Scribd
Unggah
68 tayangan2 halaman

Data Mining

CRISP-DM merupakan proses standar untuk melakukan data mining yang terdiri dari 6 tahapan yaitu pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan deployment. Proses ini dimulai dari memahami masalah bisnis hingga mengimplementasikan hasil data mining.

Diunggah oleh

Yusuf Love Eri Handayani
Hak Cipta
© © All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd
68 tayangan2 halaman

Data Mining

CRISP-DM merupakan proses standar untuk melakukan data mining yang terdiri dari 6 tahapan yaitu pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan deployment. Proses ini dimulai dari memahami masalah bisnis hingga mengimplementasikan hasil data mining.

Diunggah oleh

Yusuf Love Eri Handayani
Hak Cipta
© © All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd
Anda di halaman 1/ 2

CROSS-INDUSTRY STANDARD PROCESS FOR DATA MINING (CRISP-DM)

1. Business Understanding

Memahami tujuan dan kebutuhan bisnis serta meriset masalah yang terjadi di
lapangan, lalu mendefinisikan nya kedalam masalah data mining. Kemudian dapat
ditentukan strategi agar tujuan tercapai.

Permasalahan dan tujuan : Mengatasi kemacetan Jakarta dengan konsep Business


Intelegencie menggunakan model penerapan Angkot Sekolah Online

Contoh : Mensurvey 50 responden yang kemudian 100% dari mereka setuju dengan
penerapan model ini guna meminimalisir kemacetan.

2. Data Understanding

Mengetahui data apa yang kita butuhkan, juga mengetahui data mana yang valid
maupun tidak valid. Data disini juga sudah di kategorisasikan supaya lebih detail dan
mudah dipahami.

Contoh : Pengamatan google maps setiap hari kerja selama satu bulan dari tanggal 1
– 31 Juni 2017 di dapat data
berkategori : jam 06:00 – 07:00 anak sekolah berangkat ke sekolah
jam 08:00 pegawai kantor bergegas ke kantor
jam 17:00 pegawai kantor pulang

3. Data preparation

Mempersiapkan data yang akan digunakan nanti, meliputi pengambilan data beserta
pengujian – pengujian yang berlaku di dalam nya. Data diseleksi untuk diambil yang
bersifat valid untuk selanjutnya di lanjutkan pada tahap berikutnya.
Contoh : Data pada tahap kedua dibuat tabel serta dikategorikan juga di cari tau titik
mana saja yang sering terjadi kemacetan. Kira kira seperti gambar dibawah ini

4. Modeling

Memilih teknik yang akan digunakan dalam analisis data ini. Beberapa modeling yang
biasa dilakukan adalah classification, scoring, ranking, clustering, finding relation,
characterization, dan lain – lain. Teknik dipilih sesuai dengan kecocokan dengan data
yang ada.

Contoh : Dengan data yang ada maka diputuskan menggunakan algoritma Decision
Tree C 4.5.

5. Evaluation

Membandingkan apakah tujuan yang diinginkan sudah terpenuhi. Mengevaluasi


model yang digunakan apakah sudah akurat atau tidak.

Contoh :

6. Deployment

Pada tahap ini, pengetahuan atau informasi yang telah diperoleh akan diatur dan
dipresentasikan dalam bentuk khusus sehingga dapat digunakan oleh pengguna.
Tahap deployment dapat berupa pembuatan laporan sederhana atau
mengimplementasikan proses data mining yang berulang dalam perusahaan.

Contoh : Berdasarkan hasil evaluasi maka ditetapkan 3 keputusan yang bisa dipilih
salah satu
- Pencarian Jalur Terpendek dari Halte ke Sekolah
- Model penerapan Angkot Sekolah online menggunakan Konsep BIdan Metode
TSPBAB dalam Minimalisir Biaya Perjalanan menjemput Siswa

Anda mungkin juga menyukai