Data Mining- Klasifikasi part 1

Dalam data mining dikenal sebuah istilah klasifikasi, klasifikasi menurut definisi dari sumber adalah

Classification is a data mining (machine learning) technique used to predict group membership for data instances

Menurut definisi tsb klasifikasi adalah teknik yang dilakukan untuk memprediksi class atau properti dari setiap instance data.

Definisi Data

Untuk mengetahui definisi dari data dalam klasifikasi mari kita lihat tabel dibawah ini

	2	2	3
1	Tua	Merokok	Lemah Jantung
1	Tua	Tidak Merokok	Agak Lemah Jantung

Dari tabel diatas diketahui ada 3 elemen yaitu

1. instance : data itu sendiri, setiap instance akan memiliki atribut dan class
2. atribut : atribut adalah keterangan yang dikandung dalam data itu sendiri, setiap data bisa memiliki lebih dari 1 atribut. biasanya atribut menggunakan variabel diskrit
3. class : class adalah status dari setiap instance, class adalah kesimpulan dari setiap data, setiap data biasanya hanya memiliki 1 class, biasanya class menggunakan variable diskrit

nah dalam klasifikasi, permasalahan yang dihadapai adalah menentukan class atau attribut dari suatu data yang sebelumnya belum diketahui

Tahapan

Tahapan dari klasifikasi dalam data mining terdiri dari 

• Pembangunan model, dalam tahapan ini dibuat sebuah model untuk menyelesaikan masalah klasifikasi class atau attribut dalam data, model ini dibangun berdasarkan training set-sebuah contoh data dari permasalahan yang dihadapi, training set ini sudah mempunyai informasi yang lengkap baik attribut maupun classnya
• Penerapan model, pada tahapan ini model yang sudah dibangun sebelumnya digunakan untuk menentukan attribut / class dari sebuah data baru yang attribut / classnya belum diketahui sebelumnya
• Evaluasi, pada tahapan ini hasil dari penerapan model pada tahapan sebelumnya dievaluasi menggunakan parameter terukur untuk menentukan apakah model tersebut dapat diterima

Pembangunan Model

Dalam tahapan ini dibuat sebuah model yang dapat melakukan klasifikasi dari training data, 

Jika didapatkan training data sebagai berikut

No	Usia	Diabetes	Rajin Berolahraga	Lajang	Cakep	LS ?
1	Muda	Tidak	Ya	Ya	Tidak	Tidak
2	Muda	Tidak	Tidak	Ya	Tidak	Sedikit
3	Muda	Ya	Ya	Ya	Tidak	Ya
4	Muda	Ya	Tidak	Ya	Tidak	Ya
5	Matang	Tidak	Ya	Tidak	Ya	Tidak
6	Matang	Tidak	Tidak	Tidak	Tidak	Sedikit
7	Matang	Ya	Ya	Tidak	Ya	Ya
8	Matang	Ya	Tidak	Ya	Tidak	Ya

dapat diusulkan model sebagai dibawah ini. ( cara membangkitkan model dan memilih splitting attribut akan dibahas lebih lanjut pada artikel selanjutnya )

model 1 :

if ( diabetes = ya ) maka LS = Ya

else if ( diabetes = tidak ) {

if ( Rajin Berolahraga = Ya ) LS = Tidak

else if ( Rajin berolahraga = Tidak ) LS = Sedikit  

} 

yang jika dituliskan flowchartnya adalah sebagai berikut

 

model solusi 1

 

dari model tersebut, jika digunakan pada training data didapatkan misklasifikasi sebesar 0 / 8 = 0 %

Penerapan Model

Setelah didapatkan model tersebut, model bisa diuji kepada data yang belum terklasifikasi seperti set data dibawah ini,  untuk mengetahui seberapa efektif model terhadap kondisi nyata diberikan jawaban yang seharusnya dijawab oleh model

No	Usia	Diabetes	Rajin Berolahraga	Lajang	Cakep	LS ?	Keadaan Nyata
1	Muda	Tidak	Ya	Ya	Tidak	-	Tidak
2	Muda	Tidak	Tidak	Ya	Tidak	-	Sedikit
3	Muda	Ya	Ya	Ya	Tidak	-	Ya
4	Muda	Ya	Tidak	Ya	Tidak	-	Ya
5	Matang	Tidak	Ya	Tidak	Ya	-	Tidak
6	Matang	Tidak	Tidak	Tidak	Tidak	-	Sedikit
7	Matang	Ya	Ya	Tidak	Ya	-	Ya
8	Lanjut	Tidak	Ya	Tidak	Tidak	-	Ya

setelah model digunakan, model akan memberikan jawaban sebagai berikut

No	LS ?	Keadaan Nyata
1	Tidak	Tidak
2	Sedikit	Sedikit
3	Ya	Ya
4	Ya	Ya
5	Tidak	Tidak
6	Sedikit	Sedikit
7	Ya	Ya
8	Tidak	Ya

Evaluasi Model

Dari penerapan model diketahui bahwa akurasi model dibandingkan dengan kasus nyata adalah 7/8 = 87,5 %

kesalahan klasifikasi pada nomor 8 disebabkan karena pada saat training belum diketahui kondisi tersebut, sehingga model tidak memformulasikan untuk kasus tersebut

Jika diketahui besaran error data yang sudah disebutkan sebelumnya, ada 2 pilihan yang bisa diambil, yaitu membuat model lain atau menerima model tersebut- misalnya karena batasan error tersebut diterima 

Untuk sementara sekian dahulu, pada pembahasan selanjutnya akan dibahas mengenai

• algoritma membangun model pohon keputusan menggunakan beberapa algortima populer 
• metodelogi evaluasi model yang lebih komprehensif

Untuk referensi lebih mendalam mengenai pokok bahasan ini bisa mengunduh dari sini, ppt dari pakar data mining favorit saya, Prof Jiawei Han