SEMMA (SAMPLE, EXPLORE, MODIFY, MODEL, DAN ASSESS)



Sample, Explore, Modify, Model, dan Assess (SEMMA) adalah struktur alternatif yang dibuat oleh SAS Institute untuk mengelola proses data mining. Ini adalah metode yang teratur untuk menganalisis data serta membangun model prediksi. Berikut adalah ringkasan dari masing-masing tahapan dalam SEMMA:

1. Sample: Pada tahap pertama, data yang relevan dipilih dari berbagai sumber data. Sampel ini dapat berupa subset dari keseluruhan data dan dipilih sesuai kebutuhan analisis.

2. Explore: Setelah sampel data dipilih, tahap eksplorasi dilakukan untuk memahami secara lebih mendalam karakteristik dan struktur data. Ini melibatkan penggunaan visualisasi data, serta analisis statistik untuk mengidentifikasi pola atau tren yang menarik.

3. Modify: Tahap modifikasi melibatkan pra-pemrosesan data, di mana data dimodifikasi atau disiapkan untuk analisis lebih lanjut. Ini termasuk tindakan seperti penghapusan nilai yang hilang, pengisian data yang hilang, normalisasi, atau transformasi data.

4. Model: Pada tahap ini, model prediktif dibangun menggunakan teknik-teknik seperti regresi, klasifikasi, clustering, atau asosiasi, sesuai dengan tujuan analisis. Model ini digunakan untuk membuat prediksi atau menemukan pola dalam data.

5. Assess: Tahap terakhir adalah mengevaluasi kinerja model yang telah dibangun. Ini melibatkan pengujian model menggunakan data validasi yang tidak terpakai, serta penggunaan metrik evaluasi seperti akurasi, presisi, atau recall.

Dengan mengikuti kerangka kerja SEMMA, para profesional dapat mengelola proyek data mining dengan lebih terstruktur, memastikan bahwa setiap tahapan dikerjakan dengan teliti dan sesuai waktu. Ini membantu dalam menghasilkan solusi data mining yang berkualitas tinggi dan relevan dengan kebutuhan bisnis atau penelitian.


 

Komentar

Posting Komentar

Postingan populer dari blog ini

QUIZ PERTEMUAN 5 DATA MINING

Gambar
Berikut adalah file artikel milik saya  https://drive.google.com/file/d/16_VHc7P3XLvoneoYvIQO9qIohH3z3QYk/view?usp=drive_link LINK GOOGLE COLLAB   https://colab.research.google.com/drive/1USfY9AOJFRjFHKpb_7u0xXhpzpzbvQdx?usp=sharing Bagian 1. Pendahuluan Di era modern ini, tantangan dalam meningkatkan kualitas pendidikan menjadi semakin kompleks. Salah satu indikator keberhasilan pendidikan adalah tingkat kelulusan tepat waktu dan lama masa studi mahasiswa di perguruan tinggi. Oleh karena itu, pemahaman mendalam terhadap faktor-faktor yang memengaruhi lulusan tepat waktu sangat penting. Laporan ini bertujuan untuk melakukan analisis yang mendalam terhadap faktor-faktor yang mempengaruhi lulusan tepat waktu dan lama masa studi di lingkungan akademik. Analisis dilakukan meliputi integrasi dan pembersihan data, serta mengidentifikasi tren atau pola yang mempengaruhi lulusan tepat waktu. Berikut permasalahan-permasalahan yang akan dibahas pada analisis lulusan tepat waktu. 1. ...
Baca selengkapnya

DATA PREPARATION

Gambar
  Persiapan data (data preparation) adalah serangkaian proses yang dilakukan untuk mempersiapkan data mentah menjadi format yang cocok untuk analisis atau penggunaan dalam aplikasi tertentu. Ini adalah langkah penting dalam siklus analisis data, karena kualitas data yang baik akan memengaruhi kualitas hasil analisis atau model yang dihasilkan. Proses persiapan data mencakup beberapa langkah, termasuk: Pengumpulan Data : Mengumpulkan data dari berbagai sumber, seperti file CSV, database, API, atau sensor. Pembersihan Data : Identifikasi dan penanganan nilai yang hilang, duplikat, atau tidak valid dalam dataset. Ini juga termasuk pemrosesan outlier dan normalisasi data. Transformasi Data : Mengubah format atau representasi data untuk memenuhi kebutuhan analisis atau model. Ini bisa mencakup pengkodean variabel kategori, pengurangan dimensi, atau ekstraksi fitur. Penggabungan Data : Menggabungkan atau menggabungkan data dari beberapa sumber menjadi satu dataset. Pemisahan Data : Memis...
Baca selengkapnya

SUPERVISE LEARNING (PREDIKSI) DAN ALGORITMA YANG ADA DI DALAMNYA MINIMAL 30 ALGORITMA PREDIKSI

Gambar
    (supervised learning) untuk prediksi melibatkan pelatihan model dengan data berlabel untuk memprediksi output yang tidak diketahui. Prediksi ini bisa berupa regresi (nilai kontinu) atau klasifikasi (nilai diskret). Berikut adalah 30 algoritma prediksi yang sering digunakan dalam supervised learning, beserta penjelasannya: Algoritma Regresi Linear Regression Deskripsi : Memodelkan hubungan linier antara variabel independen (fitur) dan variabel dependen (target). Kelebihan : Sederhana dan mudah diinterpretasikan. Kekurangan : Tidak efektif untuk hubungan non-linear. Polynomial Regression Deskripsi : Memodelkan hubungan non-linear dengan menambahkan variabel pangkat dari fitur. Kelebihan : Lebih fleksibel daripada regresi linier. Kekurangan : Bisa overfitting jika derajat polinomial terlalu tinggi. Ridge Regression Deskripsi : Linear regression dengan regularisasi L2 untuk mencegah overfitting. Kelebihan : Mengurangi variansi model. Kekurangan : Kurang efektif jika fitur tida...
Baca selengkapnya