1. Definisi Data Mining

Menurut Pramudiono (2006) , data mining adalah adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual.

Menurut Larose , data mining adalah bidang yang digabung dari beberapa bidang keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan pola, statistik, database, dan visualisasi untuk pengenalan permasalahan pengambilan informasi dari database yang besar.

Menurut Jiawei , data mining merupakan pemilihan atau “menambang” pengetahuan dari jumlah data yang banyak.

Menurut Berry , data mining adalah aktivitas mengeksplorasi dan menganalisis data jumlah yang besar untuk menemukan pattern (pola) dan rule (aturan) yang berarti.

Menurut Hoffer dan McFadden , data mining adalah penemuan pengetahuan dengan menggunakan teknik-teknik yang tergabung dari statistik, tradisional, kecerdasan dan grafik komputer.

menurut Turban,dkk.(2005) , data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan mesin learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait berbagai database besar.

2. Sejarah dan Perkembangan Data Mining

Data mining muncul sekitar tahun 90-an. Data Mining memang salah satu cabang ilmu komputer yang relatif baru. Dan sampai sekarang orang masih memperdebatkan untuk menempatkan data mining di bidang ilmu mana, karena data mining menyangkut database, kecerdasan buatan (artificial intelligence), statistik, dsb. Ada pihak yang berpendapat bahwa data mining tidak lebih dari machine learning atau analisa statistik yang berjalan di atas database. Namun pihak lain berpendapat bahwa database berperanan penting di data mining karena data mining mengakses data yang ukurannya besar (bisa sampai terabyte) dan disini terlihat peran penting database terutama dalam optimisasi query-nya.

Kehadiran data mining dilatarbelakangi dengan problema data explosion yang dialami akhir-akhir ini dimana banyak organisasi telah mengumpulkan data sekian tahun lamanya (data pembelian, data penjualan, data nasabah, data transaksi dsb.). Hampir semua data tersebut dimasukkan denganmenggunakan aplikasi komputer yang digunakan untuk menangani transaksi sehari-hari yang kebanyakan adalah OLTP (On Line Transaction Processing). Bayangkan berapa transaksi yang dimasukkan oleh hypermarket semacam Carrefour atau transaksi kartu kredit dari sebuah bank dalam seharinya dan bayangkan betapa besarnya ukuran data mereka jika nanti telah berjalan beberapa tahun. Pertanyaannya sekarang, apakah data tersebut akan dibiarkan menggunung, tidak berguna lalu dibuang, ataukah kita dapat me-‘nambang’-nya untuk mencari ‘emas’, ‘berlian’ yaitu informasi yang berguna untuk organisasi kita. Banyak diantara kita yang kebanjiran data tapi miskin informasi.

Data Mining mengeksplorasi basis data untuk menemukan pola-pola yang tersembunyi, mencari informasi pemrediksi yang mungkin saja terlupakan oleh para pelaku bisnis karena terletak di luar ekspektasi mereka. Sementara para pelaku bisnis memiliki kebutuhan-kebutuhan untuk memanfaatkan gudang data yang sudah dimiliki, para peneliti melihat peluang untuk melahirkan sebuah teknologi baru yang menjawab kebutuhan ini, yaitu data mining. Teknologi ini sekarang sudah ada dan diaplikasikan oleh perusahaan – perusahaan untuk memecahkan berbagai permasalahan bisnis. Kebutuhan dari dunia bisnis yang ingin memperoleh nilai tambah dari data yang telah mereka kumpulkan telah mendorong penerapan teknik-teknik analisa data dari berbagai bidang seperti statistik, kecerdasan buatan dsb pada data berskala besar itu. Ternyata penerapan pada data berskala besar memberikan tantangan-tantangan baru yang akhirnya memunculkan metodologi baru yang disebut data mining ini.

Bermula dari penerapan di dunia bisnis, sekarang ini data mining juga diterapkan pada bidang-bidang lain yang memerlukan analisa data berskala besar seperti bioinformasi dan pertahanan negara. Dalam paper ini, kami mencoba memperkenalkan data mining dengan membandingkannya dengan bidang ilmu yang sudah ada, dan juga memberikan beberapa ilustrasi tentang teknik-teknik yang umum dipakai di data mining.

Pengenalan Data Mining dibawah ini terdapat beberapa definisi dari beberapa sumber yakni dari website, yaitu sebagai berikut : 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).

3. Kebermanfaatan atau Urgensi

Dari definisi tersebut, dapat kita lihat bahwa pentingnya data mining untuk berbagai keperluan diantaranya :

1. Menembak target pasar Data mining dapat melakukan pengelompokan (clustering) dari model-model pembeli dan melakukan klasifikasi terhadap setiap pembeli sesuai dengan karakteristik yang diinginkan seperti kesukaan yang sama, tingkat penghasilan yang sama, kebiasaan membeli dan karakteristik lainnya.
2. Melihat pola beli pemakai dari waktu ke waktu Data mining dapat digunakan untuk melihat pola beli seseorang dari waktu ke waktu. Sebagai contoh, ketika seseorang menikah bisa saja dia kemudian memutuskan pindah dari single account ke joint account (rekening bersama) dan kemudian setelah itu pola beli-nya berbeda dengan ketika dia masih bujangan.
3. Identifikasi Kebutuhan Customer Anda dapat mengidentifikasi produk-produk apa saja yang terbaik untuk tiap kelompok customer dan menyusun faktor-faktor apa saja yang kira-kira dapat menarik customer baru untuk bergabung/membeli.
4. Informasi Summary Anda juga dapat memanfaatkan data mining untuk membuat laporan summary yang bersifat multi-dimensi dan dilengkapi dengan informasi statistik lainnya.
5. Telekomunikasi Sebuah perusahaan telekomunikasi menerapkan data mining untuk melihat dari jutaan transaksi yang masuk, transaksi mana sajakah yang masih harus ditangani secara manual (dilayani oleh orang). Tujuannya tidak lain adalah untuk menambah layanan otomatis khusus untuk transaksi-transaksi yang masih dilayani secara manual. Dengan demikian jumlah operator penerima transaksi manual tetap bisa ditekan minimal.
6. Keuangan Financial Crimes Enforcement Network di Amerika Serikat baru-baru ini menggunakan data mining untuk me-nambang trilyunan dari berbagai subyek seperti property, rekening bank dan transaksi keuangan lainnya untuk mendeteksi transaksi-transaksi keuangan yang mencurigakan (seperti money laundry).Mereka menyatakan bahwa hal tersebut akan susah dilakukan jika menggunakan analisis standar. Anda bisa lihat di www.senate.gov/~appropriations/treasury/testimony/sloan.htm. Mungkin sudah saatnya juga Badan Pemeriksa Keuangan Republik Indonesia menggunakan teknologi ini untuk mendeteksi aliran dana BLBI.
7. Asuransi Australian Health Insurance Commision menggunakan data mining untuk mengidentifikasi layanan kesehatan yang sebenarnya tidak perlu tetapi tetap dilakukan oleh peserta asuransi. Hasilnya? Mereka berhasil menghemat satu juta dollar per tahunnya. Anda bisa lihat di www.informationtimes.com.au/data-sum.htm. Tentu saja ini tidak hanya bisa diterapkan untuk asuransi kesehatan, tetapi juga untuk berbagai jenis asuransi lainnya.
8. Olah Raga IBM Advanced Scout menggunakan data mining untuk menganalisis statistik permainan NBA (jumlah shots blocked, assists dan fouls) dalam rangka mencapai keunggulan bersaing (competitive advantage) untuk tim New York Knicks dan Miami Heat.
9. Astronomi Jet Propulsion Laboratory (JPL) di Pasadena, California dan Palomar Observatory berhasil menemukan 22 quasar dengan bantuan data mining. Hal ini merupakan salah satu kesuksesan penerapan data mining di bidang astronomi dan ilmu ruang angkasa.

4. Contoh-Contoh Aplikasi Data Mining Yang Sudah Ada

– Analisa pasar dan manajemen.

Solusi yang dapat diselesaikan dengan data mining, diantaranya: Menembak target pasar, Melihat pola beli pemakai dari waktu ke waktu, Cross-Market analysis, Profil Customer, Identifikasi kebutuhan Customer, Menilai loyalitas Customer, Informasi Summary.

– Analisa Perusahaan dan Manajemen resiko.

Solusi yang dapat diselesaikan dengan data mining, diantaranya: Perencanaan keuangan dan Evaluasi aset, Perencanaan sumber daya (Resource Planning), Persaingan (Competition).

5. Rancangan Aplikasi Data Mining Yang Menjadi Solusi Bagi Bangsa Indonesia

Data Mining Di Bidang Kesehatan

Saat ini perkembangan teknologi sudah memasuki banyak bidang. Sudah banyak sekarang instansi-instansi yang memanfaatkan TI untuk membantu aktivitas para staffnya. Pemanfaatan TI di dunia medis sudah tidak asing lagi di kalangan masyarakat luas. TI sudah memegang peranan yang penting dunia medis. Sebagai cabang ilmu baru di bidang komputer cukup banyak penerapan yang dapat dilakukann oleh Data Mining. Apalagi ditunjang kekayaan dan keanekaragaman berbagai bidang ilmu (artificial intelligence, database, statistik, pemodelan matematika, pengolahan citra, dsb) (Sucahyo, 2003) membuat penerapan data mining menjadi makin luas dimana salah satu penerapannya adalah di bidang medis.

Banyak fakta yang sudah beredar saat ini, jika TI sudah tidak dapat ditinggalkan lagi penggunaannya dalam dunia medis. Seperti yang telah disampaikan beberapa waktu yang lalu Menteri Kesehatan, Fadilah Supari yang mencanangkan gerakan nasional keselamatan pasien (patient safety) di rumah sakit. Saat ini, berbagai rumah sakit sudah mulai menerapkan sistem informasi rumah sakit berbasis komputer untuk mendukung manajemen keuangan (khususnya

billing systems), dan pelayanan terhadap pasien yang sudah melibatkan penggunaan data mining. Jika rumah sakit sudah melewati tahap tersebut, langkah selanjutnya adalah pengembangan sistem informasi klinik. Di sini, peran penting TI tidak lepas dari potensinya untuk mencegah medical error. Seperti diketahui, ada dua pandangan mengapa error dapat muncul di rumah sakit. Yang pertama, error terjadi karena kesalahan individual tenaga kesehatan. Yang kedua, kesalahan individual tidak akan muncul jika manajemen memiliki mekanisme untuk mencegah.

TI dapat berperan dalam mencegah kejadian medical error melalui tiga mekanisme yaitu (1) pencegahan adverse event, (2) memberikan respon cepat segera setelah terjadinya adverse event dan (3) melacak serta menyediakan umpan balik mengenai adverse event yang dapat dijelaskan dengan lebih rinci sebagai berikut.

5.1 Latarbelakang Masalah

Saat ini, berbagai rumah sakit sudah mulai menerapkan sistem informasi rumah sakit berbasis komputer untuk mendukung manajemen keuangan (khususnya billing systems), dan pelayanan terhadap pasien yang sudah melibatkan penggunaan data mining. Jika rumah sakit sudah melewati tahap tersebut, langkah selanjutnya adalah pengembangan sistem informasi klinik. Di sini, peran penting TI tidak lepas dari potensinya untuk mencegah medical error. Seperti diketahui, ada dua pandangan mengapa error dapat muncul di rumah sakit. Yang pertama, error terjadi karena kesalahan individual tenaga kesehatan. Yang kedua, kesalahan individual tidak akan muncul jika manajemen memiliki mekanisme untuk mencegah.

TI dapat berperan dalam mencegah kejadian medical error melalui tiga mekanisme yaitu pencegahan adverse event, memberikan respon cepat segera setelah terjadinya adverse event dan melacak serta menyediakan umpan balik mengenai adverse event yang dapat dijelaskan dengan lebih rinci sebagai berikut.

5.2 Solusi Yang Kami Rancang

Penyediaan fasilitas TI akan mendorong penyebarluasan informasi dengan cepat. Sehingga, saat ini di berbagai rumah sakit pendidikan mulai tersedia fasilitas internet agar para residen dan dokter dapat dengan cepat mengakses perkembangan ilmu kedokteran terbaru serta menggunakannya (evidence based medicine). Pencegahan adverse event yang lebih riil adalah penerapan sistem pendukung keputusan (SPK) yang diintegrasikan dengan system

informasi klinik. Berbagai macam contoh SPK mampu memberikan alert kepada dokter yang muncul secara cepat pada situasi kritis yang kadang membahayakan keselamatan pasien. Pada kondisi tersebut, informasi yang lengkap sangat penting dalam pengambilan keputusan, misalnya: nilai laboratorium abnormal, kecenderungan vital sign, kontraindikasi pengobatan maupun kegagalan prosedur tertentu. Pencegahan adverse event juga dapat dilakukan melalui pengembangan berbagai aplikasi yang memungkinkan pemberian obat serta dosis secara akurat.

Penggunaan barcode serta barcode reader untuk kemasan obat akan mencegah kesalahan pengambilan obat.

Selanjutnya, sistem informasi klinik yang baik akan mampu memberikan umpan balik secara cepat jika terjadi kesalahan atau adverse event. Contoh yang menarik adalah pengalaman penarikan obat rofecoxib (keluaran Merck). Begitu FDA mengeluarkan rilis mengenai penarikan obat tersebut, salah satu rumah sakit di amerika (AS) dengan cepat mengidentifikasi seluruh pasien yang masih mendapatkan terapi obat tersebut, kemudian memberitahukan secara tertulis maupun elektronik mengenai penghentian obat tersebut dan memberikan saran untuk kembali ke rumah sakit agar mendapatkan obat pengganti.

5.3 Deskripsi Detail Dari Solusi

System penyediaan fasilitas TI akan mendorong penyebarluasan informasi dengan cepat menggunakan data mining. Dimana system ini dibuat untuk mengurangi/ meminimalisir terjadinya kesalahan karena human error. Baik kesalahan dari pihak rumah sakit itu sendiri maupun dari pasien karena kurangnya pengetahuan tentang dunia kesehatan. Dan juga apabila terjadi kesalahan maka data akan tersebar dengan cepat sehingga tidak menimbulkan kesalahan yang lebih fatal lagi.

6. Referensi

http://gunawan-ndra.blogspot.com/2013/03/pengertian-data-mining-menurut-para.html

http://andiseprianto.blogspot.nl/2012/11/defenisi-dan-sejarah-data-mining.html

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