Manfaat Penelitian Knowledge Discovery in Database

4

1.5. Manfaat Penelitian

1. Manfaat Praktis Bagi penulis, manfaat praktis yang di harapakan adalah dengan adanya penelitian yang penulis teliti diharapkan dapat memperluas wawasan dan memperoleh pengetahuan baru tentang mengelompokan data pertandingan DOTA 2 ,dimana game belum terlalu banyak dalam sebuah penelitian. 2. Manfaat Akademis manfaat akademis yang diharapkan dalah agar hasil dari penelitian ini dapat dijadikan bahan rujukan bagi semua ilmu yang berhubungan dengan penelitian dan juga dapat menjadi referensi bagi mahasiswa yang melakukan kajian terhadap algoritma ini . 5 BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan bagaimana cara penulis mendapatkan informasi dalam pengerjaan karya ini ,dan agar tentunya landasan teori ini dapat mempertanggung jawabkan hasil akhir dari penelitian ini.

2.1 Knowledge Discovery in Database

Knowledge Discovery and Data MiningKDD adalah proses yang dibantu oleh komputer untuk menggali dan menganalisis sejumlah besar himpunan data dan mengekstrak informasi dan pengetahuan yang berguna. Data mining tools memperkirakan perilaku dan tren masa depan, memungkinkan bisnis untuk membuat keputusan yang proaktif dan berdasarkan pengetahuan. Data mining tools mampu menjawab permasalahan bisnis yang secara tradisional terlalu lama untuk diselesaikan. Data mining tools menjelajah database untuk mencari pola tersembunyi, menemukan infomasi yang prediktif yang mungkin dilewatkan para pakar karena berada di luar ekspektasi mereka.Proses KDD terdiri dari 5 proses seperti terlihat pada gambar di bawah.Akan tetapi , dalam proses KDD yang sesungguhnya ,dapat saja terjadi iterasi atau pengulangan pada tahap tertentu.Pada setiap tahap dalam proses KDD,bisa saja dapat kembali ke tahap sebelumnya.Sebagai contoh pada saat coding atau data mining,ada proses cleaning yang belum dilakukan dengan sempurna, kemudian menemukan informasi baru untuk memperkaya data yang sudah ada. Gambar 2. 1 Proses pengolahan datae.g., Fayyad et al. 1996 6 1. Data Selection Menciptakan himpunan data target , pemilihan himpunan data, atau memfokuskan pada subset variabel atau sampel data, dimana penemuan discovery akan dilakukan.Pemilihan seleksi data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional. 2. Pre-processingatau Cleaning Pemprosesan pendahuluan dan pembersihan data merupakan operasi dasar seperti penghapusan noise dilakukan.Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD.Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak tipografi.Dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal. 3. Transformation Pencarian fitur-fitur yang berguna untuk mempresentasikan data bergantung kepada goal yang ingin dicapai.Merupakan proses transformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses ini merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data .Dalam penelitian ini menggunakan 2 normalisasi yaitu Z-score dan MinMax a. Normalisasi Z-score Disebut juga zero-mean normalization, dimana value dari sebuah atribut A dinormalisasi berdasarkan nilai rata-rata dan standar deviasi dari atribut A. Sebuah value v dari atribut A dinormalisasi menjadi v dengan rumus: 7 2.1 Keterangan : - ̅ = adalah rata-rata dari nilai - σ A = adalah standar deviasi dari atribut A - v = adalah nilai yang ingin diubah - v’ = adalah hasil Z-score b. Normalisasi MinMax MinMax normalization memetakan sebuah value v dari atribut A menjadi v ke dalam range [new_minA, new_maxA] berdasarkan rumus: 2.2 Keterangan : - v = adalah nilai yang akan dinormalisasi - v’=adalah nilai hasil normalisasi - min = adalah nilai minimal lama dari nilai v - max = adalah nilai maksimal lama dari nilai v - new_min = adalah nilai minimal baru sesuai kebutuhan - new_max = adalah nilai maksimal baru sesuai kebutuhan 4. Data mining Pemilihan tugas data mining; pemilihan goal dari proses KDD misalnya klasifikasi, regresi, clustering, dll.Pemilihan algoritma data mining untuk pencarian searchingProses Data mining yaitu proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan 8 metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan. 5. Interpretationatau Evaluation Penerjemahan pola-pola yang dihasilkan dari data mining.Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah mimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya.

2.2 Pengertian Clustering