Pada beberapa tahun terakhir jumlah data terus mengalami peningkatan yang sangat signifikan. Dalam jangka waktu 20 bulan saja, jumlah data yang ada dapat berlipat ganda menjadi berkali-kali lipat. Jumlah data yang sangat besar ini tentunya tidak dapat dihapus begitu saja sebab sangat bermanfaat bagi bisnis dan bidang lainnya. Untuk itu, terdapat istilah data mining yang merupakan pemilahan data berdasarkan polanya. Berikut ini kita akan mengulas mengenai data mining secara lebih detail.
Apa Itu Data Mining?
Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining, sering juga disebut sebagai knowledge discovery in database (KDD). KDD adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar.
Fungsi data maining ini adalah untuk menemukan pola yang menarik dari data dalam jumlah besar, data dapat disimpan dalam database, data warehouse, atau penyimpanan informasi lainnya. Kegiatan ini juga berkaitan dengan bidang ilmu–ilmu lain, seperti database sistem, data warehousing, statistik, machine learning, information retrieval, dan komputasi tingkat tinggi. Selain itu, juga didukung oleh ilmu lain seperti neural network, pengenalan pola, spatial data analysis, image database, signal processing.
Karakteristik Data Mining
- Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola data tertentu yang tidak diketahui sebelumnya.
- Data mining biasa menggunakan data yang sangat besar. Biasanya data yang besar digunakan untuk membuat hasil lebih dipercaya.
- Data mining berguna untuk membuat keputusan yang kritis, terutama dalam strategi
Faktor Data Mining
1. Data Mencapai Jumlah dan Ukuran yang Besar
Hasil dan proses dari data mining merupakan suatu informasi yang akan mendasari tindakan tertentu sehingga dibutuhkan fakta informasi yang signifikan, semakin besar dan semakin banyak data yang digunakan maka akan semakin valid hasilnya. Perkembangan data pada sebuah perusahaan akan mengalami peningkatan yang sangat cepat hingga mencapai kisaran terabyte.
2. Telah Melewati Proses Data Warehousing
Demi mencapai hasil yang sesuai dengan apa yang diinginkan, tak jarang data yang dikumpulkan juga berasal dari berbagai departemen hingga sumber data lain seperti data kependudukan. Untuk itu, diperlukan data warehousing untung menjaga konsistensi, memberikan perspektif yang lebih baik dan menjaga integritas data.
3. Kemampuan Komputansi yang Makin Terjangkau
Pada dasarnya proses data maining membutuhkan akses data yang banyak dan juga sumber daya yang besar. Turunnya harga perangkat komputer dan teknologi lainnya membuat proses data maining dapat dilakukan secara cepat sehingga sudah dapat dilakukan secara komersial.
4. Persaingan Bisnis yang Ketat
Persaingan bisnis yang kian hari semakin ketat membuat setiap perusahaan diharuskan memiliki inovasi baru yang mengikuti tren di masyarakat. Selain itu, para pelaku bisnis diharuskan dapat meningkatkan daya saing tak hanya di pasar nasional namun juga di pasar global.
| Baca juga: Data Science: Ilmu Baru Dalam Dunia Digital Manfaat dan Proses Pengolahan Big Data untuk Kemajuan Bisnis Modern |
Metode Data Mining
1. Model Verifikasi
Model ini menggunakan pendekatan top down dengan mengambil hipotesa dari user dan memeriksa validitasnya dengan data sehingga bisa dibuktikan kebenaran dari hipotesa tersebut.
2. Model Knowledge Discovery
Model ini menggunakan pendekatan bottom up dari data yang sebelumnya tidak diketahui. Model ini terbagi menjadi dua yakni:
a) Directed knowledge discovery
Data mining akan mencari penjelasan nilai target field (penghasilan, respon, usia) terhadap field yang lainnya. Model ini juga akan menjelaskan hubungan data yang satu dengan data yang lainnya.
b) Undirected knowledge discovery
Model ini tidak ada target field karena komputer akan langsung mencari pola pada data. Selain itu, model ini juga dapat menentukan relasi antara data satu dengan data lainnya.
Penerapan Data Mining
1. Market Analysis & Management
Pada sektor pemasaran, data mining biasanya dipakai untuk marketing target, analisis pasar, segmentasi market, cross selling, dan CRM atau manajemen hubungan pelanggan. Berikut adalah beberapa contoh penerapan data mining pada sektor pemasaran.
- Target Pemasaran: Menemukan kelompok konsumen “model” yang mempunyai karakteristik sama. Misalnya, minat, kebiasaan belanja, tingkat pendapatan, dan lain sebagainya, maupun menentukan pattern atau pola pembelian konsumen seiring berjalannya waktu.
- Analisis Lalu Lintas Market: Menemukan hubungan antara produk penjualan dengan prediksi berdasarkan asosiasinya.
- Profiling Konsumen: Jenis pelanggan seperti apa yang membeli barang atau jasa. Klasifikasi atau pengelompokan konsumen.
- Analisis Kebutuhan Konsumen: Identifikasi produk yang terbaik bagi sejumlah kelompok pelanggan, memperkirakan faktor yang mampu menarik konsumen baru, laporan ringkasan multidimensi, penyediaan data ringkasan, dan informasi ringkasan statistik.
2. Corporate Analysis dan Risk Management
Penerapan penambangan data pada sektor perusahaan umumnya dipakai untuk retensi pelanggan, prediksi, analisis kompetitif, kontrol kualitas, dan memperbaiki underwriting. Berikut adalah beberapa contoh penerapan data mining pada sektor tersebut.
- Perencanaan Finansial & Evaluasi Aset: Analisis serta perkiraan arus kas, analisis cross sectional serta time series, dan analisis klaim kontinjensi guna mengevaluasi aset.
- Planning Sumber Daya: Merangkum serta membandingkan sumber daya serta pengeluaran.
- Persaingan: memantau kompetitor dan juga arah pasar, mengatur strategi menetapkan harga pasaran yang kompetitif, mengklasifikasikan konsumen pada kelompok tertentu, dan menetapkan harga dengan basis kelas prosedur.
3. Fraud Detection dan Mining Unusual Patterns
Penerapan data mining lainnya juga bisa dilakukan untuk mendeteksi serta mencari fraud di sebuah sistem. Melalui data mining, setiap transaksi yang diterima akan bisa dilihat dengan lebih cepat dan menyeluruh. Berikut adalah contoh penerapan data mining pada aspek ini.
- Pendekatan: Konstruksi dan clustering model untuk analisis outlier dan penipuan.
- Aplikasi: Layanan ritel, kesehatan, telecomm, kartu kredit. Sebagai contoh, asuransi otomatis, asuransi kesehatan, pencucian uang, dan analisis pola penyimpangan terhadap norma yang diharapkan.
Tahapan Data Mining
1. Pembersihan Data (data cleaning)
Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan. Pada umumnya data yang diperoleh, baik dari database suatu perusahaan maupun hasil eksperimen, memiliki isian-isian yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik.
Selain itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa data mining yang dimiliki. Data-data yang tidak relevan itu juga lebih baik dibuang. Pembersihan data juga akan mempengaruhi performasi dari teknik data mining karena data yang ditangani akan berkurang jumlah dan kompleksitasnya.
2. Integrasi data (data integration)
Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru. Tidak jarang data yang diperlukan untuk data mining tidak hanya berasal dari satu database tetapi juga berasal dari beberapa database atau file teks.
Integrasi data dilakukan pada atribut-aribut yang mengidentifikasikan entitas-entitas yang unik seperti atribut nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang dan bahkan menyesatkan pengambilan aksi nantinya.
Sebagai contoh bila integrasi data berdasarkan jenis produk ternyata menggabungkan produk dari kategori yang berbeda maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada.
3. Seleksi Data (Data Selection)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database. Sebagai contoh, sebuah kasus yang meneliti faktor kecenderungan orang membeli dalam kasus market basket analysis, tidak perlu mengambil nama pelanggan, cukup dengan id pelanggan saja.
4. Transformasi data (Data Transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam data mining. Beberapa metode data mining membutuhkan format data yang khusus sebelum bisa diaplikasikan.
Sebagai contoh beberapa metode standar seperti analisis asosiasi dan clustering hanya bisa menerima input data kategorikal. Karenanya data berupa angka numerik yang berlanjut perlu dibag-ibagi menjadi beberapa interval. Proses ini sering disebut transformasi data.
5. Proses mining
Suatu proses utama saat metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data.
6. Evaluasi pola (pattern evaluation)
Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai.
Bila ternyata hasil yang diperoleh tidak sesuai hipotesa ada beberapa alternatif yang dapat diambil seperti menjadikannya umpan balik untuk memperbaiki proses data mining, mencoba metode data mining lain yang lebih sesuai, atau menerima hasil ini sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat.
7. Presentasi pengetahuan (knowledge presentation)
Visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna. Tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisis yang didapat.
Ada kalanya hal ini harus melibatkan orang-orang yang tidak memahami data mining. Karenanya presentasi hasil data mining dalam bentuk pengetahuan yang bisa dipahami semua orang adalah satu tahapan yang diperlukan dalam proses data mining. Dalam presentasi ini, visualisasi juga bisa membantu mengkomunikasikan hasil.
Kesimpulan
Data mining kini menjadi hal yang penting untuk dilakukan karena dapat mengklasifikasikan data berdasarkan polanya sehingga lebih terstruktur. Banyaknya data yang terus bertambah secara signifikan seiring berjalannya waktu membuat banyak sekali data baru yang bermunculan. Pengelolaan data ini penting dilakukan untuk tetap menjaga informasi yang dibutuhkan oleh berbagai pihak terutama dalam bidang bisnis.
Simak beberapa layanan pembuatan dan optimasi website terpercaya di Indonesia dalam halaman berikut.
