Teknik data mining adalah metode yang dapat diterapkan pada berbagai bidang. Oleh sebab itu, metode ini perlu disesuaikan dengan permasalahan atau kebutuhan penggunanya. Ada tujuh  klasifikasi data mining yang dibedakan berdasarkan cara kerjanya, seperti berikut ini.

1. TRACKING PATTERNS/SEQUENCING 

Teknik data mining yang pertama adalah melacak pola atau urutan peristiwa. Teknik ini berfungsi untuk menemukan suatu pola pada serangkaian kejadian (sequence) yang berurutan. Teknik tracking patterns dapat mendeteksi sesuatu pada interval tertentu, seperti lonjakan permintaan produk ketika weekend atau jumlah orang yang mengunjungi situs Anda saat cuaca tertentu.

2. CLASSIFICATION

Teknik classification memerlukan teknik data mining yang lebih kompleks karena menuntut Anda untuk mengumpulkan seluruh data dari kelas atau kategori tertentu. Teknik ini merupakan yang paling umum digunakan. Anda dapat mengaplikasikannya untuk mengelompokkan data berdasarkan label yang Anda inginkan. Misalnya, berdasarkan informasi finansial dan transaksi, Anda dapat mengelompokkan pelanggan menjadi low, medium, atau high credit risks.

3. ASSOCIATION

Klasifikasi data mining berikutnya yaitu association, market basket analysis yang berhubungan dengan pemasaran produk. Analisis keranjang bertujuan untuk mengetahui atau mengidentifikasi produk yang sering dibeli bersamaan oleh pelanggan. Misalnya, ketika membeli snack kentang tertentu, pelanggan juga membeli minuman soda kemasan. Dengan mengetahui kebiasaan pelanggan seperti ini, maka perusahaan juga dapat melabeli produk tertentu sebagai “people also bought this” pada marketplace.

4. OUTLIER DETECTION

Teknik ini bertujuan untuk mengidentifikasi ketika terjadi anomali pada pola data. Misalnya, ketika produk Anda biasanya selalu dibeli oleh pelanggan berjenis kelamin laki-laki, namun pada suatu minggu di bulan Februari, tiba-tiba terjadi lonjakan pembelian yang dilakukan oleh pelanggan perempuan. Teknik outlier detection berperan untuk menganalisis lonjakan tersebut serta penyebabnya, sehingga Anda dapat memutuskan langkah penjualan selanjutnya.

5. CLUSTERING

Teknik clustering hampir mirip dengan classification, namun memerlukan label atau grup data yang lebih banyak berdasarkan pola kesamaan. Misalnya, Anda ingin mengelompokkan demografi audiens yang berbeda-beda menjadi beberapa grup berdasarkan latar belakang, finansial, atau jumlah pembeliannya ketika berbelanja di toko Anda.

6. REGRESSION

Klasifikasi data mining berikutnya, regression, bertujuan untuk mencari pola nilai numeriknya alih-alih kelasnya. Hasil dari teknik ini adalah sebuah fungsi sebagai penentu yang didasarkan pada nilai dari input. Misalnya, Anda dapat menggunakannya untuk menentukan harga produk berdasarkan faktor lain seperti ketersediaan, permintaan pelanggan, dan kompetitor.

7. FORECASTING/PREDICTION

Teknik data mining yang terakhir bisa dikatakan paling valuable karena bertujuan untuk memprediksi nilai yang akan dicapai pada periode tertentu. Dengan teknik predicition, noise data dan nilai pada periode sebelumnya dijadikan acuan atau dasar dari prediksi. Misalnya, berdasarkan data pembelian bulan lalu, Anda dapat memprediksi kira-kira pelanggan akan melakukan pembelian seperti apa di bulan depan.

KESIMPULAN

Data mining adalah metode yang bermanfaat untuk menemukan pola-pola unik dari sejumlah besar data yang tersedia dalam database. Metode ini digunakan karena dapat mengklasifikasikan data secara praktis. Metode ini kemudian dibedakan menjadi beberapa klasifikasi data mining.