15
Strategi Data Transformation:
1.
Smoothing, yang bekerja untuk menghilangkan noise
dari dana
data.
2.
Atribut konstruksi (konstruksi atau fitur), di mana atribut baru
dibangun dan ditambahkan oleh himpunan atribut untuk
membantu proses mining.
3.
Agregasi, dimana ringkasan atau agregasi operasi diterapkan pada
data.
4.
Normalisasi, dimana data atribut adalah skala sehingga jatuh
dalam kisaran yang lebih kecil.
5.
Discretization,
dimana nilai-nilai baku dari atribut numerik
(misalnya , usia) akan diganti dengan label Interval (misalnya , 0-
10 , 11-20 , dll) atau label konseptual (misalnya , remaja , dewasa
,senior).
6.
Generasi hirarki konsep untuk data nominal , di mana atribut dapat
digeneralisasi untuk konsep-tingkat yang lebih tinggi , seperti kota
atau negara.
2.4
Teknik Data Mining
Teknik data mining terbagi menjadi tiga, yaitu: Association Rule Mining,
Classification, Clustering dan Regretion.
2.4.1
Association Rule Mining
Menurut Olson dan Shi (2013), Association Rule Mining
merupakan
teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi
item atau untuk menemukan hubungan hal tertentu dalam suatu transaksi data
dengan hal lain di dalam transaksi, yang digunakan untuk memprediksi pola.
Sedangkan menurut Han dan Kamber (2011, p246), Association Rule Mining
terdiri dari itemset yang sering muncul. Association Rule Mining
dapat
dianalisa lebih lanjut untuk mengungkap aturan korelasi
untuk
menyampaikan korelasi statistik antara itemsets A dan B.
2.4.2
Classification
Menurut Olson dan Shi
(2013),
Klasifikasi (Classification),
metode-
metodenya
ditunjukan untuk pembelajaran
fungsi-fungsi berbeda yang
memetakan masing-masing data terpilih ke dalam
salah satu dari kelompok
kelas yang telah ditetapkan sebelumya.
Menurut Han dan Kamber (2011,
 |