Scribd
Unggah
7 tayangan10 halaman

Data Mining

data mining concept

Diunggah oleh

S. Tarmiani
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 PPTX, PDF, TXT atau baca online di Scribd
7 tayangan10 halaman

Data Mining

data mining concept

Diunggah oleh

S. Tarmiani
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 PPTX, PDF, TXT atau baca online di Scribd
Anda di halaman 1/ 10

RENCANA ANALISIS

DATA MINING CHALLENGE


CLEODATA
• Latar belakang
Busin • Tujuan analisa
ess
Under • Nilai manfaat
standi
ng

• Kebutuhan data dan sumber data


Data
Under
• Deskripsi data
standi
ng

• Model
Renca
na
• Dasar
Model
ling
1. Latar Belakang
 Korupsi di Indonesia yang masih masif dan merupakan
problem serius meskipun pemerintah memerangi
korupsi sejak dulu
 Masifnya korupsi diantaranya dapat terlihat dari
seringnya KPK melakukan OTT, banyaknya pengaduan
masyarakat kpd KPK, IPK Indonesia yang masih
rendah
 Selain itu, luasnya wilayah Indonesia, banyaknya KL,
sedang sdm KPK terbatas
 Dibutuhkan terobosan untuk membuat program
kerja pemberantasan korupsi yang lebih efektif
dan efisien
 Terdapat
beberapa data yang
dimungkinkan untuk dimanfaatkan
untuk menyusun program kerja
pemberantasan korupsi yang lebih
efektif
2. Tujuan Analisa
 Untuk mengetahui prediksi indikasi
dugaan korupsi yang akan terjadi
 Dimungkinkan untuk mendapatkan
indikasi sesuai atribut yang ada yaitu
pada instansi, lokasi suatu daerah,
bidang kegiatan sesuai core business,
atau bahkan jabatan atau kelompok
pekerjaan
3. Nilai Manfaat
 Hasil analisa data diharapkan dapat menjadi
masukan dalam penyusunan program
kerja di bidang pencegahan, misal
 jika hasil analisa ditemukan kegiatan
pengadaan barang dan jasa memiliki potensi
korupsi tertinggi maka Dit Litbang dapat
membuat kajian terkait
 Jika Riau menjadi daerah tertinggi potensi tpk
maka Dit Gratifikasi dan Dit Dikyanmas atau
Korsupgah bisa mengadalan workshop terkait
tpk
4. Kebutuhan Data dan
Sumbernya
 Beberapa data yang akan digunakan;
 Data pengaduan masyarakat tahun
2014 – 2016
 Data perkara yg pernah dituntut
Jaksa KPK dari tahun 2004 -2015
 Data survey integritas (tentative)
5. Deskripsi Data
 Data dumas
 Instansi = K/L terlapor bekerja
 Kabupaten = lokasi instansi terlapor
 Delik = dugaan tpk yg dilakukan
 Klasifikasi sub bidang = pengelompokan bidang
kerja bisnis proses instansi terlapor
 Rekomendasi = kesimpulan sementara penerima
laporan
 Tindak lanjut = tindakan berikutnya atas
pengaduan
 Klasifikasi jabatan = kelompok jabatan terlapor
 Data perkara penuntutan
 Predicate crime = tpk sangkaan
 Jabatan = posisi/ kedudukan tsk di
pekerjaan
 Instansi tsk = K/L tsk bekerja
 Lokasi instansi tsk = kedudukan geografis
instansi tsk
Rencana Modelling
 Model yang akan digunakan adalah decision tree
 Umum digunakan untuk data besar tanpa struktur
rumit
 Efektif untuk klasifikasi, prediksi, interpretasi, dan
manipulasi data (Song, Y.Y & Ying, L.U, 2015)
 Dapat membagi kumpulan data besar menjadi
himpunan record lebih kecil (Berry, M. J & Linoff, G.S,
2004)
 Tidak memerlukan analisa untuk memberikan input
 Dapat menggunakan metode pemangkasan (tahap
pruning) untuk meminimalkan kesalahan prediksi
(Sumanthi, S., & Sivanandam, S.N., 2006)

Anda mungkin juga menyukai