Langsung ke konten utama

Data Collection

 

 
Data collection (pengumpulan data) merupakan tahap awal dalam proses data mining di mana data yang diperlukan untuk analisis atau pemodelan dikumpulkan dari berbagai sumber. Tahap ini memainkan peran kunci dalam menentukan kualitas dan relevansi data yang akan digunakan dalam proses selanjutnya. Beberapa langkah yang umum dilakukan dalam tahap pengumpulan data dalam data mining meliputi:
  1. Identifikasi Sumber Data: Mengidentifikasi sumber-sumber data potensial yang relevan dengan tujuan analisis atau pemodelan yang ingin dilakukan. Sumber data ini bisa berupa database internal perusahaan, data daring, data sensor, atau data publik dari berbagai platform.
  2.  Penentuan Jenis Data: Menentukan jenis data yang diperlukan untuk mencapai tujuan analisis atau pemodelan, seperti data numerik, kategorikal, temporal, spasial, atau teks.
  3.  Perencanaan Pengumpulan Data: Merencanakan strategi pengumpulan data yang mencakup parameter seperti waktu, metode pengumpulan, alat yang digunakan, dan ukuran sampel yang dibutuhkan.
  4. Pengumpulan Data: Melaksanakan proses pengumpulan data sesuai dengan rencana yang telah disusun, termasuk pengambilan sampel, survei, observasi, atau penggunaan sensor dan perangkat IoT.
  5. Validasi Data: Memastikan keakuratan, keabsahan, dan kebersihan data yang dikumpulkan dengan melakukan verifikasi dan validasi data.
  6. Pembersihan Data Awal: Melakukan pembersihan data awal untuk menghilangkan nilai yang hilang, outlier, atau nilai yang tidak valid.
  7. Penggabungan Data: Menggabungkan data dari berbagai sumber atau tabel jika diperlukan untuk menyusun dataset yang lengkap dan bermutu.

Tahap pengumpulan data adalah langkah kritis dalam proses data mining karena kualitas dan relevansi data yang diperoleh akan mempengaruhi hasil akhir analisis atau pemodelan. Oleh karena itu, perencanaan yang cermat dan pemantauan yang teliti diperlukan untuk memastikan bahwa data yang dikumpulkan sesuai dengan kebutuhan dan tujuan analisis yang ditetapkan.


Komentar

Posting Komentar

Postingan populer dari blog ini

SEMMA (Sample, Explore, Modify, Model, Assess)

  SEMMA adalah singkatan dari Sample, Explore, Modify, Model, dan Assess. Ini adalah sebuah model proses yang dikembangkan oleh SAS Institute, salah satu produsen perangkat lunak statistik dan bisnis intelligence. Model ini membimbing pelaksanaan proyek data mining dengan menekankan pada pengembangan dan penilaian model. Berikut adalah penjelasan singkat tentang masing-masing tahap SEMMA: Sample : Tahap ini bersifat opsional, yaitu mengambil sampel data dari kumpulan data yang besar untuk menampung informasi yang signifikan, namun dapat dimanipulasi dengan cepat. Explore : Tahap ini adalah mengeksplorasi data yang sudah dikumpulkan dengan mencari tren dan anomali yang tak terduga dalam rangka untuk mendapatkan pemahaman dan ide-ide. Modify : Tahap ini adalah memodifikasi data dengan menciptakan, menyeleksi, dan mentransformasi variabel-variabel untuk fokus pada proses pemilihan model. Model : Tahap ini adalah memodelkan data yang sudah dimodifikasi dengan menggunakan perangkat lun...
Posting Komentar
Baca selengkapnya

Data Visualization

  Data Visualization atau Visualisasi Data adalah representasi grafis dari informasi dan data. Dengan visualisasi data, informasi yang kompleks dapat disajikan dalam format yang lebih mudah dipahami dan diinterpretasikan. Tujuan utama visualisasi data adalah untuk mengomunikasikan informasi secara jelas dan efisien kepada pengguna. Beberapa tipe visualisasi data yang umum digunakan: Grafik Batang (Bar Chart) : Digunakan untuk membandingkan nilai-nilai dari beberapa kategori atau kelompok data. Grafik Garis (Line Chart) : Menampilkan perubahan data dalam rentang waktu atau urutan tertentu. Grafik Pie (Pie Chart) : Menunjukkan proporsi atau persentase dari keseluruhan data dalam bentuk lingkaran. Histogram : Menggambarkan distribusi frekuensi data dalam bentuk batang. Peta (Maps) : Memvisualisasikan data berdasarkan lokasi geografis. Scatter Plot : Menunjukkan hubungan antara dua set data numerik. Treemap : Menampilkan hierarki data dalam bentuk persegi panjang bersarang. Vis...
Posting Komentar
Baca selengkapnya

CRISP-DM( Cross-Industry Standard Process for Data Mining)

  CRISP-DM (Cross-Industry Standard Process for Data Mining) adalah sebuah model proses standar yang menggambarkan pendekatan-pendekatan umum yang digunakan oleh para ahli data mining. Model ini adalah model analitik yang paling banyak digunakan. CRISP-DM terdiri dari enam tahap, yaitu: Pemahaman bisnis: menentukan tujuan dan persyaratan proyek data mining sesuai dengan kebutuhan bisnis. Pemahaman data: mengumpulkan, menjelajah, dan menganalisis data yang relevan dengan tujuan data mining. Persiapan data: membersihkan, mengintegrasikan, dan mentransformasi data agar siap untuk pemodelan. Pemodelan: membuat dan menguji beberapa model data dengan menggunakan algoritma-algoritma yang sesuai. Evaluasi: mengevaluasi kinerja dan validitas model data yang dibuat dan memilih model terbaik. Penyebaran: menyajikan atau mengimplementasikan hasil data mining kepada pihak-pihak yang terkait.
Posting Komentar
Baca selengkapnya