Bisnis Digital · Pembelajaran Dalam dan Pembelajaran Mesin

Pembelajaran Dalam dan Pembelajaran Mesin

Pertemuan 9: Konsep Dasar Data Mining dan Tahapan Proses

Dari algoritma pembelajaran mesin menuju proses kerja nyata: bagaimana data mentah organisasi diubah jadi pengetahuan yang bisa dipakai mengambil keputusan.

RPS minggu 10 · 2x50 menit

Selamat datang kembali, Anda sudah melalui delapan pertemuan yang membahas fondasi teknis pembelajaran mesin — mulai dari reduksi dimensi seperti PCA dan SVD, taksonomi supervised-unsupervised, sampai reinforcement learning dengan MDP dan Bellman equation. Hari ini kita mengambil sudut pandang yang berbeda: bukan lagi "algoritma apa yang dipakai", melainkan "proses kerja apa yang harus dilalui" ketika sebuah perusahaan seperti Tokopedia atau BCA ingin menggali nilai dari data yang mereka kumpulkan. Anda akan belajar istilah data mining, bagaimana ia berbeda namun berkaitan erat dengan machine learning yang sudah kita pelajari, serta kerangka kerja standar industri bernama CRISP-DM yang dipakai hampir semua tim data science di dunia nyata. Pertemuan ini penting karena menjadi jembatan menuju empat pertemuan berikutnya yang akan membahas preprocessing, klasifikasi, association rule, dan deteksi anomali secara lebih teknis.

Bagian 1 dari 3

Apa Itu Data Mining?

Definisi, posisinya terhadap machine learning dan statistika, serta jenis data yang diolah.

Definisi Data Mining dan KDD

Data mining adalah proses menemukan pola, hubungan, dan pengetahuan yang tersembunyi dari kumpulan data besar secara sistematis, biasanya dengan bantuan algoritma statistik dan pembelajaran mesin. Istilah ini sering disamakan dengan KDD (Knowledge Discovery in Databases) — proses menyeluruh menemukan pengetahuan dari data — padahal secara ketat, data mining hanyalah satu tahap inti di dalam proses KDD yang lebih besar.

KDD (Proses Menyeluruh)

Seleksi & pembersihan data
Data mining (inti proses)
Interpretasi & evaluasi pola
Presentasi pengetahuan ke pengguna

Data Mining (Inti Teknis)

Menerapkan algoritma pencari pola
Contoh: clustering, klasifikasi, association rule
Output: pola/model, belum tentu "pengetahuan siap pakai"

Coba bayangkan Anda bekerja di divisi data BCA dan diminta mencari tahu nasabah mana yang berisiko berhenti memakai mobile banking; keseluruhan pekerjaan mulai dari mengumpulkan data transaksi, membersihkannya, menjalankan algoritma, sampai menyusun laporan untuk manajemen itulah yang disebut KDD, sedangkan langkah menjalankan algoritma pencari pola itu sendiri adalah data mining. Banyak orang di industri memakai kedua istilah ini secara longgar sehingga jangan heran jika di lowongan kerja "data mining" dan "KDD" dipakai bergantian. Yang penting Anda pahami adalah data mining selalu berurusan dengan pola berskala besar, bukan analisis satu-dua baris data seperti yang biasa dilakukan manual di Excel. Ingat konsep ini karena akan terus kita pakai sebagai kerangka pikir sepanjang lima pertemuan ke depan.

Data Mining, Statistika, dan Machine Learning

Ketiganya saling tumpang tindih tetapi punya penekanan berbeda. Statistika berfokus pada inferensi dan pengujian hipotesis dari sampel data; machine learning berfokus pada algoritma yang belajar pola dari data untuk membuat prediksi (yang sudah Anda pelajari sejak pertemuan 1); data mining berfokus pada proses menemukan pola yang belum diketahui sebelumnya dari data berskala besar, seringkali memakai algoritma machine learning sebagai alatnya.

Statistika

Uji

Menguji hipotesis yang sudah dirumuskan peneliti

Machine Learning

Belajar

Algoritma belajar pola untuk prediksi/keputusan

Data Mining

Temu

Menemukan pola tersembunyi dari data skala besar

Dalam praktik, seorang data scientist memakai ketiganya sekaligus: statistika untuk memvalidasi temuan, machine learning sebagai mesin pemodelan, data mining sebagai kerangka proses kerja menyeluruh.

Pertanyaan yang sering muncul dari mahasiswa adalah, kalau begitu apa bedanya mata kuliah ini dengan mata kuliah statistika biasa? Bedanya ada pada tujuan: statistika klasik biasanya dimulai dari hipotesis yang sudah dipunya peneliti, misalnya "apakah promosi meningkatkan penjualan", lalu diuji dengan data; sedangkan data mining justru dipakai ketika Anda belum tahu pola apa yang ada di dalam data, misalnya Anda hanya punya jutaan baris transaksi Tokopedia tanpa hipotesis spesifik, dan ingin algoritma yang menemukan pola belanja tersembunyi. Machine learning yang sudah kita pelajari sembilan minggu ini menjadi salah satu perangkat utama untuk menjalankan proses penemuan pola tersebut. Jadi anggap data mining sebagai "payung proses kerja", sedangkan machine learning adalah "mesin" di dalamnya.

Jenis Data dalam Data Mining

Sebelum data bisa ditambang, Anda perlu mengenali tipe atributnya karena tiap tipe menentukan teknik apa yang cocok dipakai nanti.

Berdasarkan Skala Pengukuran

Nominal — kategori tanpa urutan (jenis kelamin, kota)
Ordinal — kategori berurutan (rating 1–5)
Interval — jarak bermakna, tanpa nol mutlak (suhu °C)
Rasio — punya nol mutlak (harga, jumlah transaksi)

Berdasarkan Struktur

Structured — tabel rapi (database transaksi bank)
Semi-structured — punya tag tapi fleksibel (JSON, log web)
Unstructured — teks bebas, gambar, ulasan produk

Mari kita kaitkan dengan kasus nyata: data ulasan produk di Tokopedia berupa teks bebas adalah data unstructured, sedangkan data transaksi pembayaran dengan kolom nominal, tanggal, dan ID pelanggan adalah data structured yang rapi dalam tabel. Rating bintang satu sampai lima yang diberikan pembeli adalah contoh data ordinal karena urutannya bermakna — bintang lima jelas lebih baik dari bintang satu — namun jarak antar bintang belum tentu sama secara persepsi pembeli. Kenapa ini penting? Karena algoritma tertentu, misalnya perhitungan jarak Euclidean pada K-means yang sudah Anda pelajari di pertemuan 6, hanya masuk akal untuk data interval atau rasio, bukan data nominal seperti jenis kelamin. Kesalahan memilih teknik berdasar tipe data adalah salah satu penyebab paling umum model data mining gagal di lapangan.

Data Mining dalam Praktik Bisnis Indonesia

Data mining bukan konsep abstrak — ia sudah dipakai sehari-hari oleh perusahaan yang berinteraksi dengan Anda.

E-commerce

Tokopedia/Shopee menambang riwayat klik & belanja untuk rekomendasi produk "sering dibeli bersama"

Perbankan

BCA/BRI menambang pola transaksi untuk deteksi fraud & skoring kredit UMKM

Telekomunikasi

Telkomsel menambang pola pemakaian pulsa untuk memprediksi pelanggan yang akan churn

Pola yang sama — menemukan struktur tersembunyi dari data transaksi besar — muncul di semua sektor ini, hanya berbeda tujuan bisnisnya.

Bagian 2 dari 3

Tahapan Proses: CRISP-DM

Kerangka kerja standar industri, enam fase dari memahami bisnis sampai menerapkan model di produksi.

CRISP-DM: Enam Fase Siklus

CRISP-DM (Cross-Industry Standard Process for Data Mining) adalah kerangka proses paling banyak dipakai di industri data science sejak akhir 1990-an hingga sekarang.

CRISP-DM adalah singkatan dari Cross-Industry Standard Process for Data Mining, dan Anda perlu memperhatikan panah putus-putus yang melingkar kembali dari tahap evaluasi ke tahap pemahaman bisnis — ini menunjukkan bahwa proses data mining tidak pernah benar-benar linear, melainkan siklus yang bisa diulang. Bayangkan tim data science Gojek sedang membangun model rekomendasi driver terdekat; setelah sampai tahap evaluasi mereka mungkin menyadari bahwa definisi masalah bisnis di awal kurang tepat, sehingga mereka harus kembali ke tahap pertama dan merumuskan ulang. Enam fase ini akan kita bahas satu per satu pada slide berikutnya, dan saya akan memberi contoh konkret di setiap fase supaya Anda tidak hanya menghafal nama tahapannya. Kerangka ini juga akan menjadi acuan wajib ketika Anda mengerjakan tugas akhir mata kuliah ini di pertemuan-pertemuan mendatang.

Fase 1–2: Memahami Bisnis dan Data

1. Business Understanding

Merumuskan tujuan bisnis jadi pertanyaan data mining
Contoh: "Turunkan churn 10%" → "Prediksi pelanggan yang akan churn"
Menentukan kriteria sukses & batasan (waktu, biaya, data tersedia)

2. Data Understanding

Mengumpulkan data awal & eksplorasi ringan (statistik deskriptif)
Memeriksa kualitas: missing value, duplikat, konsistensi
Menilai apakah data yang tersedia cukup menjawab tujuan bisnis

Kesalahan paling sering pemula: langsung lompat ke pemodelan tanpa merumuskan tujuan bisnis dengan jelas — hasilnya model teknis bagus tapi tidak relevan untuk keputusan nyata.

Mari kita telaah fase pertama dengan contoh nyata: manajemen sebuah bank ingin "meningkatkan retensi nasabah", namun ini masih terlalu abstrak untuk langsung dikerjakan tim data mining, sehingga tugas Anda di fase business understanding adalah menerjemahkannya menjadi pertanyaan konkret seperti "prediksi nasabah mana yang berisiko menutup rekening dalam tiga bulan ke depan". Setelah tujuan jelas, fase data understanding dimulai dengan melihat data apa saja yang tersedia — misalnya riwayat transaksi, frekuensi login mobile banking, dan riwayat komplain — lalu memeriksa seberapa lengkap dan bersih data tersebut. Istilah missing value yang muncul di slide ini artinya nilai kosong pada suatu kolom data, misalnya nomor telepon nasabah yang tidak terisi. Kedua fase ini seringkali memakan waktu paling lama dalam sebuah proyek data mining, bisa mencapai 60 hingga 70 persen dari keseluruhan waktu proyek, jauh lebih lama dari waktu yang dihabiskan untuk pemodelan itu sendiri.

Fase 3: Data Preparation

Fase ini mengubah data mentah menjadi bentuk yang siap dimodelkan — sering disebut sebagai fase paling memakan waktu dalam proyek data mining nyata.

Cleaning

Menangani missing value, duplikat, dan data yang tidak konsisten

Transformation

Normalisasi skala, encoding kategori jadi angka

Integration

Menggabungkan data dari beberapa sumber (transaksi + demografi)

Pratinjau minggu depan: fase ini akan dibahas mendetail teknik demi teknik pada Pertemuan 10 — Preprocessing dan Eksplorasi Data.

Fase data preparation adalah tempat Anda menghabiskan waktu paling banyak secara statistik — banyak praktisi data science mengatakan bahwa delapan puluh persen pekerjaan mereka sebenarnya adalah membersihkan dan menyiapkan data, bukan menjalankan algoritma canggih. Sebagai contoh, jika Toko Rumahan sebuah UMKM di Semarang ingin menggabungkan data penjualan dari toko fisik dan data penjualan dari Shopee, mereka perlu menyamakan format tanggal, satuan mata uang, dan kode produk terlebih dahulu sebelum data bisa digabung — proses inilah yang disebut integration. Transformasi skala, misalnya mengubah harga produk dari rentang ribuan menjadi skala 0 sampai 1, penting dilakukan karena beberapa algoritma seperti K-means yang sudah Anda pelajari sensitif terhadap skala angka yang berbeda-beda. Kita akan membedah teknik-teknik ini secara detail dan praktis pada pertemuan minggu depan, jadi anggap slide ini sebagai pengantar konsepnya saja.

Fase 4: Modeling — Memilih Teknik yang Tepat

Fase modeling memilih dan menjalankan algoritma yang sesuai dengan jenis tugas data mining. Ini menyambungkan kembali ke taksonomi pembelajaran mesin yang sudah kita pelajari sejak Pertemuan 5.

Descriptive (Menjelaskan Pola)

Clustering — mengelompokkan data mirip (K-means, hierarchical)
Association — menemukan aturan "jika beli A, cenderung beli B"

Predictive (Memprediksi)

Classification — memprediksi kategori (churn: ya/tidak)
Regression — memprediksi angka (perkiraan penjualan)
Anomaly detection — mendeteksi data yang menyimpang (fraud)

Perhatikan bahwa fase modeling ini sebenarnya adalah tempat semua algoritma yang sudah kita pelajari sepanjang semester — K-means di pertemuan 6, regresi dan SVM di pertemuan 7, neural network — akhirnya dipakai secara nyata dalam sebuah alur kerja data mining. Association analysis yang saya sebutkan di sini, contohnya aturan "pelanggan yang membeli sabun cuci piring cenderung juga membeli spons cuci piring" di Alfamart, akan kita bahas mendalam di pertemuan 12 mendatang. Anomaly detection yang dipakai bank untuk mendeteksi transaksi kartu kredit mencurigakan akan menjadi topik penuh di pertemuan 13. Poin penting yang harus Anda pahami adalah pemilihan teknik bergantung sepenuhnya pada jenis pertanyaan bisnis yang dirumuskan di fase pertama tadi — bukan sekadar memilih algoritma yang sedang tren atau terdengar canggih.

Fase 5–6: Evaluation dan Deployment

5. Evaluation

Menilai apakah model menjawab tujuan bisnis, bukan sekadar akurat secara statistik
Melibatkan pemilik bisnis, bukan hanya tim teknis
Bila gagal → kembali ke fase 1 (siklus, lihat diagram sebelumnya)

6. Deployment

Menerapkan model ke sistem produksi (aplikasi, dashboard)
Contoh: model churn dipakai tim CRM memberi promo otomatis
Memantau performa model dari waktu ke waktu (model bisa "usang")

Proyek data mining baru dianggap berhasil ketika modelnya benar-benar dipakai mengambil keputusan sehari-hari — bukan hanya berhenti di laporan akurasi.

Fase evaluasi sering disalahpahami hanya sebagai "mengecek akurasi model secara statistik", padahal yang jauh lebih penting adalah mengecek apakah model benar-benar menjawab masalah bisnis yang dirumuskan di awal — model dengan akurasi sembilan puluh lima persen bisa saja tidak berguna kalau prediksinya datang terlalu lambat untuk tim customer relationship management bertindak. Setelah model dinyatakan layak, fase deployment berarti model tersebut dipasang ke dalam sistem yang benar-benar dipakai sehari-hari, misalnya sistem BCA yang otomatis memunculkan peringatan fraud saat transaksi mencurigakan terjadi secara real-time. Model yang sudah di-deploy juga perlu terus dipantau karena pola perilaku nasabah bisa berubah seiring waktu, fenomena yang disebut "model drift" — model yang dulu akurat bisa jadi kurang relevan setelah enam bulan. Ingat bahwa keenam fase ini membentuk siklus, bukan garis lurus, sehingga tim data science profesional akan terus mengulang proses ini seiring bisnis dan data berubah.

Hitung dari Nol #1: Menilai Kualitas Data Mentah

Sebuah UMKM di Semarang punya 1.200 transaksi online bulan lalu. Sebelum data bisa ditambang, tim harus menilai berapa persen data tersebut layak dipakai.

Langkah	Perhitungan	Nilai
1. Total data mentah	Dicatat langsung dari sistem kasir	1.200 transaksi
2. % baris dengan missing value (90 baris)	90 ÷ 1.200 × 100	7,5%
3. % baris duplikat (60 baris)	60 ÷ 1.200 × 100	5%
4. Data bersih tersisa	1.200 − 90 − 60	1.050 baris
5. % data layak diolah	1.050 ÷ 1.200 × 100	87,5%

Hasil Akhir

87,5%

data siap masuk tahap Modeling — sisanya harus dibersihkan dulu

Mari kita hitung bersama-sama, langkah demi langkah, seolah Anda benar-benar sedang duduk di depan spreadsheet data UMKM ini. Dari 1.200 transaksi mentah, tim menemukan 90 baris dengan data kosong misalnya nomor telepon pembeli tidak terisi, sehingga persentase missing value-nya adalah 90 dibagi 1.200 dikali 100 sama dengan 7,5 persen. Selanjutnya ditemukan 60 baris yang ternyata tercatat dua kali akibat bug sistem kasir, sehingga persentase duplikat adalah 60 dibagi 1.200 dikali 100 sama dengan 5 persen; setelah keduanya dikeluarkan, data bersih yang tersisa adalah 1.200 dikurangi 90 dikurangi 60 sama dengan 1.050 baris, atau 87,5 persen dari data mentah awal. Angka 87,5 persen inilah yang akan kita pakai lagi pada perhitungan berikutnya, jadi pastikan Anda memahami betul dari mana angka 1.050 itu berasal sebelum melanjutkan ke slide selanjutnya.

Coba Sendiri: Skor Kualitas Data Anda Sendiri

Ubah jumlah baris missing value dan duplikat dari total data mentah, amati bagaimana persentase data layak diolah berubah secara langsung.

Hitung dari Nol #2: Membagi Dataset untuk Pemodelan

Dari 1.050 data bersih hasil slide sebelumnya, tim perlu membaginya menjadi data latih (training), uji (testing), dan validasi sebelum masuk fase Modeling.

Langkah	Perhitungan	Nilai
1. Total data bersih	Hasil Hitung dari Nol #1	1.050 baris
2. Data latih (training) 70%	1.050 × 70%	735 baris
3. Data uji (testing) 30%	1.050 × 30%	315 baris
4. Data validasi dari training (20%)	735 × 20%	147 baris
5. Data latih final	735 − 147	588 baris

Hasil Akhir

588

baris data latih final — sisanya jadi validasi (147) dan testing (315)

Konsep membagi data ini sangat penting dan akan terus Anda pakai di setiap teknik pemodelan mendatang, jadi mari kita telusuri angkanya satu per satu. Kita mulai dari 1.050 baris data bersih tadi, lalu memisahkan 70 persen untuk data latih yaitu 1.050 dikali 70 persen sama dengan 735 baris, dan 30 persen sisanya untuk data uji yaitu 1.050 dikali 30 persen sama dengan 315 baris; data uji ini sengaja "disembunyikan" dari model selama proses belajar supaya kita punya cara jujur menguji performanya nanti. Dari 735 baris data latih tersebut, kita sisihkan lagi 20 persen sebagai data validasi yaitu 735 dikali 20 persen sama dengan 147 baris, yang gunanya untuk menyetel parameter model sebelum diuji dengan data testing yang benar-benar belum pernah dilihat; sisanya, 735 dikurangi 147 sama dengan 588 baris, menjadi data latih final. Pembagian seperti ini mencegah masalah yang disebut overfitting, yaitu model yang hafal data latih tapi gagal pada data baru — istilah yang akan kita bahas lebih dalam pada slide tantangan praktis nanti.

Coba Sendiri: Bagi Dataset Anda ke Training-Testing

Geser proporsi data latih, uji, dan validasi, amati bagaimana jumlah baris tiap bagian berubah dari total data bersih yang sama.

Bagian 3 dari 3

Tools, Tantangan, dan Etika

Perangkat lunak yang dipakai praktisi, jebakan umum, serta tanggung jawab menambang data pribadi.

Perangkat Lunak Data Mining yang Umum Dipakai

Berbasis Kode (Programming)

Python — scikit-learn, pandas (paling populer industri)
R — kuat untuk analisis statistik & visualisasi

Berbasis Visual (Drag-and-Drop)

RapidMiner — populer untuk prototipe cepat tanpa coding berat
Orange — open-source, ramah pemula, cocok untuk belajar
Weka — klasik, banyak dipakai di riset akademik

Untuk tugas mata kuliah ini, Anda akan diperkenalkan salah satu tools pada pertemuan mendatang — namun konsep dan tahapan proses yang dipelajari hari ini berlaku sama di tools mana pun.

Anda tidak perlu menghafal semua nama tools ini, yang penting Anda paham bahwa ada dua kategori besar: yang berbasis kode seperti Python dengan library scikit-learn yang paling banyak dipakai perusahaan teknologi Indonesia seperti Gojek dan Tokopedia, dan yang berbasis visual drag-and-drop seperti Orange yang sangat cocok untuk pemula karena Anda bisa menyusun alur data mining tanpa menulis satu baris kode pun. RapidMiner sering dipakai di lingkungan korporat karena mendukung kolaborasi tim non-programmer dengan tim teknis, sedangkan Weka lebih sering muncul di jurnal-jurnal riset akademik karena sudah ada sejak akhir 1990-an. Terlepas dari tools mana yang nanti Anda pakai di tugas, prinsip enam fase CRISP-DM yang sudah kita bahas tetap sama persis — tools hanyalah alat bantu menjalankan proses tersebut, bukan pengganti pemahaman konsepnya. Ini penting saya tekankan karena banyak mahasiswa mengira menguasai satu software berarti menguasai data mining, padahal pemahaman proseslah yang paling utama.

Tantangan Praktis Data Mining

Kualitas Data

"Garbage in, garbage out" — model sebaik apa pun gagal kalau data mentah buruk

Dimensionality

Terlalu banyak variabel (fitur) membuat pola sulit ditemukan — solusinya PCA/SVD (Pertemuan 2–3)

Overfitting

Model "menghafal" data latih tapi gagal pada data baru — dicegah lewat split training/testing

Interpretability — model yang sangat akurat (misalnya neural network) sering sulit dijelaskan alasannya ke manajemen; ini jadi trade-off penting dalam dunia bisnis nyata.

Perhatikan bahwa dua dari tiga tantangan di slide ini sebenarnya sudah pernah kita singgung di pertemuan-pertemuan sebelumnya — dimensionality mengingatkan Anda kembali pada teknik PCA, SVD, dan ICA di pertemuan 2 dan 3 yang justru dirancang untuk mengatasi masalah terlalu banyak variabel ini, sementara overfitting adalah alasan tepat kenapa kita membagi data menjadi training dan testing pada perhitungan tadi. Istilah "garbage in, garbage out" artinya kalau data mentah yang dimasukkan berkualitas buruk, output model secantik apa pun algoritmanya tetap akan buruk — ini alasan kenapa fase data preparation menghabiskan waktu paling lama dalam proyek nyata. Tantangan interpretability juga sangat relevan di dunia bisnis: bayangkan bank menolak pengajuan kredit seorang nasabah berdasarkan model neural network yang sangat akurat, namun ketika nasabah bertanya "kenapa saya ditolak", tim bank kesulitan menjelaskan alasan yang bisa dipahami manusia. Inilah sebabnya banyak institusi keuangan tetap memilih model yang lebih sederhana namun mudah dijelaskan, meskipun akurasinya sedikit lebih rendah dari model yang kompleks.

Etika dan Privasi dalam Data Mining

Data yang ditambang seringkali berisi data pribadi pelanggan — di Indonesia, ini diatur oleh UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi (UU PDP).

Kewajiban Pengendali Data

Persetujuan (consent) eksplisit sebelum data dipakai
Data dipakai sesuai tujuan yang diberitahukan ke pemilik data
Keamanan data & kewajiban lapor jika terjadi kebocoran

Risiko Bias Algoritma

Model bisa mewarisi bias historis (mis. diskriminasi kredit)
Perlu audit berkala terhadap keadilan (fairness) model

Ketika sebuah aplikasi pinjaman online menambang data riwayat transaksi ponsel Anda untuk memutuskan kelayakan kredit, itu adalah data pribadi yang penggunaannya kini diatur ketat oleh UU Pelindungan Data Pribadi Nomor 27 Tahun 2022, yang mewajibkan perusahaan meminta persetujuan eksplisit dan hanya memakai data sesuai tujuan yang sudah diberitahukan ke Anda sebagai pemilik data. Selain aspek hukum, ada juga risiko etis yang disebut bias algoritma — misalnya jika data historis pemberian kredit di masa lalu secara tidak sengaja lebih sering menolak kelompok tertentu, model data mining yang dilatih dari data tersebut bisa mewarisi dan bahkan memperkuat bias itu tanpa disadari timnya. Sebagai calon praktisi bisnis digital, Anda punya tanggung jawab untuk memastikan proses data mining yang Anda jalankan tidak melanggar privasi dan tidak memperkuat diskriminasi yang sudah ada di masyarakat. Topik ini bukan sekadar formalitas hukum — perusahaan yang gagal menjaga data pribadi pelanggannya bisa terkena sanksi administratif berat dan kehilangan kepercayaan publik secara permanen.

Latihan Kelas: Identifikasi Tahapan CRISP-DM

Sebuah tim data di Tokopedia ingin membangun fitur "Rekomendasi Produk untuk Anda" di halaman utama aplikasi.

Diskusikan berpasangan (5 menit):

Apa rumusan tujuan bisnis yang tepat untuk fase Business Understanding?
Data apa saja yang perlu dikumpulkan di fase Data Understanding?
Teknik data mining apa (descriptive/predictive) yang paling cocok untuk fase Modeling? Mengapa?
Bagaimana tim tahu fitur ini "berhasil" di fase Evaluation?

Setelah 5 menit, dua pasangan akan diminta memaparkan jawabannya ke seluruh kelas.

Sekarang giliran Anda mempraktikkan kerangka CRISP-DM yang baru saja kita pelajari lewat sebuah kasus yang sangat dekat dengan keseharian Anda sebagai pengguna aplikasi belanja online. Silakan berdiskusi dengan teman sebangku Anda selama lima menit, dan cobalah memetakan setiap pertanyaan di slide ini ke salah satu dari enam fase CRISP-DM yang sudah kita bahas. Sebagai petunjuk, perhatikan bahwa fitur rekomendasi produk biasanya memakai kombinasi antara clustering untuk mengelompokkan pengguna dengan preferensi mirip, dan association analysis untuk menemukan produk yang sering dibeli bersamaan — namun biarkan diskusi kelompok Anda menemukan jawabannya sendiri terlebih dahulu. Saya akan berkeliling kelas untuk mendengarkan diskusi Anda, dan setelah lima menit dua pasangan akan saya minta memaparkan hasilnya secara singkat di depan kelas.

Rangkuman dan Pertemuan Berikutnya

Konsep	Inti yang Harus Diingat
Data mining	Menemukan pola tersembunyi dari data skala besar; bagian inti dari proses KDD
Jenis data	Nominal/ordinal/interval/rasio; structured/semi-structured/unstructured
CRISP-DM	6 fase siklus: Business → Data Understanding → Preparation → Modeling → Evaluation → Deployment
Tantangan	Kualitas data, dimensionality, overfitting, interpretability
Etika	UU PDP 27/2022 — consent, tujuan penggunaan jelas, hindari bias algoritma

Pertemuan 10

Preprocessing dan Eksplorasi Data — teknik konkret membersihkan & menjelajah data sebelum modeling.

Tugas

Bawa satu dataset publik (mis. dari Kaggle/BPS) untuk latihan preprocessing minggu depan

Sebelum kita akhiri pertemuan hari ini, mari kita rangkum lima poin kunci yang sudah kita bahas: definisi data mining sebagai inti proses KDD, empat jenis skala data dan tiga jenis struktur data, enam fase siklus CRISP-DM, empat tantangan praktis yang sering dihadapi, serta kewajiban etika di bawah UU Pelindungan Data Pribadi. Minggu depan kita akan masuk lebih dalam ke fase data preparation yang tadi kita bahas sekilas, dengan judul Preprocessing dan Eksplorasi Data, di mana Anda akan mempraktikkan langsung teknik membersihkan data yang berantakan. Sebagai persiapan, saya minta Anda membawa atau menyiapkan satu dataset publik, misalnya dari Kaggle atau data terbuka Badan Pusat Statistik, yang akan kita pakai sebagai bahan latihan langsung di kelas. Terima Kasih atas partisipasi aktif Anda hari ini, sampai jumpa minggu depan.