MAKALAH

“DATA MINING”

Disusun Oleh:
WISNU DWI CAHYA (162021031)

DOSEN PENGAMPU
Karnadi, [Link], [Link]

FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH PALEMBANG
TAHUN 2022/2023
 KATA PENGANTAR

Assalamu’alaikum Warahmatullahi wabarakatu

Segala puji bagi Allah, kita memuji-Nya dan meminta pertolongan, pengampunan,
dan petunjuk-Nya. Kita berlindung kepada Allah dari kejahatan diri kita dan keburukan amal
kita. Barang siapa mendapat dari petunjuk Allah maka tidak akan ada yang
menyesaatkannya, dan barang siapa yang sesat maka tidak ada pemberi petunjuknya baginya.
Aku bersaksi bahwa tidak ada tuhan selain Allah dan bahwa Muhammad adalah hamba dan
Rasul-Nya. Ya Allah, semoga doa dan keselamatan tercurah pada Muhammad dan
Keluarganya, dan sahabat dan siapa saja yang mendapat petunjuk hingga hari kiamat.

Makalah ini disusun sebagai tugas serta bahan pembelajaran Data mining yang
berkaitan dengan pengertian dan kegunaan data mining . Dimana pembahasannya disusun
secara sederhana. Mudah-mudahaan dengan terselesaikan makalah dapat menambah ilmu
mengenai data mining.

Dan tak lupa kami ucapkan terima kasih kepada bapak karnad, [Link], [Link], atas
bimbingannya sehingga terselesaikannya makalah ini dan juga untuk teman-teman semua
yang telah berpartisipasi

Billahitaufikwalhidayah, Wassalamualaikum w

Palembang,  19 april 2023

Penulis

DAFTAR ISI
 KATA PENGANTAR......................................................................................................................2
DAFTAR ISI........................................................................................................................................3
BAB I....................................................................................................................................................4
PENDAHULUAN................................................................................................................................4
1.1 Latar Belakang.....................................................................................................................4
1.2 Rumusan Masalah...............................................................................................................4
1.3 Manfaat................................................................................................................................4
BAB II..................................................................................................................................................5
PEMBAHASAN...................................................................................................................................5
2.1 Pengertian Data Mining......................................................................................................5
2.1 Kegunaaan Data Mining.....................................................................................................5
2.3 Komponen-Komponen Data Mining.................................................................................6
2.4 Karakteristik Umum Data Mining.....................................................................................7
2.5 Jenis-Jenis Dataset..............................................................................................................8
2. 6 Aspek -Aspek yang Mempengaruhi Kualitas Data...........................................................8
BAB III...............................................................................................................................................12
PENUTUP..........................................................................................................................................12
3.1 Kesimpulan.........................................................................................................................12
3.2 Saran...................................................................................................................................12
Daftar Pustaka...................................................................................................................................13
 BAB I

PENDAHULUAN
1.1 Latar Belakang
Data mining juga dapat diartikan sebagai pengekstrakan informasi baru yang
diambil dari bongkahan data besar yang membantu dalam pengambilan keputusan.
Universitas Muhammadiyah Palembang menyimpan begitu banyak data di data
server, mulai dari data mahasiswa, alumni, karyawan dan dosen. Jika data ini
dimanfaatkan dengan mencari informasi tersembunyi dari data tersebut mungkin bisa
memberikan informasi penting bagi universitas Muhammadiyah Palembang. Data
mining sendiri dapat digunakan untuk penggalian informasi.
Oleh karena itu dalam makalah ini penulis akan menjelaskan secara spesifik
apa yang dimaksud dengan data mining beserta dengan kegunaan,aspek-aspek, jenis-
jenis dan komponen komponen dalam data mining yang sangat penting untuk
dipahami sebagai mahasiswa jurusan teknologi informasi karena data mining ini akan
juga bisa di gunakan dalam proses skripsi jika tidak ingin mengambil pemrograman.

1.2 Rumusan Masalah

1. Jelaskan apa pengertian data mining
2. Jelaskan apa kegunaan data mining
3. Jelaskan apa komponen-komponen data mining
4. Bagaimana karakteristik umum data mining
5. Jelaskan jenis-jenis dataset
6. Apasajakah aspek-aspek yang mempengaruhi kualitas data
1.3 Manfaat
1. Memberikan informasi tentang data mining, kegunaan data mining, komponen-
komponen data mining, Karakteristik umum, jenis-jenis, aspek-aspek data mining
2. Memberikan wawasan kepada mahasiswa tentang pentingnya data mining untuk
dipahami
 BAB II

PEMBAHASAN
2.1 Pengertian Data Mining
Data mining adalah suatu proses pengumpulan informasi dan data yang
penting dalam jumlah yang besar atau big data. Dalam proses ini seringkali
memanfaatkan beberapa metode, seperti matematika, statistika dan pemanfaatan
teknologi artificial intelligence (AI). Pengertian data mining ini juga dikenal dengan
istilah lain, seperti Knowledge Discovery in Databases (KDD) dan Data Analysis.
Selain itu juga ada knowledge extraction, business intelligence, data dredging,
information harvesting, data archeology dan lainnya. Proses penambangan data terdiri
dari beberapa tahapan dan teknik, dari adanya data cleansing (pembersihan data),
integrasi data, seleksi data dan data transformation hingga evaluasi pola dalam
mendapatkan informasi dari data itu.
Berikut beberapa pengertian data mining menurut para ahli

1. Larose (2006), mengartikan data mining adalah sebuah proses menemukan

sesuatu bermakna dengan memilah data melalui repository dengan bantuan
teknologi sosialisasi pola, statistik, serta matematika.
2. Berry, data mining adalah sebuah aktivitas analisa data yang memiliki jumlah
besar demi menemukan pola (pattern) dan aturan (rule) yang berguna.
3. Pramudiono (2006), menyampaikan bahwa data mining adalah proses analisa
yang dilakukan secara otomatis pada data yang kompleks dan berjumlah besar
untuk memperoleh sebuah pola atau kecenderungan yang umumnya tidak
disadari.

2.1 Kegunaaan Data Mining

Secara umum, kegunaa DM dapat dibagi menjadi dua: deskriptif dan prediktif.
Deskriptif berarti DM digunakan untuk mencari pola-pola yang dapat dipahami
manusia yang menjelaskan karakteristik data. Sedangkan prediktif berarti DM
digunakan untuk membentuk sebuah model pengetahuan yang akan digunakkan
melakukan prediksi. Berdasarkan fungsionalitasnya, tugas-tigas DM bias
dikelompokkan ke dalam enam kelompok berikut ini:

a. Klasifikasi (classification)
 Mengeneralisasi struktur yang diketahui untuk diaplikasikan pada data-data baru.
Misalkan, klasifikasi penyakit ke dalam sejumlah jenis, klasifikasi email ke
dalam spam atau bukan.
b. Klasterisasi (clustering)
Mengelompokkan data, yang tidak diketahui label kelasnya, ke dalam sejumlah
kelompok tertentu sesuai dengan ukuran kemiripannya.
c. Regresi (regression)
Menemukan suatu fungsi

2.3 Komponen-Komponen Data Mining

Data Mining juga memiliki suatu sistem yang mengharuskan memuat
komponen-komponen utama sebagai berikut:
 Database, data warehouse, world word web, atau penyimpanan informasi lainnya
 Database atau data warehouse server
 Knowledge base
 Data mining engine
 Pattern eveluation module
 User interface.

Data Mining juga merupakan suatu langkah utama dalam proses penemuan
informasi di mana diterapkannya metode untuk mengekstrak pola data. Data Mining
adalah proses menemukan pengetahuan yang menarik dari jumlah data yang besar (big
data) yang tersimpan pada database, gudang data, atau tempat penyimpanan informasi
lainnya.

Dalam menganalisis data yang sangat besar, tidak akan cukup hanya dengan
proses seperti yang disebutkan di atas, namun proses data mining harus dilakukan
dengan efisiensi dan scable. Data mining menggunakan suatu metode algoritma untuk
analisis data agar efektif saat dilakukannya pengalihan informasi dari sejumlah data
yang besar. Algoritma yang digunakan juga harus dibuat efisiensi dan dapat diukur
yaitu dengan waktu eksekusi dari algoritma juga harus sesuai dan realistis untuk data
dengan ukuran besar tersebut.
2.4 Karakteristik Umum Data Mining
Berikut beberapa karakteristik umum data mining

 Data seringkali terkubur dalam database yang sangat besar, yang terkadang
berisi data selama bertahun-tahun. Dalam banyak kasus, data dibersihkan dan
disatukan ke dalam data warehouse.
 Environment data mining pada umumnya adalah arsitektur client-server atau
arsitektur sistem informasi berbasis web.
 Berbagai tool baru yang canggih, termasuk berbagai tool visualisasi yang
canggih, membantu untuk mengangkat biji informasi yang terkubur dalam
file-file korporat atau record-record arsip. Untuk mendapatkannya akan
melibatkan memoles dan mensinkronisasikan data untuk mendapatkan hasil-
hasil yang tepat. Data miners yang mutakhir juga memeriksa kemanfaatan data
(misalnya, teks yang tak terstruktur yang disimpan dalam tempat-tempat
seperti database Lotus Notes, file-file teks di internet, atau intranet korporat).
 Si penambang seringkali adalah end-user, yang didukung dengan ‘bor-bor
data’ dan berbagai tool query handal lainnya untuk menanyakan pertanyaan-
pertanyaan dengan tujuan tertentu dan mendapatkan jawaban-jawaban dengan
cepat, dengan sedikit atau bahkan tanpa skill pemrograman sekalipun.
 Dalam menemukan pola seringkali menemukan hasil yang tak diharapkan dan
meminta end-user untuk berpikir secara kreatif dalam menjalankan proses,
termasuk interpretasi terhadap temuan.
 Banyak tool data mining siap dikombinasikan dengan berbagai spreadsheet
dan tool development software lainnya. Jadi, data yang ditambang bisa
dianalisa dan diterapkan dengan cepat dan mudah.
 Karena jumlah data yang sangat besar dan usaha pencarian yang massif,
kadang-kadang perlu menggunakan pemrosesan parallel untuk data mining.

2.5 Jenis-Jenis Dataset

Berikut adalah beberapa jenis dataset yang paling umum digunakan, yaitu:
 1. Private Dataset
Private dataset adalah dataset yang dapat diambil dari sebuah organisasi yang
akan dilakukan sebagai objek penelitian, seperti data bank, rumah sakit,
sekolah, universitas, perusahaan, dan lain sebagainya
2. Public Dataset
Public dataset adalah dataset yang bisa diambil dari repository publik yang
disepakati oleh pakar peneliti data mining.
3. Numerical Dataset
Numerical dataset adalah jenis dataset yang paling sederhana. Karena, isinya
hanyalah data yang berupa angka. Itulah mengapa jenis dataset ini juga kerap
disebut data kuantitatif.
4. Correlation Dataset
Sesuai dengan namanya, correlation dataset adalah jenis dataset yang berisi
data yang memiliki korelasi, atau saling terhubung satu sama lain.
5. Categorical Dataset
Categorical dataset adalah jenis dataset yang biasanya digunakan untuk
membagi sekumpulan data ke dalam dua kategori yang berbeda.
6. Bivariate Dataset
Bivariate artinya adalah dua variabel. Jadi, jenis dataset ini menggambarkan
hubungan antara dua variabel saja.
7. Multivariate Dataset
Jika bivariate dataset hanya mengandung dua variabel, multivariate adalah
dataset yang mengandung lebih dari dua variabel.

2. 6 Aspek -Aspek yang Mempengaruhi Kualitas Data

Aspek – aspek yang mempengaruhi kualitas data
1. Pengukuran dan Isu Pengumpulan Data
Data yang sering kita jumpai adalah data yang tidak sempurna. Terdapat
banyak masalah yang berkaitan dengan pengukuran data, seperti human error,
keterbatasan pada alat pengukuran, atau kesalahan-kesalahan pada proses
pengumpulan data. Nilai atau bahkan keseluruhan objek data dapat hilang. Dalam
kasus lain sering dijumpai pula adanya duplikasi data, yaitu terdapat banyak
objek data yang semuanya terkait dengan sebuah objek real. Sebagai contoh,
 dalam data set mungkin terdapat dua record untuk seseorang yang barubaru ini
tinggal pada dua alamat yang berbeda. Kadangkala data yang ada terlihat bagus
padahal mengandung data yang tidak konsisten, misalnya seseorang dapat
memiliki panjang 2 meter tetapi hanya memiliki bobot 2 kilogram.
2. Error Pengukuran
Error pengukuran merujuk pada masalah yang dihasilkan dari proses
pengukuran, dimana nilai yang dicatat berbeda dengan nilai sebenarnya. Untuk
atribut kontinu, beda numerik dari nilai yang diukur dan nilai sebenarnya
dinamakan error. Istilah data collection error merujuk ke error seperti
penghilangan objek data atau nilai atribut atau memasukan sebuah objek data
secara tidak tepat. Sebagai contoh, studi seekor binatang dari spesies tertentu
dapat melibatkan binatang dari spesies terkait yang penampilannya mirip dengan
spesies yang sedang dipelajari. Noise adalah komponen acak dari error
pengukuran. Noise dapat melibatkan distorsi dari sebuah nilai atau tambahan dari
objek yang palsu.
3. Outlier
Outlier adalah (1) objek data yang memiliki karakteristik yang berbeda dari
kebanyakan objek data lainnya dalam data set, atau (2) nilai dari atribut yang
tidak biasa terhadap nilai khas untuk atribut tersebut. Perlu dibedakan antara
noise dengan outlier. Outlier merupakan objek data atau nilai yang sah. Tidak
seperti noise, outlier kadang-kadang menarik untuk dianalisis seperti dalam fraud
detection atau network intrusion detection.
4. Nilai yang Hilang
Seringkali ditemui sebuah objek yang kehilangan satu atau lebih nilai
atributnya. Dalam beberapa kasus, informasi tidak dikumpulkan; sebagai contoh
beberapa orang menolak memberikan data umur dan berat badannya. Dalam
kasus lain, beberapa atribut tidak digunakan untuk semua objek data; sebagai
contoh formulir yang memiliki bagian kondisional yang akan diisi jika seseorang
6menjawab pertanyaan sebelumnya, tetapi untuk kemudahan semua field tersebut
disimpan. Terdapat beberapa strategi untuk menangani data yang hilang, yaitu
a) Mengeliminasi objek data atau atribut
Cara sederhana dan efektif adalah menghilangkan objek yang memiliki nilai
yang hilang. Walaupun beberapa objek data tertentu mengandung informasi,
tetapi jika banyak objek yang memiliki nilai yang hilang, maka analisis akan
 sulit dilakukan. Penghilangan objek data atau atribut harus dilakukan dengan
hati-hati, karena mungkin saja atribut atau objek data yang dibuang
merupakan salah satu bagian penting dalam analisis.
b) Mengeliminasi nilai yang hilang
Kadang-kadang data yang hilang dapat diestimasi. Sebagai contoh, perhatikan
sebuah time series yang berubah dalam mode yang halus, tetapi memiliki
sedikit nilai yang hilang yang tersebar secara luas. Dalam kasus demikian,
nilai yang hilang dapat diestimasi (diinterpolasi) dengan menggunakan
nilainilai yang ada. Contoh lain adalah pada data set yang memiliki banyak
titik data yang mirip. Dalam kasus ini, nilai atribut dari titik terdekat ke titik
yang memiliki nilai yang hilang sering digunakan untuk mengestimasi nilai
yang hilang tersebut. Jika atribut adalah kontinu, maka digunakan rataan dari
nilai atribut dari data terdekat. Sedangkan jika data adalah kategori, maka
diambil nilai atribut yang paling banyak muncul.
c) Mengabaikan nilai yang hilang selama analisis
Banyak pendekatan data mining yang dapat dimodifikasi untuk mengabaikan
nilai yang hilang. Sebagai contoh, anggaplah objek-objek sedang di-clusterkan
dan kemiripan antara pasangan objek data perlu diperhitungkan. Jika satu atau
kedua objek dari pasangan tersebut memiliki nilai yang hilang untuk beberapa
atribut, maka kemiripan dapat diperhitungkan dengan hanya menggunakan
atribut yang tidak mengandung nilai yang hilang. Nilai yang tidak Konsisten
Data dapat mengandung nilai yang tidak konsisten. Perhatikan field alamat,
dimana didalamnya terdapat kode pos dan kota, tetapi area kode pos tertentu
tidak terdapat dalam kota tersebut. Hal ini mungkin saja terjadi dikarenakan
pemasukan data atau kesalahan dalam membaca formulir yang berisi data
tersebut. Hal yang lebih penting daripada mencari penyebab
ketidakkonsistenan data adalah mendeteksi, dan jika mungkin memperbaikan
ketidakkonsistenan tersebut. Beberapa bentuk ketidakkonsistenan cukup
mudah untuk dideteksi. Sebagai contoh, tinggi badan seseorang tidak mungkin
negatif.
d) Data Duplikat
Sebuah data set mungkin meliputi objek data yang merupakan duplikat, atau
hampir, dari data yang lain. Banyak orang menerima surat yang sama
(duplikat) karena mereka muncul berkali-kali dalam basis data dengan nama-
 nama yang agak berbeda. Untuk mendeteksi dan menghilangkan duplikasi
demikian,
perlu diperhatikan hal-hal berikut:
Jika terdapat dua objek yang secara aktual merepresentasikan sebuah objek,
maka nilai dari atribut yang terkait dapat berbeda, dan nilai yang tidak
e) konsisten tersebut harus diatasi.
Diperlukan langkah yang hati-hati untuk menghindari penggabungan secara
tidak sengaja dari data objek yang mirip, tetapi bukan duplikat, misalnya dua
orang yang berbeda dengan nama yang identik.
 BAB III

PENUTUP
3.1 Kesimpulan
Berdasarkan hasil pembuatan dan implementasi yang telah dilakukan guna
penyusunan makalah berjudul “Data Mining ” maka dapat ditarik kesimpulan, Data
mining adalah suatu proses pengumpulan informasi dan data yang penting dalam
jumlah yang besar atau big data. Dalam proses ini seringkali memanfaatkan beberapa
metode, seperti matematika, statistika dan pemanfaatan teknologi artificial
intelligence (AI). Pengertian data mining ini juga dikenal dengan istilah lain, seperti
Knowledge Discovery in Databases (KDD) dan Data Analysis

3.2 Saran
Dengan adanya makalah yang penulis buat ini diharapakan pembaca dapat
memahami mata kuliah data mining ini dan mengimplementasikan nya dengan baik.
Tentunya dalam makalah ini tidak lepas dari kekurangan maka dari itu penulis
mengharapkan kritik dan saran yang membangun. Semoga pembaca dapat lebih
mencari informasi yang lebih luas lagi tidak hanya dari makalah ini
 Daftar Pustaka
Byrne, M. 2001. Interviewing asa data collection method. Association of operating roona
wurses. [Link] diakses pada 19 april 2023 dari [Link]
Minlab . 2020. “ Pengertian, contoh, serta jenis-jenis dataset”. Diakses pada”. Diakses
pada 19 april 2023 dari [Link]
Mustika. 2015. “Definisi, karakteristik dan manfaat data mining”. diakses pada 19 April
2023 [Link]
Riswandi, Rizki . 2022 . “Pengertian, komponen utama, Arsitektur, dan Contoh” Diakses
pada 19 April dari [Link] [Link]?m=/
Salamadian. 2018 “Pengertian, komponen dan sistem basis data”. Diakses pada 19 april
2023 dari [Link]