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. CLASSIFICATIONTeknik 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. ASSOCIATIONKlasifikasi 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 DETECTIONTeknik 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. CLUSTERINGTeknik 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. REGRESSIONKlasifikasi 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/PREDICTIONTeknik 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. KESIMPULANData 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.
|