Think it over, intan!!!

Got the time? q nulis ini start jam 12:05 pm,,, tapi blom ngantuk,, kirain pulang khum bisa ninggalin pikiran ttg TA… but,,, i still thinking of it.. come on intan,, think the problem now.. thinking n searching!!!

Dari tadi kepikiran mau prediksi apa??!

1. Prediksi tentang prestasi co-ass dari tahun ke tahun dengan pengclusteran,,,
2. Prediksi dampak yang ditimbulkan dari tiap kelompok kasus penyakit gigi,, misalnya.. kalo co-ass lagi perawatan endo,, (walah.. gaya eung kya anak2 fkg bahasanya,, naon ceuna endo?!) kalo nggak salah mah itu rawat akar,, nah,, nanti dari kumpulan data masalah endo,, bisa diprediksi kemungkinan yang akan datang,, apa perawatan selanjutnya yang terbaik..
3. apa lagi ya?!…. (still thingking @ 12:10)

Asal-Usul Data Mining

Artikel ini q kutip dari file ppt-nya mas Taufiq Hidayat, MCS.

Machine Learning/ Pengenalan Pola + Statistik/ai + DBS = Data Mining

Kenapa data harus di mining?

Karena data kalo kelamaan bisa numpuk dan cuma tersimpan di data warehouse (gudang data). Sayang kan kalo data cuma numpuk tanpa arti,, jadi sampah aja n menuh-menuhin space hdd?! Padahal, di dalam tumpukan or timbunan data itu ada banyak informasi yang bermanfaat. Nah, dengan data mining bisa dihasilkan informasi pada tumpukan data tersebut tanpa harus nganalisa secara manual,, dibandingin gitu antar data,, disort dan search satu2,,, kapan kelarnya???? Lama!!! udah gitu, kalo manual mah kemungkinan ada data yang kelewat untuk dianalisis.

Nahlo,,, prediksi tentang apa nih?

Ummphhh,, kira2 kasusnya apa ya?????? statement ini dkk menghantui pikirankyu… hehe,, takuttt Insya Allah jadi ambil topik data mining,, dengan modal : 75% nekad + 25% semangat = … Hufh,, Ya Allah, ak bingung.. tapi kalo kelamaan bingung n berpikir terus2an bisa2 waktu abis buat berpikir… Bismillah,, ak TA Data Mining!!! Semangattttt!!!!! Planing,,, mau mining prestasi co-ass di RSGM dkt kostn ak,, (ada deh namanya… secret! hihiiii) nanti ak pake metode prediksi,, itu teh nanti dicari variable2nya terus diolah pake algoritma yang sesuai (heheeee… masih jauh untuk pahami algoritmanya,, tp ak bakal belajar untuk ini!!!) and akan dihasilkan pola hasil prediksi yang menginformasikan prestasi/ kualitas co-ass tiap angkatan,, Ya Allah,, smoga lancar.. Amin… ^_^

Metode Data Mining 1 — Prediksi

• Menggunakan beberapa variable untuk memprediksi suatu nilai yang akan datang
• Proses2 yang ada di metode prediksi :
  1. Klasifikasi :  Proses untuk menemukan model/fungsi yang menjelaskan/membedakan konsep (kelas data) untuk memprediksi kelas dari objek yang labelnya tidak diketahui
     • contoh : Mendeteksi Penipuan – memprediksi kasus kecurangan credit card
     • pendekatan :
       1. Dengan transaksi credit card, lihat informasi dari atribut account holder : kapan customer membeli, dengan cara apa dia membayar, sesering apa membayar tepat waktu?
       2. Namai/tandai setiap transaksi,, mana yang curang dan mana yang baik —> atribut class
       3. Pelajari model utk class transaksi
       4. Model nomor 3 digunakan untuk mendeteksi kecurangan dengan meneliti setiap transaksi credit card apad tiap account.
  2. Decision Tree : salah satu model klasifikasi yang mudah diinterpretasikan
     • contoh :
       1. identifikasi pada pembeli komputer
  3. Analisis Time Series
  4. Regresi : Memetakan data dengan prediksi atribut bernilai real
     • contoh :
       1. Prediksi jumlah penjualan produk baru pada pengeluaran iklan
       2. Prediksi kecepatan memutar pada fungsi temperatur, tekanan udara
  5. Prediksi
  6. Jaringan Saraf Tiruan

KDD (Knowledge Discovery in Database)

Berhubungan dengan teknik integrasi & penemuan ilmiah, inteprerasi dan visualisasi dari pola2, proses untuk mencari dan mengidentifikasi pola dalam data, dimana pola yang ditemukan bersifat sah, baru, dapat bermanfaat dan dapat dimengerti.

Tahap2nya :

1. Data Cleaning :
   • membuang noise (kesalahan yang terjadi secara acak/ karena variasi dalam pengukuran variable)
   • membuang inconsistence data
   • menangani missing value (nilai yang hilang)
   • “Pada umumnya dalam database memiliki isian yang tidak sempurna, seperti data hilang, invalid data, atribut yang tidak relevan Atribut yang tidak relevan sebaiknya dibuang, karena akan mengurangi akurasi dari hasil mining” (indo-dm)
     
2. Data Integration : menggabungkan database dari beberapa sumber yang berbeda
   • “Integrasi data perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang dan bahkan menyesatkan pengambilan aksi nanatinya. Contoh, intergrasi data berdasarkan jenis produk ternyata menggabungkan produk dari kategori yang berbeda maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada.”(indo-dm)
3. Data Selection : menyeleksi data yang dibutuhkan dan sesuai dengan analisis proses data mining yang disimpan dalam suatu berkas yang terpisah dari database operasional, menciptakan himpunan data target, memilih himpunan data tersebut
4. Data Transformation : mengubah data menjadi bentuk yang sesuai dengan data mining
   • “Beberapa teknik dami membutuhkan format yang khusus sebelum bisa diaplikasikan. Contoh, teknik analisis asosiasi dan clustering hanya bisa menerima input data kategorial. Karena itu, data berupa angka numerik yang berlanjut perlu dibagi-bagi menjadi beberapa interval (proses binning). Disini juga dilakukan pemilihan data yang diperlukan oleh teknik yang dipakai. ” (indo-dami)
5. Data mining : mengolah data menjadi pola2 informasi
6. Pattern Evaluation : mengevaluasi pola2 untuk mendapatkan pola yang bernilai
7. Knowledge Presentation : mempresentasikan pengetahuan dari pola2 tersebut

Penelitian di RSGM UN***

Menunggu membawa hikmah,,, hehe.. ya, waktu itu q lagi  nunggu mba isti (teman kozn q yang lagi co-ass Drg) bayar scaling k bag pembayaran. Jaraknya lumayan,, harus turun dari lantai 2 ke lantai satu… Ga tau persis sih, gimana prosedurnya.. tp yang q liat itu ribed aja…

Pikir.. pikirrr,,, umm, seru tuh kalo buat aplikasi yang bisa nanganin itu… (heheee),, jadi aplikasi itu punya fungsionalitas yang bisa nyimpen uang co-ass.. maksudnya,, co-ass (sdh tdaftar dalam database tentunya) di awal co-ass harus masukin sejumlah uang ke bagian pembayaran (bagian tertentu),, nanti saat co-ass itu mau bayar perawatan tertentu,, transaksinya tinggal lewat aplikasi itu aja.. ya, semacam atm lah,,, tapi beda.. nanti co-ass masukin id-nya untuk autentifikasi,, terus co-ass itu pilih mau transaksi untuk perawatan apa.. terus setelah di submit,,  bisa diprint bukti transaksinya… gitu deh,, masih ada sih kepikiran fungsionalitas lainnya,,, tapi belum fix.. see later deh.. (hehe)

Ta’aruf sama Data Mining

Awal mulany ak kenalan sama data mining,, gini.. waktu ak les oracle d Telkom PDC,, guru lezku Pa John ngebahas tentang data mining alias Dami… ummm, apaan tuh data mining? tambang data? diapain dan buat ap??? …

trus dijelasin deh,, oh, data mining itu mengolah kumpulan data dari database berskala besarrrr yang disimpan dalam gudang data,, diolah gt pake engine data mining,,, and dihasilkan pola2 yang berarti informasi penting yang sebelumnya informasi tersebut tidak diketahui kalo aja data2 itu gak di mining.. getho..