Animasi, Design Grafis & 3D.

Animasi

Animasi adalah gambar begerak berbentuk dari sekumpulan objek (gambar) yang disusun secara beraturan mengikuti alur pergerakan yang telah ditentukan pada setiap pertambahan hitungan waktu yang terjadi. Gambar atau objek yang dimaksud dalam definisi di atas bisa berupa gambar manusia, hewan, maupun tulisan. Pada proses pembuatannyam sang pembuat animasi atau yang lebih dikenal dengan animator harus menggunakan logika berfikir untuk menentukan alur gerak suatu objek dari keadaan awal hingga keadaan akhir objek tersebut. Perencanaan yang matang dalam perumusan alur gerak berdasarkan logika yang tepat akan menghasilkan animasi yang menarik untuk disaksikan.

Design Grafis

Desain grafis adalah suatu bentuk komunikasi visual yang menggunakan gambar untuk menyampaikan informasi atau pesan seefektif mungkin. Dalam disain grafis, teks juga dianggap gambar karena merupakan hasil abstraksi simbol-simbol yang bisa dibunyikan. disain grafis diterapkan dalam disain komunikasi dan fine art. Seperti jenis disain lainnya, disain grafis dapat merujuk kepada proses pembuatan, metoda merancang, produk yang dihasilkan (rancangan), atau pun disiplin ilmu yang digunakan (disain).

3D

3 dimensi atau biasa disingkat 3D atau disebut ruang, adalah bentuk dari benda yang memiliki panjang, lebar, dan tinggi. Istilah ini biasanya digunakan dalam bidang seni, animasi, komputer dan matematika.

Tools

-                

            Tools Animasi 2D

Untuk membuat dan mengolah animasi harus menggunakan aplikasi tertentu agar dapat menghasilkan hasil yang maksimal yang enak dilihat dan dinikmati. sehingga tercipta sebuah film animasi yang bagus dan layak tonton. dan berikut ini adalah aplikasi terbaik yang dapat digunakan untuk membuat animasi. berikut ini beberapa aplikasi membuat animasi terbaik :

• Synfig Studio

Synfig Studio

synfig studio adalah suatu aplikasi open source untuk membuat aplikasi dua dimensi yang gratis unutk digunakan dan didownload. di rancang untuk membuat animasi dua dimensi yang kuat dengan menggunakan vektor dan bitmap. aplikasi ini menghilangkan kebutuhan untuk membuat frame-frame dengan animasi, yang memungkinkan kita membuat animasi dua dimensi yang berkualitas tinggi dan tidak memerlukan orang banyak untuk membuatnya. aplikasi ini tersedia di , windows , linux MacOs X.

Keunggulan :

- Penggunaan aplikasi cukup mudah untuk pemula yang baru belajar
- Aplikasi sangat stabil
- Penggunaan daya yang kecil
- Size yang cukup kecil untuk aplikasi pengolah grafis

Kelemahan :

- Beberapa kebutuhan dasar dalam mengubah warna, jenis , ukuran kata dalam sebuah paragraf belum dapat dilakukan
- Pemilihan font tidak disediakan dalam bentuk list
- saat merender gambar , pengguna tidak disediakan progres-bar sehingga tidak tahu kapan rendering akan selesai

• Plastic Animation  Paper

Plastic Animation Paper merupakan salah satu aplikasi untuk membuat animasi dua dimensi yang efektif dan terbaik. aplikasi ini menyediakan banyak fitur keren yang bermanfaat seperti , menggambar area , menyisipkan gambar , menyeting frame rate , mempunyai fitur zoom , menambahkan musik dan masih banyak lainnya. aplikasi ini dapat menyimpan animasi dalam gambar dan format vifeo populer, seperti : GIF,PNG,TIFF,AVI,TGA dan masih banyak lainnya. Untuk Windows PC dan Mac OS X (Linux, Android & iPad Pro sedang direncanakan)

Keunggulan :

- Saat menggambar , Mengedit gambar respon aplikasi cepat

- Kualitas garis dibangun dengan kecepatan tinggi

- pewarna sederhana dengan pipet dan mengisi tanpa merusak garis

- Realtime full frame referensi di monitor

- Rotasi zoom Realtime dan Halus dari pandangan

Kelemahan :

- Aplikasi ini termasuk aplikasi jadul

- Tampilan masih seperti aplikasi jaman dulu tidak seperti aplikasi yang sekarang sudah ada

-          Tools Animasi 3D

Blender 3D

Perangkat lunak ini digunakan untuk membuat film animasi, efek visual, model cetak 3D, aplikasi 3D interaktif dan permainan video. Blender memiliki beberapa fitur termasuk pemodelan 3D, penteksturan, penyunting gambar bitmap, penulangan, simulasi cairan dan asap, simulasi partikel, animasi, penyunting video, pemahat digital, dan rendering.

Kelebihan Blender 3D

• Tidak membutuhkan ruang kapastias yang banyak
• Software Open Source, jadi dapat dijalankan di operating sistem Linux
• Tidak berat saat melakukan render
• Dan mudah untuk digunakan

Kelemahan Blender 3D

• Tool yang dimiliki tidak lengkap seperti 3D Max
• Tampilan cukup berantakan
• Semua proses dilakukan dengan manual

Autodesk 3D Max

3D Studio Max (kadangkala disebut 3ds Max atau hanya MAX) adalah sebuah perangkat lunak grafik vektor 3-dimensi dan animasi, ditulis oleh Autodesk Media & Entertainment (dulunya dikenal sebagai Discreet and Kinetix. Perangkat lunak ini dikembangkan dari pendahulunya 3D Studio fo DOS, tetapi untuk platform Win32.

Kelebihan Autodesk 3D Max

• Hasil yang dihasilkan dengan 3D Max lebih bagus dari pada aplikasi lainnya
• Dapat menambahkan fitur efek-efek khusus seperti efek cahaya, bayangan, kabut dll
• Dapat menjalankan proses animasi sesuai dengan keinginan pengguna
• Tools yang dimiliki banyak dan support oleh banyak program lainnya

Kekurangan Autodesk 3D Max

• Untuk membuat karya visual dengan pencahayaan kompleks adalah proses yang lebih lama dan lebih membosankan
• Kamera yang terdapat di 3D Max sulit untuk di atur

-          Tools Design Grafis

Adobe InDesign

Adobe InDesign adalah perangkat lunak desktop publishing (DTP) yang diproduksi oleh Adobe Systems yang dapat digunakan untuk membuat poster, brosur, bahkan majalah atau buku. Banyak perusahaan percetakan di Indonesia yang menggunakan software ini untuk membuat buku atau majalah. Juga digunakan untuk perusahaan percetakan koran.

Kelebihan Adobe InDesign

·  Punya tools untuk membuat gambar menjadi blur sehingga berguna untuk censorship atau efek artistik yang lain.

·  Dapat melakukan import dan membuat gambar menjadi transparan dengan sempurna.

·  Anda yang tidak puas dengan logo atau gambar yang sudah jadi bisa diulang kembali dan menghasilkan desain yang lebih memuaskan dari sebelumnya dengan perintah undo atau ctrl+z yang lebih dari sekali.

·  Ada fasilitas untuk membuat tabel.

·  Mampu untuk membuka file pmd.

·  Mudah sekali untuk meng-convert gambar menjadi format .pdf yang bisa dicetak atau dikunci sebagai pengamanan dokumen.

Kekurangan Adobe InDesign

• Dari segi math type, untuk Pagemaker masih mudah memindahkan math type ke Pagemaker. Sedangkan di Adobe Indesign Anda harus menempatkannya di luar area kerja, lalu di-copy, dan di-paste di area kerja kembali. Ketika dilakukan pengeditan pun lebih sulit dilakukan.
• Jika Anda memilih format teks rata kanan kiri atau justify, seringkali jarak antar teks terlihat tidak natural baik itu terlalu jauh atau terlalu dekat sehingga membutuhkan sedikit usaha untuk menyeimbangkannya.
• Hanya bisa digunakan untuk membuat layout atau format master untuk majalah atau buku. Sehingga apabila Anda ingin desain yang lebih detail dan rinci, Adobe Indesign tidak memiliki tools yang memadai. Untuk mendesain sebuah logo atau simbol yang lebih rinci dan leluasa Anda bisa menggunakan Adobe Illustrator.

Adobe PageMaker

PageMaker adalah program desktop publishing pertama, diperkenalkan pada tahun 1985 oleh Aldus Corporation, awalnya untuk Apple Macintosh dan lalu untuk PCs dan juga Microsoft Windows. PageMaker mendapatkan penghargaan SPA Excellence in Software Award atas Best New Use of a Computer tahun 1986.

Kelebihan Adobe Page Maker

• Pada Adobe InDesign terdapat fasilitas yang digunakan untuk proses membuat objek gambar tampak blur.
• Pada Adobe InDesign terdapat fasilitas Effect Photoshop (shadow, bevel, glow, dll).
• Dapat Import dan menampilkan gambar transparant dengan sempurna.
• Dapat menggambar ulang suatu LOGO, Object Atau Gambar.
• Dapat import file dengan format pdf., ai., psd,. Jpg,. Doc,/docx.
• Tersedia fasilitas untuk membuat tabel.
• Dapat membuka file pmd.
• Dapat dengan mudah convert ke format pdf. Dan masih banyak lagi kelebihan-kelebihan yang dimiliki oleh Adobe InDesign.

Kekurangan Adobe Page Maker

• Hanya saja dapat digunakan untuk membuat Layout Seperti Koran, Majalah, Koran dan lain-lain.
• Jika menggunakan atribut justify (Rata Kanan dan Kiri). Hal ini akan menghasilkan jarak antar kata yang tidak seimbang, terlalu renggang atau terlalu rapat. Di butuhkan ketelitian untuk mengatasinya.
• Dalam Penggunaan Math Type mengalami kesulitan dalam proses pemindahan.

Saran :

Dapat disimpulkan bahwa pada proses pembuatan animasi 2D diperlukan pengetahuan khusus tentang detail nya yaitu harus menggunakan logika berfikir untuk menentukan alur gerak suatu objek dari keadaan awal hingga keadaan akhir objek tersebut. Sedangkan 3D yaitu gambar yang memilik panjang tinggi & lebar. Hendaknya pengetahuan yang cukup mumpuni untuk mengunakan aplikasi, sehingga menghasilkan karya yang indah.

Referensi :

http://septiandekky.blog.widyatama.ac.id/2014/06/13/pengertian-dan-jenis-jenis-animasi/

https://ruanggrafis.blogspot.co.id/2015/07/pengertian-desain-grafis.html

https://id.wikipedia.org/wiki/3_dimensi

https://ruanggrafis.blogspot.co.id/2015/07/pengertian-desain-grafis.html

http://ternakgajah.blogspot.co.id/2016/09/aplikasi-membuat-animasi-2d-terbaik.html

http://www.blogsejutaumat.com/2015/04/kelebihan-dan-kekurangan-blender-3d-max-autocad.html

DATA MINING

DATA MINING

Definisi sederhana dari data mining adalah ekstraksi informasi atau pola yang penting atau menarik dari data yang ada di database yang besar. Dalam jurnal ilmiah, data mining juga dikenal dengan nama Knowledge Discovery in Databases (KDD).

Data mining didefinisikan sebagai satu set teknik yang digunakan secara otomatis untuk mengeksplorasi secara menyeluruh dan membawa ke permukaan relasi-relasi yang kompleks pada set data yang sangat besar. Set data yang dimaksud di sini adalah set data yang berbentuk tabulasi, seperti yang banyak diimplementasikan dalam teknologi manajemen basis data relasional. Akan tetapi, teknik-teknik data mining dapat juga diaplikasikan pada representasi data yang lain, seperti domain data spatial, berbasis text, dan multimedia (citra).

1. Database

Database (Connoly dan Begg, 2010 : 54-66) adalah suatu pembagian kumpulan data yang berisi secara logika, dan keterangan dari masing-masing data yang didesain untuk mendapatkan informasi yang dibutuhkan sebuah organisasi. Database system adalah kumpulan program aplikasi yang berinteraksi dengan basis data bersama dengan Database Management System (DBMS) dan basis data itu sendiri, sedangkan Database Management System (DBMS) adalah merupakan sistem perangkat lunak yang memungkinkan pengguna untuk mendefinisikan, membuat, memelihara dan kontrol ke akses database.

Database (Mcleod, 2007 : 124), adalah kumpulan dari semua data berbasis komputer pada suatu perusahaan. 

Dari teori-teori tersebut dapat disimpulkan bahwa Database adalah sejumlah data yang terorganisasi dengan record dan field-nya yang terstruktrur dan saling terhubung untuk menyediakan informasi yang dibutuhkan oleh perusahaan.

2. Definisi Data Mining

Data mining (Connolly dan Begg, 2010) adalah suatu proses ekstraksi atau penggalian data yang belum diketahui sebelumnya, namun dapat dipahami dan berguna dari database yang besar serta digunakan untuk membuat suatu keputusan bisnis yang sangat penting.

Data mining (Segall et.all, 2008) biasa juga disebut dengan “Data atau knowledge discovery” atau menemukan pola tersembunyi pada data. Data mining adalah proses dari menganalisa data dari prespektif yang berbeda dan menyimpulkannya ke dalam informasi yang berguna.

Data mining (Han dan Kamber, 2006 : 5) didefinisikan sebagai proses mengekstrak atau menambang pengetahuan yang dibutuhkan dari sejumlah data besar.

Pada prosesnya data mining akan mengekstrak informasi yang berharga dengan cara menganalisis adanya pola-pola ataupun hubungan keterkaitan tertentu dari data-data yang berukuran besar. Data mining berkaitan dengan bidang ilmu-ilmu lain, seperti Database System, Data Warehousing, Statistic, Machine Learning, Information Retrieval, dan Komputasi Tingkat Tinggi. Selain itu data mining didukung oleh ilmu lain seperti Neural Network, Pengenalan Pola, Spatial Data Analysis, Image Database, Signal Processing.

Beberapa survey tentang proses pemodelan dan metodologi menyatakan bahwa, “Data mining digunakan sebagai penunjuk, dimana data mining menyajikan intisari atas sejarah, deskripsi dan sebagai standar petunjuk mengenai masa depan dari sebuah proses model data mining”(Mariscal, Marba’n dan Ferna’ndes, 2010)

Karakteristik data mining sebagai berikut:

a. Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola data tertentu yang tidak diketahui sebelumnya.

b. Data mining biasa menggunakan data yang sangat besar. Biasanya data yang besar digunakan untuk membuat hasil lebih dapat dipercaya.

c. Data mining berguna untuk membuat keputusan kritis.

Berdasarkan beberapa pengertian tersebut dapat ditarik kesimpulan bahwa Data Mining adalah suatu teknik menggali informasi berharga yang terpendam atau tersembunyi pada suatu koleksi data (database) yang sangat besar sehingga ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui.

3. Fungsi Data Mining

Teknik – teknik data mining telah digunakan untuk menemukan pola yang tersembunyi dan meprediksi tren masa depan. Dan keuntungan kompetitif dari data mining termasuk dengan meningkatnya pendapatan, berkurangnya pengeluaran, dan kemampuan pemasaran yang meningkat. (Pujari et. All, 2012)

Data mining dibagi menjadi dua kategori utama (Han dan Kamber, 2006 : 21- 29) yaitu:

A. Prediktif

Tujuan dari tugas prediktif adalah untuk memprediksi nilai dari atribut tertentu berdasarkan pada nilai atribut-atribut lain. Atribut yang diprediksi umumnya dikenal sebagai target atau variable tak bebas, sedangkan atribut-atribut yang digunakan untuk membuat prediksi dikenal sebagai explanatory atau variable bebas.

B. Deskriptif

Tujuan dari tugas deskriptif adalah untuk menurunkan pola-pola (korelasi, trend, cluster, teritori, dan anomali) yang meringkas hubungan yang pokok dalam data. Tugas data mining deskriptif sering merupakan penyelidikan dan seringkali memerlukan teknik post-processing untuk validasi dan penjelasan hasil.

Fungsi dari data mining juga ada dalam dunia kesehatan, dimana data mining telah digunakan untuk untuk meningkatkan diagnosis dan pengobatan atau lebih mengerti perilaku dari pasien. (Sandra et all, 2009)

Data mining juga memiliki beberapa fungsionalitas yaitu Concept/Class Description: Characterization and Discrimination, Mining Frequent Patterns, Associations, and Correlations, Classification and Prediction, Cluster Analysis, Outlier analysis, dan Evolution analysis. (Han dan Kamber, 2006 : 21 – 27)

Berikut adalah penjelasan dari masing-masing fungsi diatas:

1. Concept/Class Description: Characterization and Discrimination

Data characterization adalah ringkasan dari semua karakteristik atau fitur dari data yang telah diperoleh dari target kelas. Data yang sesuai dengan kelas yang telah ditentukan oleh pengguna biasanya dikumpulkan di dalam database. Misalnya, untuk mempelajari karakteristik produk perangkat lunak dimana pada tahun lalu seluruh penjualan telah meningkat sebesar 10%, data yang terkait dengan produk-produk tersebut dapat dikumpulkan dengan menjalankan sebuah query SQL. Sedangkan, data discrimination adalah perbandingan antara fitur umum objek data target kelas dengan fitur umum objek dari satu atau satu set kelas lainnya. target diambil melalui query database. Misalnya, pengguna mungkin ingin membandingkan fitur umum dari produk perangkat lunak yang pada tahun lalu penjualannya meningkat sebesar 10% tetapi selama periode yang sama seluruh penjualan juga menurun setidaknya 30%.

2. Mining Frequent Patterns, Associations, and Correlations

Frequent Patterns adalah pola yang sering terjadi di dalam data. Ada banyak jenis dari frequent patterns, termasuk di dalamnya pola, sekelompok item set, sub-sequence, dan sub-struktur. Sebuah frequent patterns biasanya mengacu pada satu set item yang sering muncul bersama-sama dalam suatu kumpulan data transaksional, misalnya seperti susu dan roti.

Associations Analysis adalah pencarian aturan-aturan asosiasi yang menunjukan kondisi-kondisi nilai atribut yang sering terjadi bersama-sama dalam sekumpulan data. Analisis asosiasi sering digunakan untuk menganalisa Market Basket Analysis dan data transaksi.

3. Classification and Prediction

Klasifikasi adalah proses untuk menemukan model atau fungsi yang menggambarkan dan membedakan kelas data atau konsep dengan tujuan memprediksikan kelas untuk data yang tidak diketahui kelasnya. Model yang diturunkan didasarkan pada analisis dari training data (yaitu objek data yang memiliki label kelas yang diketahui). Model yang diturunkan dapat direpresentasikan dalam berbagai bentuk seperti If-then klasifikasi, decision tree, dan sebagainya.

Teknik classification bekerja dengan mengelompokkan data berdasarkan data training dan nilai atribut klasifikasi. Aturan pengelompokan tersebut akan digunakan untuk klasifikasi data baru ke dalam kelompok yang ada. Classification dapat direpresentasikan dalam bentuk pohon keputusan (decision tree). Setiap node dalam pohon keputusan menyatakan suatu tes terhadap atribut dataset, sedangkan setiap cabang menyatakan hasil dari tes tersebut. Pohon keputusan yang terbentuk dapat diterjemahkan menjadi sekumpulan aturan dalam bentuk IF condition THEN outcome. (Mewati Ayub, 2007 : 7).

Dalam banyak kasus, pengguna ingin memprediksikan nilai-nilai data yang tidak tersedia atau hilang (bukan label dari kelas). Dalam kasus ini nilai data yang akan diprediksi merupakan data numeric. Disamping itu, prediksi lebih menekankan pada identifikasi trend dari distribusi berdasarkan data yang tersedia.

4. Cluster Analysis

Cluster adalah kumpulan objek data yang mirip satu sama lain dalam kelompok yang sama dan berbeda dengan objek data di kelompok lain. Sedangkan, Clustering atau Analisis Custer adalah proses pengelompokkan satu set benda-benda fisik atau abstrak kedalam kelas objek yang sama. 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.

1. Outlier analysis

Outlier merupakan objek data yang tidak mengikuti perilaku umum dari data. Outlier dianggap sebagai noise atau pengecualian. Analisis data outlier dapat dianggap sebagai noise atau pengecualian. Analisis data outlier dinamakan Outlier Mining. Teknik ini berguna dalam fraud detection dan rare events analysis.

2. Evolution analysis

Analisis evolusi data menjelaskan dan memodelkan trend dari objek yang memiliki perilaku yang berubah setiap waktu. Teknik ini dapat meliputi karakterisasi, diskriminasi, asosiasi, klasifikasi, atau clustering dari data yang berkaitan dengan waktu.

4. Tujuan Data Mining

Tujuan dari data mining (Hoffer, Prescott, dan McFadden, 2007) adalah:

1. Explanatory

Untuk menjelaskan beberapa kondisi penelitian, seperti mengapa penjualan truk pick-up meningkat di Colorado.

2. Confirmatory

Untuk mempertegas hipotesis, seperti halnya dua kali pendapatan keluarga lebih suka dipakai untuk membeli peralatan keluarga dibandingkan dengan satu kali pendapatan keluarga.

3. Exploratory

Untuk menganalisa data yang memiliki hubungan yang baru. Misalnya, pola apa yang cocok untuk kasus penggelapan kartu kredit.

5. Arsitektur Data Mining

Data mining merupakan proses pencarian pengetahuan yang menarik dari data berukuran besar yang disimpan dalam basis data, data warehouse atau tempat penyimpanan informasi lainnya. Dengan demikian arsitektur sistem data mining memiliki komponen-komponen utama (Han dan Kamber, 2006) yaitu:

a. Database, data warehouse, World Wide Web, atau tempat penyimpanan informasi lainnya: bisa berbentuk satu atau banyak database, data warehouse, spreadsheet, ataupun tempat penyimpanan informasi lainnya. Data Cleaning, Data Integration dan Data Selection dapat dijalankan pada data tersebut.

b. Database dan data warehouse server. Komponen ini bertanggung jawab dalam pengambilan data yang relevan, berdasarkan permintaan pengguna.

c. Knowledge Based. Komponen ini merupakan domain knowledge yang digunakan untuk memandu pencarian atau mengevaluasi pola-pola yang dihasilkan. Pengetahuan tersebut meliput hirarki konsep yang digunakan untuk mengorganisasikan atribut atau nilai atribut kedalam level abstraksi yang berbeda. Pengetahuan tersebut juga dapat berupa kepercayaan pengguna (user belief), yang dapat digunakan untuk menentukan kemenarikan pola yang diperoleh.

d. Data mining engine. Bagian ini merupakan komponen penting dalam arsitektur sistem data mining. Komponen ini terdiri dari modul-modul fungsional seperti karakterisasi, asosiasi, klasifikasi, dan analisis cluster.

e. Ghrapical user interface (GUI). Modul ini berkomunikasi dengan pengguna dan data mining. Melalui komponen ini, pengguna berinteraksi dengan sistem menggunakan query.

Gambar Arsitektur sistem data mining

6. Klasifikasi Sistem Data Mining

Data Mining (Han dan Kamber, 2006 : 29) merupakan suatu pendekatan dalam pemecahan masalah dengan menggunakan tinjauan berbagai sudut pandang ilmu secara terpadu yaitu, database system, statistics, machine learning, visualization, dan information system. (Gambar 2.2)

Gambar  Data mining merupakan irisan dari berbagai disiplin

7. Knowledge Discovery In Databases

Han dan Kamber (2006 : 7), lebih spesifik menyatakan istilah Data Mining dan Knowledge Discovery in Databases (KDD) secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu kumpulan data yang besar. Akan tetapi kedua istilah tersebut memiliki konsep yang berbeda, tetapi berkaitan satu sama lain dan salah satu tahap dalam proses KDD adalah data mining.

Data mining adalah salah satu langkah dalam proses KDD secara keseluruhan. Secara umum, data mining digunakan oleh banyak peneliti sebagai sinonim dari proses KDD. Akhir-akhir ini, data mining dan knowledge discovery telah diusulkan sebagai nama yang paling memadai untuk keseluruhan proses KDD. Knowledge Discovery in Databases berkaitan dengan proses penemuan pengetahuan yang diterapkan pada database. Hal ini juga didefinisikan sebagai proses non-trivial untuk identifikasi data yang valid, baru, berpotensi bermanfaat, dan akhirnya memiliki pola yang dapat dimengerti. (Kurgan dan Musilek, 2006)

Knowledge discovery sering terhalang karena tantangan dalam integrasi dan navigasi dari data yang berbeda. Selain itu, karena jumlah dimensi di dalam data meningkat, pendekatan baru untuk penemuan pola sangat diperlukan. (Zhiyuan Chen, 2007).

Berdasarkan pengertian beberapa pengertian tersebut dapat ditarik kesimpulan bahwa Knowledge Discovery in Database (KDD) adalah proses yang bertujuan untuk menggali dan menganalisis sejumlah besar himpunan data dan mengekstrak informasi serta pengetahuan yang berguna.

Langkah penting dalam proses KDD dapat dilihat pada gambar 2.3 yang terdiri dari tahapan-tahapan sebagai berikut:

1) Data cleaning

Data cleaning merupakan proses membuang duplikasi data, memeriksa data yang tidak konsisten, dan memperbaiki kesalahan pada data, seperti kesalahan penulisan. Pada umumnya data yang diperoleh baik dari database suatu perusahaan maupun hasil eksperimen, memiliki isi yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik. Selain itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa data mining yang dimiliki. Data cleaning juga akan mempengaruhi hasil informasi dari teknik data mining karena data yang ditangani akan berkurang jumlah dan kompleksitasnya.

2) Data integration

Proses menambah data yang sudah ada dengan data atau informasi lain yang relevan atau bisa disebut juga merupakan penggabungan data dari berbagai database kedalam satu database baru yang dibutuhkan oleh KDD.

Tahapan cleaning dan integration pada KDD mengasumsikan bahwa integrator data harus menghapus noise dari data awal secara paralel dengan mengintegrasikan beberapa data set. (M. Brian Blake, 2009)

Gambar Data mining sebagai tahapan dalam proses KDD

3) Data selection

Pemilihan data yang relevan dan dapat dilakukan analisis dari data operasional. Data hasil pemilihan disimpan dalam database yang terpisah.

4) Data transformation

Proses tranformasi data kedalam bentuk format tertentu sehingga data tersebut sesuai untuk proses data mining. Sebagai contoh beberapa metode standar seperti analisis asosiasi dan clustering hanya bisa menerima input data kategorikal.

5) Data mining

Proses mencari pola atau informasi menarik dengan menggunakan teknik, metode atau algoritma tertentu.

6) Pattern evaluation

Mengidentifikasi pola-pola yang benar-benar menarik dari hasil data mining. Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai atau tidak.

7) Knowledge presentation

Menampilkan pola informasi yang dihasilkan dari proses data mining, visualisasi ini membantu mengkomunikasikan hasil data mining dalam bentuk yang mudah dimengerti.

Contoh Aplikasi Data Mining

Dari sudut pandang keilmuan, data mining dapat digunakan untuk mengcapture, menganlisis serta menyimpan data yang bersifat real-time dan sangat besar, misalnya:

• Remote sensor, yang ditempatkan pada suatu satelit
• Telescope,  yang digunakan untuk memindai langit
• Simulasi saintifik, yang membangkitkan data dalam ukuran terrabytes.

Contoh Pemanfaatan Data Mining di bidang keilmuan (Tan dkk, 2004)

Contoh aplikasi data mining pada beberapa bidang seperti: Pemasaran, Bank dan Asuransi.

Aplikasi data mining

Data mining merupakan salah satu metode alternatif yang dapat digunakan untuk mengolah data mentah, ketika metode konvensional tidak fisibel untuk dilakukan karena besarnya volume data yang diolah. Hal ini dapat terjadi karena datamining memiliki kemampuan mereduksi data baik melalui teknik katalogisasi, klasifikasi maupun segementasi.

Kelebihan & Kekurangan.

Kelebihan Data Mining :

1. Kemampuan dalam mengolah data dalam jumlah yang besar.

2. Pencarian Data secara otomatis.

Kekurangan Data Mining :

1. Kendala Database ( Garbage in garbage out ).

2. Tidak bisa melakukan analisa sendiri.  

Kesimpulan

Dilihat dari cara kerja data mining yaitu  “menggali” hal-hal penting yang belum diketahui sebelumnya atau memprediksi apa yang akan terjadi? Teknik yang digunakan untuk melaksanakan tugas ini disebut pemodelan. Pemodelan di sini dimaksudkan sebagai kegiatan untuk membangun sebuah model pada situasi yang telah diketahui “jawabannya” dan kemudian menerapkannya pada situasi lain yang akan dicari jawabannya.

Sumber :

http://itdare.blogspot.co.id/2014/12/pengertian-dan-sejarah-data-mining.html

http://globallavebookx.blogspot.co.id/2015/01/pengertian-definisi-dan-fungsi-data.html