Penggalian data (data mining) adalah ekstraksi pola yang menarik dari data dalam jumlah besar. Suatu pola dikatakan menarik apabila pola tersebut tidak sepele, implisit, tidak diketahui sebelumnya, dan berguna. Pola yang disajikan haruslah mudah dipahami, berlaku untuk data yang akan diprediksi dengan derajat kepastian tertentu, berguna, dan baru. Penggalian data memiliki beberapa nama alternatif, meskipun definisi eksaknya berbeda, seperti KDD (knowledge discovery in database), analisis pola, arkeologi data, pemanenan informasi, dan intelegensia bisnis. Penggalian data diperlukan saat data yang tersedia terlalu banyak (misalnya data yang diperoleh dari sistem basis data perusahaan, e-commerce, data saham, dan data bioinformatika), tetapi tidak tahu pola apa yang bisa didapatkan.
Beberapa contoh dari data mining adalah aplikasi yang banyak digunakan di bidang perbankan, pemasaran dan juga asuransi. Misalnya aplikasi yang digunakan dibidang pemasaran adalah untuk mengidentifikasi pembelian para konsumen, mencari dan menemukan hubungan karakterisitik demografi pelanggan, memperkirakan tanggapan penawaran melalui surat.
Contoh aplikasi data mining yang digunakan di perbankan adalah mendeteksi pola penyalahgunaan kartu kredit dan mengidentifikasi tingkat loyalitas dari para pelanggan. Dan aplikasi data mining yang digunakan di bidang asuransi misalnya analisis klaim dan memperkirakan pelanggan yang akan membeli produk terbarunya.
Pemanfaatan dari data mining sendiri bisa dilihat dari dua sudut pandang, baik sudut pandang komersial dan sudut pandang keilmuan. Dari sudut pandang komersial, data mining bisa digunakan untuk menangani adanya peledakan dari volume data. Dengan melihat bagaimana menyimpannnya, mengekstraknya dan memanfaatkannya. Tentunya berbagai ilmu komputasi dapat untuk menghasilkan informasi yang dibutuhkan.
Selain itu data mining juga bisa dimanfaatkan untuk menyelesaikan masalah dalam kebutuhan dibidang bisnis, misalnya :
· Mengetahui hilangnya pelanggan dikarenakan adanya pesaing.
· Mengetahui item suatu produk yang memiliki kesamaan karakteristik.
· Mengidentifikasi produk-produk yang sudah terjual dengan produk lainnya.
· Untuk memprediksi dari tingkat penjualan.
· Menilai tingkat resiko dalam menentukan jumlah produksi pada suatu item.
· Memprediksi perilaku bisnis dimasa depan.
Dari sudut pandang keilmuan, data mining juga memiliki manfaat yaitu dapat digunakan untuk mengcapture, menganalisis data dan juga untuk menyimpan data yang sifatnya real-time dan besar, seperti misalnya remote sensor, telescope dan simulasi saintifik.
Dalam data mining juga terdapat fungsi yang diterapkan dalam data mining, berikut fungsi yang umum dari data mining. Association, proses untuk menentukan aturan assosiatif dari suatu kombinasi item dalam suatu waktu. Secuence hampir sama dengan association namun bedanya diterapkan dalam satu periode saja. Clustering, pengelompokan data dalam kelompok data dan setiap klasternya terisi dengan data yang mirip.
Classification, proses penemuan model dan fungsi untuk membedakan konsep atau kelas pada masing-masing data. Regretion, proses pemetaan dalam suatu nilai prediksi. Forecasting proses dimana mengestimasi nilai prediksi berdasarkan pola dalam suatu kumpulan data. Solution, proses penemuan dasar masalah dari persoalan bisnis yang dihadapi.
Kelebihan Data Mining :
· Kemampuan dalam mengolah data dalam jumlah yang besar.
· Pencarian Data secara otomatis.
Kekurangan Data Mining :
· Kendala Database ( Garbage in garbage out ).
· Tidak bisa melakukan analisa sendiri.
Kesimpulannya :
Penerapan data mining sebagai cabang dari bidang ilmu komputera sudah cukup banyak digunakan dalam bidang industry bisnis dan lainnya. Data mining dapat ditunjang dengan kekayaan dan keanekaragaman dari berbagai bidang ilmu seperti database.
Sumber :
http://hariannetral.com/2014/09/pengertian-data-mining-apa-itu-data-mining.html
No comments:
Post a Comment