REVIEW DATA MINING MENGGUNAKAN WEKA

DATA MINING MENGGUNAKAN WEKA

Weka adalah aplikasi data mining open source berbasis Java. Aplikasi ini dikembangkan pertama kali oleh Universitas Waikato di Selandia Baru sebelum menjadi bagian dari Pentaho. Weka terdiri dari koleksi algoritma machine learning yang dapat digunakan untuk melakukan generalisasi / formulasi dari sekumpulan data sampling. Walaupun kekuatan Weka terletak pada algoritma yang makin lengkap dan canggih, kesuksesan data mining tetap terletak pada faktor pengetahuan manusia implementornya. Tugas pengumpulan data yang berkualitas tinggi dan pengetahuan pemodelan dan penggunaan algoritma yang tepat diperlukan untuk menjamin keakuratan formulasi yang diharapkan

Empat tombol diatas dapat digunakan untuk menjalanankan Aplikasi : 

•  Explorer digunakan untuk menggali lebih jauh data dengan aplikasi WEKA 
• Experimenter digunakan untuk melakukan percobaan dengan pengujian statistic skema belajar 
• Knowledge Flow digunakan untuk pengetahuan pendukung 
• Simple CLI antar muka dengan menggunakan tampilan command-line yang memungkinkan langsung mengeksekusi perintah weka untuk Sistem Operasi yang tidak menyediakan secara langsung

Pada bagian atas window, tepatnya pada bawah judul bar. Terdapat deretan data, seperti Prepocess,Classify,Cluster,Associate,Select Attributes Visualize. Namun yang aktif hanya Prepocess ini dikarenakan sebelum menggunakan algoritma diatas pastikan sudah melakukan set file yang akan dieksekusi. Kesimpulan, "Weka itu salah satu software untuk pengerjaan data mining". 

Apa itu data mining ?

Data mining merupakan proses semi otomatik yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi pengetahuan potensial dan berguna yang bermanfaat yang tersimpan di dalam database besar. (Turban et al, 2005 )

Data mining merupakan analisis dari peninjauan kumpulan data untuk menemukan hubungan yang tidak diduga dan meringkas data dengan cara yang berbeda dengan sebelumnya, yang dapat dipahami dan bermanfaat bagi pemilik data.” (Larose, 2006)

Dan di bawah ini saya menggunakan 2 jenis metode agar bisa dibandingkan nantinya.

Decision Table dan IBk

1. Buka dataset dari UCI Machine Learning Repository

2. Pilih dataset yang ingin di-tambang. Disini kita coba mengerjakan dataset wine. (Dalam memilih, perhatikan keterangan detail dari dataset yang dipilih.)

3. Pilih Data Folder, lalu dilanjutkan dengan wine.data

4. Karena data tersebut tidak bisa dibaca oleh Weka, maka data tersebut diubah dulu ke .csv dengan      menyalinnya ke notepad dan disave dengan nama wine.csv.

Tahap Selanjutnya, Penggunaan Weka dimulai pada tahap ini. Tahap ini jugalah yang akan menggunakan 2 metode berbeda dalam penyelesaiannya.

•  Buka aplikasi Weka, pilih "explorer"
  
•           Pilih "Open File"
  
•        Pilih data yang sudah kita persiapkan sebelumnya. Di saya namanya wine.csv 
  

Klasifikasi yang digunakan disini ada 2 dari beberapa jenis klasifikasi,yaitu :

1. Rule Based Classifier

Mengklasifikasikan record menggunakan aturan "if...then...". Salah satu contoh metode yang menggunakan klasifikasi ini adalah Algoritma Decision Table.

•  Pilih tab classify 
  
•        Pada tab choose, pilih "Decision Table". Hasilnya adalah seperti ini
  
  
  
  
  
  
  
  
  
  k-NN adalah jenis algoritma yang paling "Malas". Algoritma k-NN adalah algoritma bahasa mesin yang paling sederhana. 

2. K-Nearest Neighbor Classifier

• pilih tab classify 
  
•        Pada tab choose, pilih "IBk". Hasilnya adalah seperti berikut
  
  
  
  
  
  
  
  
  
  Ada baiknya jika dilakukan lagi pengujian dengan memakai metode yang lain agar mencapai keakuratan yang maksimal. Dan Akhir, Setelah melakukan banyak tahapan dari awal menggunakan 2 metode yaitu Decision Table dan IBk, dapat disimpulkan bahwa IBk memiliki tingkat keakuratan lebih tinggi daripada Decision Table untuk dataset wine.