materi

Pengenalan Penambangan Data dan Standar Metodologi CRISP-DM

Pengenalan Penambangan Data (*Data Mining*) dan Standar Metodologi CRISP-DM

Kajian fundamental mengenai penambangan data sebagai disiplin penemuan pola tersembunyi, anomali, korelasi, dan pengetahuan bermanfaat dari repositori basis data berskala masif (Knowledge Discovery in Databases / KDD).

1. Enam Fase Siklus CRISP-DM

Cross-Industry Standard Process for Data Mining (CRISP-DM) menyediakan kerangka kerja iteratif terstandarisasi untuk proyek penambangan data industri:

  1. Business Understanding: Memahami tujuan organisasi, merumuskan batasan masalah, dan menetapkan kriteria keberhasilan proyek analitik data.
  2. Data Understanding: Mengumpulkan data awal, melakukan eksplorasi statistik deskriptif (EDA), dan mengidentifikasi anomali atau missing values.
  3. Data Preparation: Pembersihan data, imputasi nilai hilang, transformasi fitur, rekayasa atribut (feature engineering), dan seleksi subset data.
  4. Modeling: Memilih dan menerapkan beragam teknik pemodelan machine learning (klasifikasi, regresi, clustering, atau asosiasi).
  5. Evaluation: Mengukur kinerja model berdasarkan metrik teknis (akurasi, presisi, recall, F1-score, RMSE) dan keselarasan dengan tujuan bisnis.
  6. Deployment: Mengintegrasikan model prediktif ke dalam sistem operasional nyata untuk pengambilan keputusan otomatis.

2. Tiga Tugas Utama Penambangan Data

  • Deskriptif: Mengelompokkan data yang memiliki kemiripan karakteristik tanpa label target sebelumnya (Unsupervised Learning seperti K-Means dan Hierarchical Clustering).
  • Prediktif: Membangun fungsi pemetaan dari fitur masukan menuju variabel luaran target bernilai kategori (Classification) atau kontinu (Regression).
  • Preskriptif: Merekomendasikan rangkaian tindakan optimal berdasarkan hasil estimasi model.
Back to Academics