidak dapat diakses

• Microarchitectural Data Sampling (MDS) Kerentanan dijelaskan

• Apa itu Big Data - penjelasan sederhana dengan Example

• Download and Backup Google Data Anda menggunakan Google Takeout

• Apa itu USB Data Blockers? USB Data Blockers terbaik untuk dibeli di Amazon

• Hapus Cookies, Site Data, Cache untuk situs web tertentu: Chrome Edge Firefox

• Nonaktifkan Telemetry & Data Collection di Windows 10 menggunakan Task Scheduler