Skema yang menggambarkan proses spatial data mining menurut Chawla et al.
2001 yang diilustrasikan pada Gambar 3.
Gambar 3. Proses Spatial Data Mining sumber : Chawla et al. 2001.
2.6. Teknik Spatial Data Mining
Data mining merupakan area multidisiplin, dan terdapat banyak cara-cara
baru untuk melakukan ekstraksi pola data. Ada tiga teknik data mining yang telah diterima secara umum, yaitu classification, clustering dan association rules
Shekhar Chawla 2003.
Classification
Tujuan teknik klasifikasi adalah untuk menduga nilai sebuah atribut dari relasi berdasarkan nilai atribut-atribut lainnya dari relasi tersebut. Definisi lainnya
menyatakan teknik klasifikasi memilih himpunan atribut dan nilai nilai atribut yang relevan, yang digunakan untuk secara efektif memetakan obyek spasial ke
dalam kelas target yang telah didefinisikan sebelumnya.
Clustering
Teknik clustering merupakan contoh pembelajaran tak-terarahkan unsupervised learning. Teknik ini berusaha mengelompokkan data tanpa
memiliki pengetahuan awal tentang kluster atau jumlah kluster. Obyek spasial dikelompokkan sehingga obyek dalam satu kluster adalah mirip, dan obyek dalam
kluster yang berbeda adalah tidak mirip. Clustering dapat dilakukan berdasarkan
kombinasi atribut non-spasial, atribut spasial, dan kedekatan obyek dalam ruang, waktu dan ruang-waktu.
Association Rules
Teknik ini bertujuan menemukan hubungan diantara atribut-atribut dalam sebuah relasi. Dalam konteks spasial, association rule melibatkan predikat spasial
topologi, jarak atau arah dalam preseden atau anteseden-nya. Sebagai contoh rules
dinyatakan dalam bentuk is_close house, beach Æ is_expensivehouse
yang bermakna rumah yang dekat dengan pantai mungkin harganya mahal. Disamping teknik classification, clustering dan association rules di atas,
Miller dan Han 2001 menyebutkan beberapa teknik lain yaitu : •
Outlier Detection, obyek spasial yang tidak masuk ke dalam kluster
manapun disebut pencilan outlier. Jadi outlier detection adalah masalah kebalikan dari clustering.
•
Spatial Trend Detection, teknik ini melibatkan pencarian pola perubahan
dengan memperhatikan tetangga dari beberapa obyek spasial. •
Geographic Characterization and Generalization , teknik ini menghasilkan
deskripsi ringkas data berupa summary rules atau characteristics rule. Dalam data mining klasik non-spasial, metode yang handal untuk
menghasilkan summary rules adalah metode induksi berorientasi atribut attribute-oriented induction.
2.7. Karakterisasi Spasial
Spatial association rule dinyatakan dalam bentuk:
P
1
………. P
m
Æ Q
1
……….Q
n
c Dimana paling tidak satu dari predikat P1, …. , P
m
, Q
1, ….,
Q
n
adalah predikat spasial dan c adalah confidence yang mengindikasikan bahwa c
obyek yang memenuhi anteseden juga memenuhi konsekuen dari rule. Untuk mengatasi keterbatasan tersebut, Ester et al. 2001 mendefinisikan
karakterisasi spasial spatial characterization dari sekumpulan obyek target
terhadap basisdata tempat obyek tersebut tersimpan sebagai “deskripsi dari sifat spasial dan non-spasial yang serupa bagi obyek target, tetapi bukan untuk
