Data Mining
Mengapa DM: Banjir Data • Twitter: 8000an tweet per detik 600 juta tweet per hari. • Facebook: 30 milyar item (link, status, note, foto dst) per bulan. 500 juta user menghabiskan 700 milyar menit per bulan di situs FB. • Indomaret: 4500an gerai, asumsikan 3 transaksi per menit = 12 juta transaksi per hari se Indonesia. • Kartu kredit visa: berlaku di 200 negara. 10 ribu transaksi per detik 850 juta transaksi per hari.
Mengapa Datamining We are drowning in data, but starving for
knowledge!
Mengapa data mining? • Digitalisasi, kemajuan sistem informasi data, data, data (Tera Peta) • Web berita, blog, twitter, forum, flickr, fb, youtube • Streaming data twitter, sensor (satelit)
Evolusi DB • • • •
60-an: koleksi data (file system primitif) 70-80: MIS (Sistem Informasi Management) 80-sekarang: OO, Deductive, Spatial, Multimedia 90-sekarang: Web based (XML, web mining), Datawarehouse, OLAP, Text Database, Text + Data mining • 05-sekarang: Stream data management and mining, Cloud, Web
Apa Data Mining? • Data mining (pencarian pengetahuan dari data) – Mengekstrak secara otomatis pola atau pengetahuan yang menarik (tidak sederhana, tersembunyi, tidak diketahui sebelumnya, berpotensi berguna) dari data dalam jumlah sangat besar.
Apa Datamining? (lanj) • Nama alternatif: Knowledge discovery (mining) in databases (KDD), knowledge extraction, data/pattern analysis, data archeology, data dredging, information harvesting, business intelligence dsb • Keuntungan bagi organisasi yang menerapkan data mining?
Keuntungan Datamining • Perusahaan fokus ke informasi yg berharga di datawarehouse/databasenya. • Meramalkan masa depan perusahaan dapat mempersiapkan diri
Contoh: Midwest grocery chain menggunakan DM untuk menganalisisi pola pembelian: saat pria membeli popok di hari Kamis dan Sabtu, mereka juga membeli minuman. Analisis lebih lanjut: pembeli ini belanja di hari kamis dan sabtu, tapi di hari kamis jumlah item lebih sedikit. Kesimpulan yang diambil: pembeli membeli minuman untuk dihabiskan saat weekend.
Tindak lanjut: menjual minuman dengan harga full di hari Kamis dan Sabtu. Mendekatkan posisi popok dan minuman.
Contoh Aplikasi Bank me-mining transaksi customer untuk mengidentifikasi customer yang kemungkinan besar tertarik terhadap produk baru.
Setelah teknik ini digunakan, terjadi peningkatan 20 kali lipat penurunan biaya dibandingkan dengan cara biaya.
Contoh Aplikasi Perusahaan kartu kredit memining data customer untuk mengelompokan customer yang memiliki nilai tinggi yang perlu diprioritaskan.
Proses Datamining Pattern Evaluation
Data Mining
Task-relevant Data Data Warehouse
Selection
Pembersihan Data Data Integration Databases
Diambil dari www.cs.uiuc.edu/~hanj
Data Mining dan Business Intelligence Semakin mendukung pengambilan keputusan End User
Pengambil an Keputusan
Presentasi Data
Teknik Visualiasi Data Mining Penemuan Informasi
Business Analyst
Data Analyst
Eksplorasi Data Statistical Summary, Querying, and Reporting Data Preprocessing/Integrasi, Data Warehouses Sumber Data Database, Web, Paper, Files, Web, eksperimen
DBA
Diambil dari www.cs.uiuc.edu/~hanj
Data Mining: Multi Disiplin Ilmu Teknologi DB
Machine Learning Pattern Recognition
Statistik
Data Mining
Algoritma
Visualisasi
Ilmu Lain
Mengapa tidak analisis data biasa? • Jumlah data yang sangat besar – Algoritma harus scalable untuk menangani data yang sangat besar (tera) • Dimensi yang sangat besar: ribuan field • Data Kompleks – Aliran data dan sensor – Data terstruktur, graph, social networdk, multi-linked data – Database dari berbagai sumber, database lama – Spasial (peta), multimedia, text, web – Software Simulator
Tugas (task) dari Data Mining Prediksi: Bagaimana perilaku atribut tertentu dalam data dimasa datang? (predictive) Time series Pattern Sequence Independent-dependent relation
Klasifikasi: mengelompokkan data ke dalam kategori berdasarkan sampel yang ada (label diskrit) Feature selection
Clustering: mengklasterkan obyek tanpa ada sampel sebagai contoh (descriptive) Association: object association
Association Rules • Tujuan Memberikan aturan yang berkaitan dengan kehadiran set item dengan set item yang lain Contoh:
Association Rules Market-basket model
Mencari kombinasi beberapa produk
Letakkan SHOES dekat dengan SOCK sehingga jika seorang customer membeli satu dia akan membeli yang lain
Transaksi: seseorang membeli beberapa items dalam itemset di supermarket
Klasifikasi married Yes
no
salary
Acct balance >5k
<20k
>=20k <50k
Poor risk Fair risk
>=50
<5k Poor risk
age <25
>=25
Good risk Fair risk
Good risk
RID
Married
Salary
Acct balance
Age
Loanworthy
1
No
>=50
<5k
>=25
Yes
2
Yes
>=50
>=5k
>=25
Yes
3
Yes
20k..50k
<5k
<25
No
4
No
<20k
>=5k
<25
No
5
No
<20k
<5k
>=25
No
6
Yes
20k..50k
>=5k
>=25
Yes
Expected information
i 1
I(3,3)=1
E(Married)=0.92 Gain(Married)=0.08 E(Salary)=0.33 Gain(Salary)=0.67
E(A.balance)=0.82 Gain(A.balance)=0.18 E(Age)=0.81 Gain(Age)=0.19
Salary
n
I ( S1 , S 2 ,...S n ) pi log 2 pi
Class attribute
<20k
20k..50k
>=50k
age
Class is “yes” {1,2}
Class is “no” {4,5}
Entropy n
E ( A)
S j1 ... S jn
j 1
S
Information gain Gain(A) = 12/30/2011
I-E(A)
<25
* I (S j1 ,..., S jn )
Class is “no” {3}
>=25 Class is “yes” {6}
Klasifikasi Ex# Country Marital Status
Income
1
England Single
125K
2
England Married
3
England Single
4
Italy
Married
5
USA
6
England Married
7
England
hooligan
Country Marital Status
Income
Yes
England Single
75K
?
70K
Yes
Turkey
50K
?
40K
No
England Married
150K
?
Divorced 95K
No
Divorced 90K
?
60K
Yes
Single
40K
?
20K
Yes
Married
80K
?
Yes
Itlay
Married
Hooligan
10
10
8
Italy
Single
85K
Yes
9
France
Married
75K
No
10
Denmark Single
50K
No
Training Set
Learn Classifier
Test Set
Model
Text Classification Ex# Hooligan 1 2 3 4 5 6 7 8
An English football fan … During a game in Italy … England has been beating France … Italian football fans were cheering … An average USA salesman earns 75K The game in London was horrific Manchester city is likely to win the championship Rome is taking the lead in the football league
Yes
Hooligan
Yes Yes No
A Danish football fan
?
Turkey is playing vs. France. The Turkish fans …
?
10
No Yes
Test Set
Yes Yes
10
Training Set
Learn Classifier
Model
Klastering Klastering adalah proses mengelompokkan obyek-obyek yang mirip ke dalam satu klaster. Obyek bisa berasal dari data base customer, produk, gen, mahasiswa, dsb.
Klastering Berapa Konsep
Salah satu hal yang sangat penting adalah penggunaan ukuran kemiripan (similarity) Jika datanya numerik, fungsi kemiripan ( similarity function) berdasarkan jarak sering digunakan Euclidean metric (Euclidean distance), Minkowsky metric, Manhattan metric. Korelasi, cosinus, kovariance Hiraki, Kmeans, Fuzzy, SOM, Support Vector Clustering
Market Basket Analysis
3.1 Ide Dasar
3.1 Ide Dasar (cont’d) Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut Affinity Analysis atau Market Basket Anaysis.
Analisis asosiasi (Association Rule) merupakan salah satu teknik yang digunakan untuk menemukan aturan asosiatif antara suatu kombinasi item. Misalnya aturan asosiatif dari analisis pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu, pasta gigi dengan sikat gigi, bir dengan pampers, dsb. Dengan pengetahuan tsb pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran terkait dengan pengetahuan yang didapat.
3.1 Ide Dasar (cont’d)
Aturan asosiasi biasanya dinyatakan dalam bentuk:
{roti, mentega} {susu} (support=40%, confidence=50%) Aturan tersebut dapat berarti: 1. “50% dari transaksi yang memuat item roti dan mentega juga memuat susu. Sedangkan 40% dari seluruh transaksi memuat ketiga item itu”. 2. “Seorang konsumen yang membeli roti dan mentega punya kemungkinan 50% juga membeli susu. Aturan ini cukup signifikan karena mewakili 40% dari transaksi yg ada”.
3.2 Rumus Dasar
Nilai support dari aturan A B diperoleh dengan:
Support = P (A B) =
∑ Transaksi yang mengandung A dan B ∑ Transaksi
Nilai confidence dari aturan A B diperoleh dengan:
Confidence = P (B | A) =
∑ Transaksi yang mengandung A dan B ∑ Transaksi yang mengandung A
3.3 Contoh Kasus Misalkan dari suatu database transaksi didapatkan data sbb:
Transaksi
Dalam bentuk tabular
3.3 Definisi Beberapa pengertian: Sebuah itemset merupakan himpunan item-item yang berada dalam himpunan item yang dijual, yaitu {teh, gula, kopi, susu, roti}. k-itemset adalah itemset yang berisi k item. Misalnya {teh, gula} adalah 2-itemset, {teh, gula, roti} adalah 3-itemset.
Frequent itemset menunjukkan itemset yang memiliki frekuensi kemunculan lebih dari minimum yang ditentukan (). Himpunan dari frequent k-itemset dilambangkan dengan Fk.
3.3 Definisi (cont’d)
5 C2
= 10
5 C3
= 10
Calon 2-itemset
Calon 3-itemset
Jika = 2, maka: F2= { {teh, gula}, {gula, kopi}, {gula, susu}, {gula, roti}, {kopi, susu}, {susu, roti}} F3= { {gula, susu, kopi} }
3.3 Definisi (cont’d) Ingat!, nilai confidence dari aturan A B diperoleh dengan:
Confidence = P (B | A) =
Calon aturan asosiasi dari F3
Jika ditetapkan nilai confidence minimal adalah 60%, maka aturan yg bisa terbentuk adalah aturan 2 dan 3.
3.4 Latihan Berdasarkan contoh transaksi yang diberikan, hitunglah!
3.4 Latihan (cont’d) Jawaban:
