Skip to content

Tahapan CRISP DM

Jump to bottom
FAISAL HALIM edited this page Mar 15, 2023 · 3 revisions

1. Bussiness Understanding

Business Understanding adalah tahap pertama dalam proses CRISP-DM, yang bertujuan untuk memahami masalah bisnis yang sedang dihadapi dan mengidentifikasi tujuan dari proyek data mining. Tahap ini sangat penting karena jika tujuan proyek tidak jelas atau tidak terkait dengan kebutuhan bisnis, maka hasil analisis data yang dihasilkan tidak akan memiliki nilai yang bermanfaat bagi bisnis.

Pada tahap Business Understanding, langkah-langkah yang dapat dilakukan antara lain:

  • Identifikasi kebutuhan bisnis: Mengetahui masalah bisnis yang sedang dihadapi dan kebutuhan bisnis yang ingin dicapai, seperti meningkatkan penjualan, meningkatkan efisiensi operasional, atau meningkatkan kepuasan pelanggan.
  • Analisis Stakeholder: Mengetahui siapa saja stakeholder yang terlibat dalam proyek data mining, seperti manajemen, tim teknis, atau pelanggan.
  • Menetapkan tujuan bisnis: Menetapkan tujuan bisnis yang ingin dicapai dengan proyek data mining, seperti meningkatkan profitabilitas, mengurangi biaya operasional, atau meningkatkan loyalitas pelanggan.
  • Menentukan kriteria keberhasilan: Menentukan kriteria keberhasilan untuk proyek data mining, seperti menghasilkan model prediksi yang akurat atau meningkatkan efisiensi operasional hingga sebesar 10%.
  • Merencanakan pengumpulan data: Menentukan jenis data yang diperlukan untuk mencapai tujuan bisnis, serta sumber dan metode pengumpulan data yang akan digunakan.

Dengan memahami masalah bisnis yang dihadapi dan menetapkan tujuan bisnis yang jelas, tahap Business Understanding dapat membantu dalam menentukan arah proyek data mining yang tepat dan memastikan bahwa hasil analisis data yang dihasilkan memiliki nilai yang bermanfaat bagi bisnis.

2. Data Understanding

Data Understanding adalah tahap kedua dalam proses CRISP-DM, yang bertujuan untuk memahami data yang akan digunakan dalam proyek data mining. Tahap ini sangat penting karena analisis data yang dilakukan bergantung pada kualitas dan karakteristik data yang tersedia.

Langkah-langkah yang dilakukan pada tahap Data Understanding dalam proses CRISP-DM adalah sebagai berikut:

  • Pengumpulan Data Pada tahap ini, data diambil dari berbagai sumber seperti database, file CSV, spreadsheet, atau sumber data eksternal lainnya. Sumber data yang digunakan harus relevan dengan masalah bisnis dan tujuan proyek data mining yang telah ditetapkan.

  • Eksplorasi Data Eksplorasi data dilakukan untuk memahami karakteristik data seperti ukuran, kualitas, keberadaan nilai yang hilang, serta distribusi data. Beberapa teknik yang dapat digunakan untuk eksplorasi data adalah sebagai berikut:

    • Statistik Deskriptif: Melakukan analisis deskriptif terhadap data seperti mean, median, mode, dan standar deviasi untuk memahami distribusi data.
    • Visualisasi Data: Membuat visualisasi data seperti histogram, box plot, atau scatter plot untuk memahami pola-pola dalam data.
    • Analisis Korelasi: Melakukan analisis korelasi antara variabel untuk memahami hubungan antar variabel.

  • Verifikasi Data Pada tahap verifikasi data, dilakukan pemeriksaan terhadap kualitas data yang digunakan, seperti memeriksa integritas referensial, keabsahan data, dan konsistensi data. Beberapa teknik yang dapat digunakan untuk verifikasi data adalah sebagai berikut:

    • Pemeriksaan Integritas Referensial: Memeriksa integritas referensial pada relasi data.
    • Validasi Data: Melakukan validasi data untuk memeriksa keabsahan data, seperti memeriksa apakah nilai-nilai data yang diambil berada dalam range yang tepat.
    • Pemeriksaan Konsistensi Data: Memeriksa konsistensi data untuk memastikan bahwa tidak ada data yang tidak logis atau kontradiktif.

  • Memilih Data yang Relevan Memilih data yang relevan dengan masalah bisnis dan tujuan proyek data mining yang telah ditetapkan. Beberapa teknik yang dapat digunakan untuk memilih data yang relevan adalah sebagai berikut:

    • Seleksi Atribut: Melakukan seleksi atribut untuk memilih atribut-atribut yang paling relevan dengan masalah bisnis dan tujuan proyek data mining.
    • Seleksi Record: Melakukan seleksi record untuk memilih record-record yang paling relevan dengan masalah bisnis dan tujuan proyek data mining.

  • Mendeskripsikan Data Mendeskripsikan data dalam bentuk metadata, seperti variabel-variabel yang digunakan, nilai-nilai maksimum dan minimum, serta frekuensi nilai-nilai. Beberapa teknik yang dapat digunakan untuk mendeskripsikan data adalah sebagai berikut:

    • Metadata: Menyusun metadata untuk mendeskripsikan data seperti variabel-variabel yang digunakan, nilai-nilai maksimum dan minimum, serta frekuensi nilai-nilai.
    • Ringkasan Data: Membuat ringkasan data dalam bentuk statistik deskriptif, seperti mean, median, modus, dan standar deviasi.

  • Sifat variabel: Informasi mengenai sifat dari masing-masing variabel dalam data, seperti variabel kategorikal atau numerik.

  • Frekuensi dan persentase: Informasi mengenai frekuensi dan persentase dari nilai-nilai yang muncul dalam data.

  • Format data: Informasi mengenai format data, seperti apakah data dalam format teks atau numerik, atau dalam format yang cocok untuk analisis.

  • Sumber data: Informasi mengenai sumber data, seperti dari sistem basis data, data yang dihasilkan oleh pengguna, atau data yang diambil dari sumber eksternal.

  • Struktur data: Informasi mengenai struktur data, seperti apakah data terdiri dari satu tabel atau beberapa tabel yang terkait.

  • Variabilitas data: Informasi mengenai variabilitas data pada setiap variabel, seperti rentang nilai, standar deviasi, atau skewness.

Tahap Data Understanding penting dilakukan untuk memahami karakteristik dan kualitas data yang digunakan dalam proyek data mining. Hal ini memungkinkan peneliti untuk mengidentifikasi potensi masalah dalam data dan menentkan strategi untuk mempersiapkan data untuk tahap selanjutnya, yaitu tahap Data Preparation. Dengan memahami karakteristik dan kualitas data yang digunakan, peneliti dapat membuat keputusan yang tepat mengenai teknik dan metode yang akan digunakan pada tahap selanjutnya.

Selain itu, tahap Data Understanding juga membantu peneliti untuk memperoleh wawasan baru mengenai masalah bisnis dan memastikan bahwa data yang digunakan dapat mendukung pengambilan keputusan yang tepat. Proses eksplorasi data dan analisis data yang dilakukan pada tahap ini dapat membantu menemukan pola dan tren yang mungkin tidak terlihat pada awalnya.

Setelah tahap Data Understanding selesai dilakukan, langkah selanjutnya adalah tahap Data Preparation, yang bertujuan untuk mempersiapkan data yang telah dipilih pada tahap Data Understanding sehingga siap digunakan pada tahap selanjutnya, yaitu tahap Modeling.

Dengan memahami karakteristik dan kualitas data yang digunakan, tahap Data Understanding dapat membantu dalam mengidentifikasi potensi masalah dalam data dan menentukan strategi untuk mempersiapkan data untuk tahap selanjutnya, yaitu tahap Data Preparation.

Clone this wiki locally