4
2.2 Data Mining
Data dan informasi memiliki nilai dan pengertian yang berbeda. Data dikatakan sebagai bahan mentah dari informasi, sedangkan informasi adalah data yang sudah dikelola sedemikian
rupa sehingga memiliki nilai tambah untuk mengambil keputusan. Sumber daya pada sebuah perusahaan terdiri dari lima, yaitu: material, manusia, mesin fasilitas dan energi, uang, dan data
atau informasi. Berbeda dengan empat sumber daya lainnya, data atau informasi sifatnya invisible. Tumpukan-tumpukan data yang dihasilkan oleh perusahaan saat beraktivitas dan
bertransaksi lebih tidak terlihat lagi, bahkan sering dianggap tidak ada nilainya. Pada bagian inilah penggalian data menjalankan perannya, membuat data yang sebelumnya dianggap tidak
bernilai menjadi sangat berharga Sulianta dan Juju 2010.
Penggalian data atau data mining DM adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara
manual. Sehingga dengan DM dapat mengungkapkan pola-pola tersembunyi dari sebuah data. Alasan utama untuk menggunakan DM adalah membantu dalam analisis koleksi pengamatan
perilaku. DM merupakan pengambilan informasi yang tersembunyi, dimana informasi tersebut sebelumnya tidak dikenal dan berpotensi bermanfaat. Proses ini meliputi sejumlah pendekatan
teknis yang berbeda seperti clustering, data summarization, learning classification rules dan sebagainya Han dan Kamber 2001.
Salah satu tuntutan dari DM adalah penerapan pada data berskala besar yang memerlukan metodologi sistematis, tidak hanya ketika melakukan analisa saja tetapi juga ketika
mempersiapkan data dan juga melakukan interpretasi dari hasilnya sehingga dapat menjadi aksi ataupun keputusan yang bermanfaat. DM dipahami sebagai suatu proses yang memiliki tahapan-
tahapan tertentu dan juga ada umpan balik dari setiap tahapan ke tahapan sebelumnya. Pada umumnya proses DM berjalan interaktif karena tidak jarang hasil DM pada awalnya tidak sesuai
dengan harapan analisnya sehingga perlu dilakukan desain ulang proses. Berikut tahapan dalam DM:
1. Pembersihan data untuk membuang data yang tidak konsisten dan noise 2. Integrasi data penggabungan dari beberapa sumber
3. Transformasi data data diubah menjadi bentuk yang sesuai untuk digali 4. Aplikasi teknik Penggalian data
5. Evaluasi pada pola yang ditemukan untuk menemukan yang menarik atau bernilai 6. Presentasi pengetahuan dengan teknik visualisasi
Beberapa teknik DM yang dapat digunakan untuk penentuan target pasar menurut Kusnawi 2007 adalah:
a Klasifikasi Suatu teknik dengan melihat pada kelakuan dan atribut dari kelompok yang telah
didefinisikan. Teknik ini memberikan klasifikasi pada data baru dengan memanipulasi data yang ada dan telah diklasifikasi dan dengan menggunakan hasilnya untuk memberikan
sejumlah aturan. Decision tree adalah salah satu teknik klasifikasi yang paling mudah untuk diinterpretasikan, yaitu struktur flowchart yang menyerupai pohon tree, dimana setiap
simpul internal menandakan suatu tes pada atribut, setiap cabang merepresentasikan kelas atau distribusi kelas. Alur pada decision tree ditelusuri dari simpul akar ke simpul daun yang
memegang prediksi. Algoritma decision tree yang paling terkenal adalah C4.5, tetapi untuk penanganan data besar biasanya digunakan jaringan neural, algoritma genetik, fuzzy,
casebased reasoning dan k-nearest reasoning.
5 b Asosiasi
Digunakan untuk mengenali kelakuan dari kejadian-kejadian khusus atau proses dimana hubungan asosiasi muncul pada setiap kejadian. Contoh dari aturan asosiatif adalah dari
analisa pembelian di pasar swalayan, dapat diketahui seberapa besar kemungkinan seorang pembeli membeli susu dan roti pada waktu yang bersamaan yang kemudian akan
mempengaruhi desain tataletak pasar swalayan.
c Penggerombolan Berbeda dengan asosiasi dan klasifikasi dimana kelas data telah ditentukan sebelumnya,
penggerombolan melakukan pengelompokan data tanpa berdasarkan kelas data tertentu. Bahkan penggerombolan dapat dipakai untuk memberikan label pada kelas data yang belum
diketahui. Prinsip penggerombolan adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas.
Mining Association Rules atau pencarian aturan-aturan hubungan antar item dari suatu basis
data transaksi atau basis data relasional, telah menjadi perhatian utama dalam masyarakat basis data. Tugas utamanya adalah untuk menemukan suatu himpunan hubungan antar item dalam
bentuk A1A…AAm = B1A…ABn dimana A, for i E {1,…,m} dan B, for j C {1,…,n} adalah himpunan atribut nilai dari sekumpulan data yang relevan dalam suatu basis data. Sebagai
contoh, dari suatu himpunan data transaksi, seseorang mungkin menemukan suatu hubungan berikut, yaitu jika seorang pelanggan membeli selai, ia biasanya juga membeli roti dalam satu
transaksi yang sama. Oleh karena proses untuk menemukan hubungan antar item ini mungkin memerlukan pembacaan data transaksi secara berulang dalam sejumlah besar data-data transaksi
untuk menemukan pola-pola hubungan yang berbeda, maka waktu dan biaya komputasi tentunya juga akan sangat besar, sehingga untuk mnemukan hubungan tersebut diperlukan suatu algoritma
yang efisien dan metode tertentu. Berry dan Linoff, 2004
Teknik data mining yang digunakan dalam penelitian ini adalah teknik asosiasi. Teknik ini juga dikenal sebagai teknik market basket karena teknik ini biasa digunakan untuk menentukan
pola pembelian konsumen di pasar dengan menggunakan data transaksi. Namun dalam penelitian ini, teknik asosiasi digunakan untuk mendapatkan pola penggunaan material di gudang dalam
kaitannya dengan proses produksi. Data diambil dari setiap transaksi penggunaan material bahan baku oleh masing-masing user dalam hal ini bagian produksi. Data transaksi ini mencakup jenis
material serta waktu dan hari transaksi pengeluaran dari gudang.
2.3 Ban
Kategori