Nama : Muchtadho Dhila Arafat

Kelas : D
NIM 123160108
Tugas Data Warehouse dan Data Mining (Klasifikasi dan Prediksi)

1. Perbedaan klasaifikasi dan prediksi

 Klasifikasi :
- Meramalkan kategori label kelas (diskrit atau nominal)
- Mengklasifikasikan (membuat suatu model) berdasarkan himpunan pelatihan dan
nilai-nilai (label kelas) dalam suatu atribut klasifikasi dan menggunakannya di
dalam mengklasifikasikan data baru.
 Prediksi :
- Memodelkan fungsi bernilai kontinu, artinya menaksir nilai-nilai yang tidak
diketahui atau nilai-nilai yang hilang, missal dalam memprediksi stok suatu
barang satu tahun ke depan.

2. Mencegah overfitting dalam klasifikasi :

a. Prepruning, yaitu menghentikna konstruksi pohon lebih awal, jangan pisah suatu
simpul jika pemisahan ini menghasilkan ukuran kebaikan jatuh di bawah suatu
ambang.
b. Postpruning, yaitu membuang cabang-cabang dari suatu pohon “yang tumbuh
penuh, kemudian temukan suatu barisan pohon-pohon terpangkas progresif.

3. Tiga metode klasifikasi :

a. Algoritma genetika, yaitu algoritma komputasi yang diinspirasi teori evolusi yang
kemudian diadopsi menjadi algoritma komputasi untuk mencari solusi suatu
permasalahan dengan cara yang lebih “alamiah”. Salah satu aplikasi algoritma
genetika adalah pada permasalahan optimasi kombinasi, yaitu mendapatkan suatu
nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak
kemungkinan solusi.
b. K-nearest neighbor classifier, yaitu sebuah metode untuk melakukan klasifikasi
terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan
objek tersebut. Data pembelajaran diproyeksikan ke ruang berdimensi banyak,
dimana masing-masing dimensi merepresentasikan fitur dari data. Ruang ini dibagi
menjadi bagian-bagian berdasarkan klasifikasi data pembelajaran
c. Penalaran berbasis kasus atau PBK adalah salah satu metode penyelesaian masalah
berbasis pengetahuan untuk mempelajari dan memecahkan masalah berdasarkan
pengalaman masa lalu.

4. Pemodelan prediktif, merupakan proses menaksir nilai-nilai data atau membangun model yang
digeneralisasikan linier berdasarkan data database. Seseorang hanya bias menaksir range niali
atau distribusi kategori.
Nama : Muchtadho Dhila Arafat
Kelas : D
NIM 123160108
Tugas Data Warehouse dan Data Mining (Trend dalam Data Mining)

1. Dua contoh aplikasi data mining bidang kesehatan :

a. Digunakan dalam Analisa data biomedical
b. Digunakan dalam Analisa DNA

2. Keuntungan data mining dalam bidang komunikasi :

a. Dapat memahami bisnis yang terlibat, mengenali pola telekomunikasinya, untuk
menangkap kegiatan curang, membuat penggunaan sumberdaya yang lebih baik,
dan memperbaiki kualitas layanan.
b. Dapat menganalisis secara multidimensional dari data telekomunikasi.
c. Menganalisis pola kecurangan dan pengenalan pola yang tidak biasa.
d. Asosisasi multidimensional dan analisis pola sekuensial.

3. Variabel untuk memilih system :

a. Skalabilitas : Skalabilitas baris, skalabilitas kolom, sampah dari dimensionalitas
b. Tool Visualisasi :
- Suatu gambar lebih berharga ketimbang ribuan kata
- Kategori visualisasi : Visualisasi data, visualisasi hasil mining, visualisasi proses
mining dan data mining visual.
c. Bahasa query data mining dan antar muka grafis visual.

4. Tujuan visualisasi
a. Mendapatkan penglihatan ke dalam suatu ruangan informasi dengan memetakan data ke
dalam primitive.
b. Meyediakan tinjauan kualitatif dari data set besar
c. Mencari pola, trend, struktur, ketakberaturan, relasi di antara data.
d. Membantu di dalam mencari wilayah menarik dan parameter yang sesuai untuk analisis
kuantitatif lebih lanjut.
e. Menyediakan suatu bukti visual yang diperoleh dari representasi computer.

5. Data mining bias menjadi ancaman kerahasiaan data karena selalu ada yang mengawasi dan
semua informasi riwayat dikumpulkan setiap waktu dari semua aktifitas yang kita lakukan
seperti berselancar di web, menyewa video, mengisi isian formulir kontes dan lain-lain,
perusahaan akan diuntungkan dengan koleksi data-data personal untuk berpotensi
disalahgunakan.