Pengertian Data Mining Lengkap Beserta Contohnya

Data mining adalah kegiatan untuk menemukan pola informasi atau pengetahuan dari data masa yang lalu sehingga dapat memperkirakan perilaku dimasa depan, hal ini juga diperkuat oleh santosa dan umam (2018) yang mengungkapkan bahwa data mining adalah kegiatan mengekstrak informasi atau pengetahuan (knowledge) penting dari sutau set data berukuran besar dengan menggunakan teknik tertentu untuk pengambilan keputusan dan memperkirakan perilaku dimasa yang akan datang. Beberapa langkah sebelum melakukan teknik data mining ada tiga tahapan yaitu :

1. Seleksi data yang merupakan tahapan pemilihan set data guna untuk dipakai dari database yang ada
2. Data Cleaning merupakan tahapan untuk pembersihan data dengan tujuan menghilangkan data yang atributnya tidak terlalu penting dalam proses perhitungan selanjutnya (Effendy and Purbandini 2018).
3. Tranformasi data adalah melakukan transformasi tertentu agar set data siap diproses atau bisa menghasilkan analisis yang lebih naik.

Beberapa algoritma klasifikasi telah digunakan untuk memprediksi data yang besar diantaranya decision tree, neural network, naïve bayes, instance-based learning, logistic regression dan support vector machine.

Kumpulan artikel tentang data mining akan tersedia di Pengalaman Berdukasi akan tersedia di halaman ini. tetapi ini admin akan fokus hanya pada penjelasan tentang beberap algoritma klasifikasi mulai dari algoritma Naive bayes, Decision Tree, Sampai Support vector machine dan lain sebagainya. penjelasan tentang teori bukan cara menghitung.

berikut daftar kumpulan teori data mining yang akan kami kemas dari METERI 1 hinggan selesai

MATERI DATA MINING 

• MENGAPA PERLU DATA MINING ?
• TUGAS – TUGAS DATA MINING
• Proses dan Tahapan Data Mining Lengkap
• Pengertian dan kegunaan dataset atau set data
• MACHINE LEARNING, SUPERVISED DAN UNSUPERVISED LEARNING
• CONFUSION MATRIX
• ANALISIS KLASIFIKASI ( ALGORITMA NAIVE BAYES )
• MENGHITUNG NAIVE BAYES ATRIBUT DATA KONTINYU
• KONSEP DASAR DECISION TREE
• ANALISIS ALGORITMA C4.5
• Pembahasan Dasar Algoritma ANN (Artifical Neural Network)
• Tahapan dan Cara Kerja Algoritma k-NN (k-Nearest Neighbor)
• Cara menghitung Laplacian Correction Algoritma Naive Bayes
• Pengujian Data dengan Cross Validation
• Menghitung Gini Index Pada Algoritma C4.5
• Menghitung Algoritma k-NN pada kasus atribut kelas numerik
• Penyelesaian Perhitungan Confusion Matrix pada kasus 3 kelas
• Penyelesaian Algoritma C4.5 Atribut Data Numerik
• Analisis Algoritma C4.5 pada kasus missing data velaue
• Analisis Algoritma k-NN pada kasus Data tidak Seimbang (Imbalanced Class)
• Analisis Komparasi Algoritma C4.5, Gradient Bossting, Random Forest dan Deep Learning
• Perbedaan Machine Learning dan Data Science
• Himpunan Data dan Macam-macam fitur dalam Machine Learning 
• Perbedaan Algoritma dan Model dalam Machine Learning 
• Metode Neural Network MLP, CNN, dan RNN

CARA PERHITUNGAN DATA MINING

• Cara menghitung Algoritma C4.5 dengan Excel Data Diskrit
• Cara menghitung Entropy Algoritma C4.5 di Excel dengan cepat
• Cara Menghitung Algoritma C4.5 Pada Atribut Data Numerik
• Penerapan Algoritma Naive Bayes dengan Fungsi COUNTIF di Excel
• Menghitung Naive Bayes dengan Excel atribut Data Numerik
• Cara Menghitung Algoritma k-NN Menggunakan Excel
• Cara Menghitung Analisis Regresi Dengan Excel 
• Cara Hitung RMSE, MSE, MAPE dengan Excel 
• Menghitung Algoritma Pada Atribut Kelas Numerik   
• Cara Menghitung Gain Ratio Algoritma C4.5
• Cara Menghitung Gini Index Algoritma C4.5
  
• Cara Menghitung Dengan Metode Cross Validation Manual
• Cara Menghitung Entropy Decision Tree Lebih dari 2 Kelas

Share :