SEMMA (Sample, Explore, Modify, Model, Assess)

 

SEMMA adalah akronim dari Sample, Explore, Modify, Model, dan Assess, sebuah model proses yang dikembangkan oleh SAS Institute untuk memandu pelaksanaan proyek data mining dengan fokus pada pengembangan dan penilaian model. Berikut adalah penjelasan singkat tentang setiap tahap SEMMA:
  • Sample (Sampel): Tahap ini bersifat opsional, yaitu mengambil sampel data dari dataset besar untuk menampung informasi signifikan, yang dapat dimanipulasi dengan cepat.
  • Explore (Eksplorasi): Tahap ini melibatkan eksplorasi data yang telah dikumpulkan untuk mencari tren dan anomali tak terduga, dengan tujuan memperoleh pemahaman dan ide-ide.
  • Modify (Modifikasi): Tahap ini melibatkan modifikasi data dengan menciptakan, memilih, dan mentransformasi variabel-variabel untuk fokus pada proses pemilihan model.
  • Model (Model): Tahap ini melibatkan pemodelan data yang telah dimodifikasi dengan menggunakan perangkat lunak untuk secara otomatis mencari kombinasi data yang dapat diandalkan untuk memprediksi hasil yang diinginkan.
  • Assess (Penilaian): Tahap ini melibatkan penilaian data dengan mengevaluasi kegunaan dan keandalan penemuan dari proses data mining serta mengevaluasi sejauh mana model tersebut berkinerja.
SEMMA memberikan panduan yang terstruktur untuk mengatasi langkah-langkah penting dalam proyek data mining, membantu memastikan bahwa analisis data dilakukan dengan metode yang sistematis dan efisien.

Komentar

Posting Komentar

Postingan populer dari blog ini

Quiz Data Mining Pertemuan 5

Gambar
1. Prepare Data Persiapan data, atau yang sering disebut sebagai "data preparation," adalah proses mempersiapkan data mentah menjadi format yang cocok dan relevan untuk analisis atau penggunaan selanjutnya. Ini melibatkan serangkaian langkah, seperti membersihkan data dari nilai yang hilang atau tidak valid, mengubah format data, menggabungkan data dari sumber yang berbeda, dan menormalisasi atau mengubah skala data agar konsisten. Tujuan utamanya adalah untuk memastikan bahwa data yang digunakan dalam analisis atau pemodelan berkualitas tinggi dan dapat diandalkan. Sebelum memulai pemrosesan data, langkah awalnya adalah mengimpor dataframe ke dalam platform pemrosesan data  seperti Google Colab. 1.   Integrasi dan Pembersihan Data. ·         Cari IPS setiap semester permahasiswa. ini bisa memudahkan untuk normalisasi data ·         Gabungkan IPS permahasiswa dengan dataset yang lainya ("ms_lulusan")
Read more »

Data Cleaning

Gambar
  Data cleaning (pembersihan data) adalah proses mengidentifikasi, memperbaiki, dan menghilangkan kesalahan, inkonsistensi, atau anomali dalam dataset. Tujuannya adalah untuk memastikan bahwa data yang digunakan dalam analisis atau pemodelan adalah akurat, lengkap, dan konsisten. Tahap pembersihan data merupakan bagian penting dari proses data mining karena kualitas data yang baik menjadi dasar untuk hasil analisis yang akurat. Beberapa langkah umum dalam pembersihan data meliputi: 1. Identifikasi Kesalahan Data: Melakukan audit dan pengujian awal untuk mengidentifikasi kesalahan atau ketidaksesuaian dalam data, seperti nilai yang hilang, duplikat, atau inkonsistensi. 2. Penanganan Nilai yang Hilang: Mengatasi nilai yang hilang dengan mengisi nilai yang hilang, menghapus baris atau kolom yang memiliki banyak nilai yang hilang, atau menggunakan teknik imputasi seperti rata-rata atau median. 3. Deteksi dan Penanganan Duplikat: Mengidentifikasi dan menghapus baris yang duplikat atau redun
Read more »

Data Collection

Gambar
Data collection (pengumpulan data) merupakan tahap awal dalam proses data mining di mana data yang diperlukan untuk analisis atau pemodelan dikumpulkan dari berbagai sumber. Tahap ini memainkan peran kunci dalam menentukan kualitas dan relevansi data yang akan digunakan dalam proses selanjutnya. Beberapa langkah yang umum dilakukan dalam tahap pengumpulan data dalam data mining meliputi: 1. Identifikasi Sumber Data: Mengidentifikasi sumber-sumber data potensial yang relevan dengan tujuan analisis atau pemodelan yang ingin dilakukan. Sumber data ini bisa berupa database internal perusahaan, data daring, data sensor, atau data publik dari berbagai platform. 2. Penentuan Jenis Data: Menentukan jenis data yang diperlukan untuk mencapai tujuan analisis atau pemodelan, seperti data numerik, kategorikal, temporal, spasial, atau teks. 3. Perencanaan Pengumpulan Data: Merencanakan strategi pengumpulan data yang mencakup parameter seperti waktu, metode pengumpulan, alat yang digunakan, dan ukura
Read more »