Implementasi Data Mining

      Data Mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan,  machine learning  untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar (Turban dkk. 2005).

Fungsi Data Mining 

Data mining mempunyai fungsi yang penting untuk membantu mendapatkan informasi yang berguna serta meningkatkan pengetahuan bagi pengguna. Pada dasarnya, data mining mempunyai empat fungsi dasar yaitu:

1. Fungsi Prediksi (prediction). Proses untuk menemukan pola dari data dengan menggunakan beberapa variabel untuk memprediksikan variabel lain yang tidak diketahui jenis atau nilainya.

1. Fungsi Deskripsi (description). Proses untuk menemukan suatu karakteristik penting dari data dalam suatu basis data. 

1. Fungsi Klasifikasi (classification). Klasifikasi merupakan suatu proses untuk menemukan model atau fungsi untuk menggambarkan class atau konsep dari suatu data. Proses yang digunakan untuk mendeskripsikan data yang penting serta dapat meramalkan kecenderungan data pada masa depan. 

1. Fungsi Asosiasi (association). Proses ini digunakan untuk menemukan suatu hubungan yang terdapat pada nilai atribut dari sekumpulan data.

Proses Data Mining 

Proses yang umumnya dilakukan oleh data mining antara lain: deskripsi, prediksi, estimasi, klasifikasi, clustering dan asosiasi. Secara rinci proses data mining dijelaskan sebagai berikut (Larose, 2005):

a. Deskripsi 

Deskripsi bertujuan untuk mengidentifikasi pola yang muncul secara berulang pada suatu data dan mengubah pola tersebut menjadi aturan dan kriteria yang dapat mudah dimengerti oleh para ahli pada domain aplikasinya. Aturan yang dihasilkan harus mudah dimengerti agar dapat dengan efektif meningkatkan tingkat pengetahuan (knowledge) pada sistem. Tugas deskriptif merupakan tugas data mining yang sering dibutuhkan pada teknik postprocessing untuk melakukan validasi dan menjelaskan hasil dari proses data mining. Postprocessing merupakan proses yang digunakan untuk memastikan hanya hasil yang valid dan berguna yang dapat digunakan oleh pihak yang berkepentingan.

b. Prediksi 

Prediksi memiliki kemiripan dengan klasifikasi, akan tetapi data diklasifikasikan berdasarkan perilaku atau nilai yang diperkirakan pada masa yang akan datang. Contoh dari tugas prediksi misalnya untuk memprediksikan adanya pengurangan jumlah pelanggan dalam waktu dekat dan prediksi harga saham dalam tiga bulan yang akan datang.

c. Estimasi 

Estimasi hampir sama dengan prediksi, kecuali variabel target estimasi lebih ke arah numerik dari pada ke arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai variabel prediksi. Sebagai contoh, akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, berat badan, dan level sodium darah. Hubungan antara tekanan darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan menghasilkan model estimasi.

d. Klasifikasi 

Klasifikasi merupakan proses menemukan sebuah model atau fungsi yang mendeskripsikan dan membedakan data ke dalam kelas-kelas. Klasifikasi melibatkan proses pemeriksaan karakteristik dari objek dan memasukkan objek ke dalam salah satu kelas yang sudah didefinisikan sebelumnya.

e. Clustering 

Clustering merupakan pengelompokan data tanpa berdasarkan kelas data tertentu ke dalam kelas objek yang sama. Sebuah kluster adalah kumpulan record yang memiliki kemiripan suatu dengan yang lainnya dan memiliki ketidakmiripan dengan record dalam kluster lain. Tujuannya adalah untuk menghasilkan pengelompokan objek yang mirip satu sama lain dalam kelompok-kelompok. Semakin besar kemiripan objek dalam suatu cluster dan semakin besar perbedaan tiap cluster maka kualitas analisis cluster semakin baik.

f. Asosiasi 

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam suatu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja (market basket analisys). Tugas asosiasi berusaha untuk mengungkap aturan untuk mengukur hubungan antara dua atau lebih atribut.

 

Implementasi Data Mining Dalam Kehidupan Sehari-Hari

Salah satu pengimplementasian data mining yaitu di bidang kesehatan. Disini kita akan membahas data mining di bidang kesehatan.

Di bidang kesehatan atau medis sendiri penggunaan teknologi informasi sudah banyak diterapkan salah satunya adalah data mining. Pada tahun 2012 menteri kesehatan saat itu, Fadilah Supari mendeklarasikan gerakaan nasional keselamatan pasien (patient safety) di seluruh rumah sakit. Pendeklarasian gerakan tersebut mendukung pelayanan terhadap pasien dengan melibatkan penggunaan data mining. Saat ini beberapa rumah sakit sudah menerapakan data mining. Penerapan data mining di rumah sakit dengan cara menggunakan data untuk menganalisis dan mengidentifikasikan praktik terbaik. Dimana hasilnya digunakan untuk meningkatkan pelayanan dan perawatan terhadap pasien serta mengurangi biaya yang dapat membantu konsumen.

Salah satu contoh dari penggunaan data mining di bidang perushaan ini adalah untuk diagnosa penyakit hipertensi pada kehamilan. Hipertensi adala suatu keadaan dimana supply oksigen dan nutria yang dibawa oleh darah terhambat dalam proses penyalurannya ke jaringan tubuh yang membutuhkan. Hipertensi ini tidak terlepas dari ibu hamil, karena banyak ibu hamil yang mengalami hipertensi. Maka diperlukannya kontrol dan pengawasan terhadap ibu hamil yang memiliki hipertensi agar tidak terjadi komplikasi yang dapat membahayakan janin dan kesehatan ibu hamil sendiri. Data mining digunakan untuk diagnosa dengan mengumpulkan data-data hasil pemeriksaan pada ibu hamil.

Metode yang digunakan dalam mendiagnosa hipertensi pada kehamilan dengan data mining ini menggunakan metode Decision Tree (Pohon Keputusan). metode ini digunakan karena memiliki kemudahan dalam interpretasi dari hasil yang didapatkan. Dengan menggunakan data mining untuk diagnosa penyakit ini diharapkan mendapatkan hasil yang akurat sehingga dapat dilakukan tindakan medis lebih lanjut terhadap ibu hamil yang memiliki hipertensi.

Penggunaan data mining di bidang kesehatan sangatlah membantu. Menurut saya, akan lebih baik lagi apabila penggunaan data mining ini tidak hanya diterapkan pada rumah sakit besar saja. Data mining ini akan lebih berguna juga apabila diterapkan di rumah sakit kecil bahkan klinik-klinik yang ada. Sehingga diharapkan penanganandan pelayanan terhadap pasien di seluruh rumah sakit dan klinik akan lebih baik.

Referensi :
https://www.kompasiana.com/amandapusparini/5c9095b795760e03a73e4102/implementasi-data-mining-pada-bidang-kesehatan 

https://beyonder.asia/pengertian-fungsi-proses-dan-tahapan-data-mining/

Nama   : Muhammad Alfi Alamsyah

Kelas   : 3 KA 08

NPM   : 14116694