Langkah-langkah untuk memanfaatkan data mining dan untuk mempelajari pola dari data yang
dimiliki oleh suatu perusahaan dan mampu memberikan prediksi
berdasarkan pola data yang ada, maka diperlukan langkah-langkah
penentuan definisi data mining dari awal sampai dengan data mining siap
untuk memberikan prediksi. Langkah-langkah tersebut adalah :
1. Definisi permasalahan bisnis yang ingin diketahui.
Langkah
pertama dalam pembuatan data mining adalah definisi permasalahan bisnis
yang ingin dijawab, misalnya ingin mengetahui apakah seorang customer
berpotensi memiliki kredit macet, atau mengidentifikasi seorang customer
apakah akan pindah ke kompetitor bisnis kita, dan lain sebagainya.
Setelah menemukan pertanyaan bisnis yang perlu dijawab oleh data mining,
selanjutnya tentukan tipe tugas dasar untuk menjawab pertanyaan bisnis
tersebut. Tugas dasar yang menjadi dasar algoritma data mining adalah
klasifikasi, regresi, segmentasi, asosiasi dan sequence analysis. Dengan
mengetahui tugas dasar, anda memiliki pedoman kira-kira algoritma mana
yang bisa digunakan untuk menjawab pertanyaan bisnis.
2. Mempersiapkan data yang menjadi sumber untuk data mining untuk dipelajari polanya.
Setelah
menentukan definisi masalah, langkah berikutnya adalah mencari data
yang mendukung definisi masalah anda. Sumber data dapat berasal dari
OLTP maupun dari cube OLAP. Bila sumber data berasal dari OLTP,
sebaiknya pastikan datanya telah konsisten. Bila belum konsisten, SSIS
bisa digunakan untuk melakukan cleansing data sampai data tersebut
konsisten.
3. Menentukan porsi data yang digunakan men-training data mining berdasarkan algoritma data mining yang telah dibuat.
Setelah
persiapan data selesai dilakukan, langkah berikutnya adalah memberikan
sebagian data kedalam algoritma data mining. Algoritma data mining perlu
mempelajari pola data yang diberikan guna menarik informasi dan trend
dari data tersebut. Istilah itu dikenal dengan sebutan training data
mining.
4. Validasi apakah data mining memberikan prediksi yang akurat.
Setelah
training data selesai dilakukan, data mining tersebut perlu di-“uji”
atau di-validasi keakuratannya terhadap data testing. Biasanya tidak
hanya 1 algoritma data mining yang diimplementasikan ke dalam suatu data
mining. Berarti data yang dipersiapkan pada persiapan data mengandung
data yang digunakan untuk training dan data yang digunakan untuk
testing. Pemilihan data training dan data testing dapat dilakukan secara
manual ataupun secara acak oleh SQL Server.
Penelusuran
Rabu, 26 September 2012
PENGERTIAN DATA MINING IS...?
Data Mining adalah serangkaian proses untuk menggali nilai tambah dari
suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui
secara manual. Patut diingat bahwa kata mining sendiri berarti usaha
untuk mendapatkan sedikit barang berharga dari sejumlah besar material
dasar. Karena itu Data Mining sebenarnya memiliki akar yang panjang dari
bidang ilmu seperti kecerdasan buatan (artificial intelligent), machine
learning, statistik dan database.
Data mining adalah proses menerapkan metode ini untuk data dengan maksud untuk mengungkap pola-pola tersembunyi. Dengan arti lain Data mining adalah proses untuk penggalian pola-pola dari data. Data mining menjadi alat yang semakin penting untuk mengubah data tersebut menjadi informasi. Hal ini sering digunakan dalam berbagai praktek profil, seperti pemasaran, pengawasan, penipuan deteksi dan penemuan ilmiah. Telah digunakan selama bertahun-tahun oleh bisnis, ilmuwan dan pemerintah untuk menyaring volume data seperti catatan perjalanan penumpang penerbangan, data sensus dan supermarket scanner data untuk menghasilkan laporan riset pasar.
Alasan utama untuk menggunakan data mining adalah untuk membantu dalam analisis koleksi pengamatan perilaku. Data tersebut rentan terhadap collinearity karena diketahui keterkaitan. Fakta yang tak terelakkan data mining adalah bahwa subset/set data yang dianalisis mungkin tidak mewakili seluruh domain, dan karenanya tidak boleh berisi contoh-contoh hubungan kritis tertentu dan perilaku yang ada di bagian lain dari domain . Untuk mengatasi masalah semacam ini, analisis dapat ditambah menggunakan berbasis percobaan dan pendekatan lain, seperti Choice Modelling untuk data yang dihasilkan manusia. Dalam situasi ini, yang melekat dapat berupa korelasi dikontrol untuk, atau dihapus sama sekali, selama konstruksi desain eksperimental.
Beberapa teknik yang sering disebut-sebut dalam literatur Data Mining dalam penerapannya antara lain: clustering, classification, association rule mining, neural network, genetic algorithm dan lain-lain. Yang membedakan persepsi terhadap Data Mining adalah perkembangan teknik-teknik Data Mining untuk aplikasi pada database skala besar. Sebelum populernya Data Mining, teknik-teknik tersebut hanya dapat dipakai untuk data skala kecil saja.
Data mining adalah proses menerapkan metode ini untuk data dengan maksud untuk mengungkap pola-pola tersembunyi. Dengan arti lain Data mining adalah proses untuk penggalian pola-pola dari data. Data mining menjadi alat yang semakin penting untuk mengubah data tersebut menjadi informasi. Hal ini sering digunakan dalam berbagai praktek profil, seperti pemasaran, pengawasan, penipuan deteksi dan penemuan ilmiah. Telah digunakan selama bertahun-tahun oleh bisnis, ilmuwan dan pemerintah untuk menyaring volume data seperti catatan perjalanan penumpang penerbangan, data sensus dan supermarket scanner data untuk menghasilkan laporan riset pasar.
Alasan utama untuk menggunakan data mining adalah untuk membantu dalam analisis koleksi pengamatan perilaku. Data tersebut rentan terhadap collinearity karena diketahui keterkaitan. Fakta yang tak terelakkan data mining adalah bahwa subset/set data yang dianalisis mungkin tidak mewakili seluruh domain, dan karenanya tidak boleh berisi contoh-contoh hubungan kritis tertentu dan perilaku yang ada di bagian lain dari domain . Untuk mengatasi masalah semacam ini, analisis dapat ditambah menggunakan berbasis percobaan dan pendekatan lain, seperti Choice Modelling untuk data yang dihasilkan manusia. Dalam situasi ini, yang melekat dapat berupa korelasi dikontrol untuk, atau dihapus sama sekali, selama konstruksi desain eksperimental.
Beberapa teknik yang sering disebut-sebut dalam literatur Data Mining dalam penerapannya antara lain: clustering, classification, association rule mining, neural network, genetic algorithm dan lain-lain. Yang membedakan persepsi terhadap Data Mining adalah perkembangan teknik-teknik Data Mining untuk aplikasi pada database skala besar. Sebelum populernya Data Mining, teknik-teknik tersebut hanya dapat dipakai untuk data skala kecil saja.
TEORI DASAR LATIHAN
A. Pengertian Latihan
Pengertian latihan dalam terminologi asing sering disebut dengan training,exercise,practise. Beberapa ahli mengemukakan pendapatnya tentang pengertian latihan (training) olahraga sebagai berikut :
1. Proses penyempurnaan berolahraga melalui pendekatan ilmiah, khususnya prinsip-prinsip pendidikan, secara teratur dan terencana sehingga mempertinggi kemampuan dan kesiapan olahragawan (Hare,1982).
2. Program pengembangan atlet untuk bertanding, berupa peningkatan keterampilan dan kapasitas energi (Bompa,1999:394).
3. Proses yang sistematis untuk meningkatkan kebugaran atlet sesuai cabang olahraga yang dipilih (Thomson,1993:61).
Berdasarkan pada beberapa pengertian latihan (training) tersebut dapat ditarik konklusi bahwa latihan olahraga pada hakekatnya adalah :
Pengertian latihan dalam terminologi asing sering disebut dengan training,exercise,practise. Beberapa ahli mengemukakan pendapatnya tentang pengertian latihan (training) olahraga sebagai berikut :
1. Proses penyempurnaan berolahraga melalui pendekatan ilmiah, khususnya prinsip-prinsip pendidikan, secara teratur dan terencana sehingga mempertinggi kemampuan dan kesiapan olahragawan (Hare,1982).
2. Program pengembangan atlet untuk bertanding, berupa peningkatan keterampilan dan kapasitas energi (Bompa,1999:394).
3. Proses yang sistematis untuk meningkatkan kebugaran atlet sesuai cabang olahraga yang dipilih (Thomson,1993:61).
Berdasarkan pada beberapa pengertian latihan (training) tersebut dapat ditarik konklusi bahwa latihan olahraga pada hakekatnya adalah :
- Proses sistematis untuk menyempurnakan kualitas kinerja atlet berupa kebugaran, keterampilan dan kapasitas energi
- memperhatikan aspek pendidikan
- menggunakan pendekatan ilmiah
Langganan:
Postingan (Atom)