Teknik Klasifikasi(Classification/Predictive) Pada Data Mining
Pengertian Data Mining
Data mining ialah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge) secara otomatis.
Macam-macam Teknik dan Sifat Data mining
Ada beberapa teknik dan sifat data mining yaitu sebagai berikut :
Baca Juga: Permasalahan Dalam Data Mining
Teknik Klasifikasi atau Classification (Predictive) pada Data Mining
Teknik Klasifikasi adalah memilih sebuah record data gres ke salah satu dari beberapa katagori (atau klas] yang telah didefinisikan sebelumnya.Disebut juga dengan ‘supervised learning'. Berikut beberapa aplikasi dari pembagian terstruktur mengenai :
1. Penjualan Langsung (Direct Marketing)
Tujuan: mengurangi costsurat menyurat dengan memilih (targeting) satu set konsumen yang memiliki kesamaan dalam membeli produk telepon selular baru.
Pendekatan:
2. Fraud Detection
Tujuan: Memprediksi kasus-kasus transaksi curang dengan memakai kartu kredit.
Pendekatan:
Tujuan: Untuk memprediksi pelanggan mana yang akan berpindah ke competitor kita.
Pendekatan:
Data mining ialah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge) secara otomatis.
Macam-macam Teknik dan Sifat Data mining
Ada beberapa teknik dan sifat data mining yaitu sebagai berikut :
- Classification (Predictive)
- Clustering (Descriptive)
- AssociationRule Discovery (Descriptive)
- SequentialPattern Discovery (Descriptive)
- Regression (Predictive)
- DeviationDetection (Predictive)
Sumber gambar: dosenpendidikan.com
Baca Juga: Permasalahan Dalam Data Mining
Teknik Klasifikasi atau Classification (Predictive) pada Data Mining
Teknik Klasifikasi adalah memilih sebuah record data gres ke salah satu dari beberapa katagori (atau klas] yang telah didefinisikan sebelumnya.Disebut juga dengan ‘supervised learning'. Berikut beberapa aplikasi dari pembagian terstruktur mengenai :
1. Penjualan Langsung (Direct Marketing)
Tujuan: mengurangi costsurat menyurat dengan memilih (targeting) satu set konsumen yang memiliki kesamaan dalam membeli produk telepon selular baru.
Pendekatan:
- Gunakan data penjualan untuk suatu produk telepon selular.
- Kita mengetahui pelanggan yang memutuskan untuk membeli dan yang memutuskan untuk tidak membeli. Keputusan (buy, don’t buy} ini membentuk class attribute.
- Himpun bermacam demografi, gaya hidup dan company-interaction sehubungan dengan isu mengenai pelanggan tertentu. Misalkan: Tipe bisnis, dimana .mereka tinggal, berapa banyak mereka membayar, dll.
- Gunakan isu tersebut sebagai atribut input untuk mempelajari suatu model klasifikasi.
2. Fraud Detection
Tujuan: Memprediksi kasus-kasus transaksi curang dengan memakai kartu kredit.
Pendekatan:
- Gunakan transaksi kartu kredit dan isu pemegang kartu kredit sebagai atributnya Misalkan : Kapan seorang pelanggan membeli, apa yang dibeli apa selalu membayar sempurna waktu, dsb.
- Beri label transaksi-transaksi sebelumnya sebagai transaksi ‘fraud’ atau 'fair' dan bentuk ini menjadi class attribute.
- Pelajari satu model untuk class transaksi tersebut.
- Gunakan model ini untuk mendeteksi kecurangan dengan mengobservasi transaksi kartu kredit tiap account.
Tujuan: Untuk memprediksi pelanggan mana yang akan berpindah ke competitor kita.
Pendekatan:
- Gunakan record transaksi dengan pelanggan yang kemudian maupun yang kini untuk mendapat atribut, menyerupai : Seberapa sering pelanggan menghubungi, dimana beliau menghubungi, pada hari apa beliau paling sering menghubungi, status keuangannnya, status perkawinannya, dsb.
- Beri label pelanggan sebagai ‘setia’ atau ‘tidak setia'.
- Temukan suatu model untuk 'onalty’.