5 Artikel Data Mining
Data
Mining dalam Menganalisis Faktor Alasan Pemilihan Perumahan
Pada jurnal diatas
menggunakan Type data mining algoritma C4.5 yang merupakan perangkat lunak yang
bersifat open source, Pada kedua table diatas menggunakan attribute :
Table 1 : Aksesbilitas,
tipologi, Harga, Pembayaran, Keputusan
Tabel 2 : Klasifikasi
Penilaian, jumlah kasus, beli, tidak beli, entropy, Gain
Pada table diatas untuk
melihat hasil pengujian dengan menggunakan tools data mining rapidminer. Pada
table diatas diperoleh dari masing-masing table yaitu 4 dimensi. Proses ini
dilanjukan dengan menjalankan (run) dan dapat kita lihat hasil pohon keputusan
yang dibentuk dan sama dengan hasil perhitungan manual yang telah dilakukan
diatas. Dan hasil yang diperoleh pada table diatas diperoleh keputusan (Jika
Harga = Tinggi maka konsumen = Tidak Beli.) (Jika Harga = Rendah, Aksebilitas =Jauh, maka
konsumen = Tidak Beli.) (Jika Harga = Rendah, Aksesbilitas = Sedang, Maka Konsumen
= Beli) (Jika Harga = Rendah, Aksesbilitas = Dekat, Tipologi=Luas, Maka
Konsumen = Beli) (Jika Harga = Rendah, Aksesbilitas =
Dekat, Tipologi = Sempit, maka Konsumen = Tidak Beli.).Task
mining yang digunakan adalah Classification karena untuk memberikan Tindakan
untuk pengelompokan pemilihan perumahan
PENERAPAN
DATA MINING PENERIMAAN KARYAWAN MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
Algoritma Naïve Bayes
merupakan sebuah metode klasifikasi menggunakan metode probabilitas dan
statistic yang dikemukakan oleh ilmuan inggris Thomas Bayers. Pada jurnal
diatas menggunakan tipe data mining Naïve Bayes Classifier dan pada table
diatas menggunakan attribute :
Umur, Berat badan,
Pendidikan, Tinggi Badan, Status Kesehatan
Pada table diatas
diperoleh 5 dimensi. naive bayes classifier memberikan sistem pendukung
keputusan penerimaan karyawan dengan tingkat akurasi sebesar 80% dengan data
uji sebanyak lima data. Analisis ini bertujuan untuk mengetahui
lebih jelas bagaimana cara kerja sistem tersebut dan masalah yang dihadapi
untuk dijadikan landasan usulan. pada sistem yang lama masih menggunakan
lembaran-lembaran berkas atau arsip sedangkan yang diusulkan dilakukan secara
terkomputerisasi sehingga dapat mempermudah penyimpanan, pencarian, pengubahan
serta penghapusan data. Dan pada table diatas menggunakan tools boostrap, Fast
Procedur, Data latih dalam bentuk json, Jquery. Task mining yang digunakan
adalah Classification karena untuk memberikan Tindakan untuk mengelompokkan
data studi kasusnya.
Hasil :
Pengembangan
Web Service Algoritma Data Mining Menggunakan Metode Rest API
Type Data :
Nominal adalah tipe data diskrit yang tidak
mengenal urutan.
Contoh :
- Warna
Baju : Hijau , Merah, Kuning, dll
- Suku
Bangsa : Jawa, Batak, Ambon, Tionghoa, dll
- Jenis Bunga : Iris Sentosa, Iris Virginica, dll
Atribut : Pada table di atas, Atribut nya terdiri dari : class, sepal length, sepal width, petal length, petal width
Type Atribut : sepal
length, sepal width, petal length, petal width adalah Atribut Ordinal
class adalah Atribut Nominal
Dimensi : Table di atas memiliki dimensi sebanyak 4
Preprocessing :
Teknik pengumpulan data yang digunakan dalam penelitian ini yaitu studi literatur dan data sekunder berdasarkan penelitian sebelumnya. Teknik pengumpulan data yang dilakukan untuk menentukan kriteria dengan menggunakan jurnal dan literatur relevan lainnya. Selain itu dalam penelitian ini juga membutuhkan data pendukung yang bersumber dari buku, jurnal, dan literatur lainnya yang relevan dengan penelitian ini.
Teknik analisis data yang digunakan dalam penelitian ini adalah analisis kuantitatif. kuantitatif merupakan metode penelitian yang dilandasi pada aliran filsafat positivisme, digunakan untuk meneliti pada populasi atau sampel tertentu, teknik pengambilan sampel data dilakukan secara acak dan menggunakan instrumen penelitian, analisis data bersifat kuantitatif/statistik dengan tujuan untuk menguji hipotesis yang telah ditetapkan.
Task Mining yang
dilakukan :
Taks Mining yang dilaukan adalah Classification (klasifikasi)
Berdasarkan tabel di atas dapat diketahui persentase untuk Correctly Classified Instance adalah sebesar 86% sementara persentase untuk Incorrectly Classified Instance adalah sebesar 14%. Di mana dari 150 data bunga Iris, ada sebanyak 129 data bunga iris berhasil diklasifikasikan dengan benar dan sebanyak 21 data penggunaan listrik rumah tangga tidak berhasil diklasifikasikan dengan benar.
Hasil yang diperoleh :
Hasil pengujian dan analisis penelitian tentang web service data mining ini, dapat diambil kesimpulan bahwa sistem web service yang dikembangkan dengan metode Rest API menggunakan algoritma Naive Bayes dalam mengelola data, dimana algoritma Naive Bayes memanfaatkan data latih untuk menghasilkan probabilitas setiap kriteria untuk class yang berbeda, sehingga nilai-nilai probabilitas dari kriteria tersebut dapat dioptimalkan untuk memprediksi data uji berdasarkan proses klasifikasi yang dilakukan oleh metode Naive Bayes itu sendiri.
Tools yang digunakan :
Aplikasi
Client Untuk memastikan Rest API yang telah dibuat berfungsi dengan baik dan
dapat digunakan oleh aplikasi klien, peneliti membuat sebuah aplikasi klien berbasis
web yang terhubung dengan Rest API yang telah dibuat sebelumnya untuk memproses
sebuah dataset.
Implementasi
Data Mining Pada Hasil Penjualan Barang Menggunakan Metode K-Means Clustering
Hasil
Interasi Data
- Type data yang digunakan pada data mining pada hasil penjualan barang adalah type data numerik. Karena data yang diambil dari hasil penjualan barang yaitu dari stock awal, terjual barang, dan stock akhir.
- Atribut yang dimiliki pada data yang digambar tersebut adalah stock awal, terjual, stock akhir, C1, C2, dan C3.
- Type atribut yag digunakan adalah numerik karena pada data tersebut yang diambil adalah hasil penjualan barang.
- Dimensi yang ada pada data yang digambar kedua ada 6 dimensi.
- Preprocessing mengambil data sampel penjualan barang dan mengelompokkan kategori barangnya.
- Task data mining yang digunakan adalah segmentation karena ada clustering menggunakan metode unsupervised karena tidak ada satu atributpun yang digunakan untuk memandu proses pembelajaran sehingga data yang dianalisis secara otomatis dengan pengelompokkan data dari data-data yang sudah pernah digunakan.
- Pada gambar diatas adalah hasil dari data penjualan barang yang menggunakan metode K-Means Clustering dan data akan dikelompokkan sesuai dengan nama barang dan cluster tersebut.
- Tools yang digunakan adalah Rattle karena sudah ada fitur clustering, opsi pengelompokkan yang tersedia K-Means, Clara, Hierarchical, dan BiCluster.
Implementasi
Data Mining Dalam Memprediksi Transaksi Penjualan Menggunakan Algoritma Apriori
(Studi Kasus PT.Arma Anugerah Abadi Cabang Sei Rampah)
- Type data yang digunakan pada data mining pada table diatas adalah algoritma apriori.
- Atribut yang dimiliki pada data yang digambar tersebut adalah kode produk, jumlah, nilai support, dan pada table ke 2 adalah kombinasi, item, jumlah, nilai support.
- Dimensi yang ada pada data yang ditabel pertama ada 3 dimensi, dan ditabel kedua ada 4 dimensi.
- Preprocessing mengambil data sampel penjualan roti bungkus dan mengelompokkan kategori roti bungkusnya .
- Task data mining yang digunakan adalah Asosciation karena ada untuk menganalisa table transaksi penjualan dan mengidentifikasi produk-produk roti bungkus.
- Tools yang digunakan adalah affinity analysis atau market basket analysis.
Hasil :
Referensi
:
- https://prosiding.konik.id/index.php/konik/article/view/83/76
- https://proceeding.unpkediri.ac.id/index.php/inotek/article/view/121
- https://ejournal.upbatam.ac.id/index.php/prosiding/article/view/3611
- https://www.unisbank.ac.id/ojs/index.php/sendi_u/article/view/8653
- https://www.researchgate.net/publication/338632311_Implementasi_Data_Mining_Dalam_Memprediksi_Transaksi_Penjualan_Menggunakan_Algoritma_Apriori_Studi_Kasus_PTArma_Anugerah_Abadi_Cabang_Sei_Rampah
Kelompok 1
:
- Alfahri Rabbi Ramadhan (10119455)
- Daffa Mithwa Adabi (11119536)
- Muhammad Alam Syahputra Z. (13119986)
- Muhammad Fathin (14119065)
- Yoni Nanda Kusuma (16119717)
Komentar
Posting Komentar