Mengenal Apa itu Data Mining, Proses (Tahapan) & Contoh Penerapan Data Mining

00:42:05
https://www.youtube.com/watch?v=qLf9W9RAxrY

الملخص

TLDRThe video discusses the concept of data mining, elucidating its definition as the extraction of knowledge from large datasets. It begins by defining data as structured facts and moves on to describe how information and knowledge emerge from the processing of data. Various examples, such as employee attendance data analysis and business sales predictions, illustrate the significance of data mining in informing decisions and developing policies. The process is highlighted, including data cleaning, integration, and modeling, culminating in actionable knowledge. The applications of data mining span multiple domains, including business, healthcare, and customer relationship management, showcasing its critical role in enhancing operational efficiency and strategic planning.

الوجبات الجاهزة

  • 📊 Data mining is essential for extracting knowledge from large datasets.
  • 📈 Data is raw facts, while information is processed data.
  • 🧠 Effective data mining can drive informed decision-making.
  • 🏢 Businesses can enhance operations through data mining insights.
  • 🔍 Data cleaning is crucial for accurate analysis.
  • 💡 Applications of data mining include sales predictions and trend analysis.
  • 🏥 Healthcare benefits from data mining through improved patient data analysis.
  • 🤖 Machine learning enhances the data mining process.
  • 📉 Pattern recognition is vital for identifying trends.
  • 📋 Data mining supports strategic planning in various sectors.

الجدول الزمني

  • 00:00:00 - 00:05:00

    The video introduces Danar Pamungkas and aims to share knowledge regarding data mining. It invites viewers to subscribe and highlights the importance of understanding data mining and its applications.

  • 00:05:00 - 00:10:00

    Data is described as a collection of facts or records from transactions, exemplified by data related to students and other types of data. Information is clarified as processed data that has been organized and summarized.

  • 00:10:00 - 00:15:00

    The relationship between data, information, and knowledge is discussed, where information leads to the formation of patterns or knowledge, which can be used to make informed decisions in various fields, including business and academics.

  • 00:15:00 - 00:20:00

    The concept of data mining is introduced, defined as the science of discovering knowledge or patterns in large data sets. It emphasizes the importance of analyzing complex data to gain insights.

  • 00:20:00 - 00:25:00

    Data generation in daily activities is highlighted with statistics on online searches and social media usage. This data can be overwhelming if not transformed into useful information.

  • 00:25:00 - 00:30:00

    Data mining is presented as a solution to utilize the vast amounts of data generated, introducing its main objective: to extract useful information that can inform business intelligence and decision-making.

  • 00:30:00 - 00:35:00

    An analogy of traditional gold mining is used to elaborate on the data mining process, likening the extraction of knowledge from data to sifting through mineral deposits to find gold.

  • 00:35:00 - 00:42:05

    The process of turning raw data into actionable policies is explained, using an example of employee attendance data that reveals trends and informs operational adjustments for improving workforce management.

اعرض المزيد

الخريطة الذهنية

فيديو أسئلة وأجوبة

  • What is data mining?

    Data mining is the science of discovering patterns and knowledge from large amounts of data.

  • How does data mining transform data into information?

    Data mining analyzes large datasets to find patterns that are then distilled into simplified information.

  • What are the applications of data mining?

    Applications include business intelligence, trend predictions, and customer relationship management.

  • How is data cleaned in the data mining process?

    Data cleaning involves removing inaccuracies and irrelevant information from datasets.

  • Can data mining be used in healthcare?

    Yes, data mining can analyze patient data for predicting outbreaks and making healthcare decisions.

  • What are the benefits of using data mining in business?

    It helps in forecasting sales, optimizing inventory, and improving customer targeting.

  • What role does machine learning play in data mining?

    Machine learning algorithms are often used to improve the accuracy and efficiency of data mining processes.

  • What is the relation between data and information?

    Data is raw facts, while information is processed and analyzed data.

  • What is the significance of pattern recognition in data mining?

    Pattern recognition helps in understanding trends and making data-driven decisions.

  • How does data mining influence decision-making?

    By providing insights derived from data analysis, data mining guides strategic business and operational decisions.

عرض المزيد من ملخصات الفيديو

احصل على وصول فوري إلى ملخصات فيديو YouTube المجانية المدعومة بالذكاء الاصطناعي!
الترجمات
id
التمرير التلقائي:
  • 00:00:00
    Halo assalamualaikum warahmatullah
  • 00:00:01
    Selamat datang di Danar Pamungkas
  • 00:00:03
    berbagi ilmu berbagi pengalaman dan akan
  • 00:00:07
    mengulas ilmu-ilmu yang berkaitan dengan
  • 00:00:08
    teknologi informasi
  • 00:00:10
    baik mentimun kali ini saya akan berbagi
  • 00:00:12
    ilmu mengenai data mining Apa itu data
  • 00:00:15
    maning dan contoh terapannya Bagaimana
  • 00:00:17
    simak video ini selengkapnya ya Nah Mun
  • 00:00:20
    yang belum subscribe Silahkan di
  • 00:00:22
    subscribe dan share video ini agar
  • 00:00:24
    semakin banyak yang mendapatkan ilmu dan
  • 00:00:26
    manfaat dari video ini baik kita
  • 00:00:29
    lanjutkan awan
  • 00:00:31
    Oke teman-teman sebelum kita
  • 00:00:35
    jauh lebih apa mengenal tentang data
  • 00:00:38
    mining kita berkenalan dulu tentang Apa
  • 00:00:41
    itu data ya Mei data adalah kumpulan
  • 00:00:47
    dari fakta-fakta atau kejadian atau bisa
  • 00:00:51
    disebut dengan suatu catatan terstruktur
  • 00:00:54
    dari suatu transaksi Nah apa Jang
  • 00:00:58
    disebut dengan fakta-fakta dan nah
  • 00:01:00
    Seperti apa megah contohnya adalah
  • 00:01:03
    misalkan seorang mahasiswanya
  • 00:01:05
    seorang mahasiswa mempunyai NIM NPM
  • 00:01:10
    limit uapaya nomor induk mahasiswa atau
  • 00:01:12
    NPM itu Nomor Pokok mahasiswa gede
  • 00:01:16
    kemudian mempunyai nama tempat tanggal
  • 00:01:18
    lahir alamat selesai alamin agama dan
  • 00:01:21
    seterusnya itu adalah contoh fakta dari
  • 00:01:24
    mahasiswa atau contoh data-data dari
  • 00:01:27
    seorang mahasiswa contoh lain adalah
  • 00:01:32
    apa ya laporan data pemilih atau Ratu
  • 00:01:35
    abad sebuah transaksi jual-beli itu juga
  • 00:01:39
    termasuk
  • 00:01:40
    contoh-contoh dari data
  • 00:01:43
    game-nya kemudian
  • 00:01:46
    kumpulan dari data teman-teman atau data
  • 00:01:49
    yang banyak kemudian diolah ya
  • 00:01:53
    dirangkum direkap mengumpulkan beberapa
  • 00:01:55
    apa metode statistik data statistik
  • 00:01:58
    datang atau yang Hai itu menjadi sebuah
  • 00:02:02
    informasi
  • 00:02:04
    jadi Mungkin banyak yang
  • 00:02:07
    apa mengatakan bahwasanya Apa itu data
  • 00:02:11
    kadang ada orang yang di atau
  • 00:02:13
    temen-temen
  • 00:02:14
    ditanya apa itu data-data adalah
  • 00:02:17
    informasi dan blablablabla ya
  • 00:02:20
    Nah itu terbalik teman-teman jadi
  • 00:02:23
    konsepnya adalah
  • 00:02:25
    informasi itu kumpulan dari data yang
  • 00:02:27
    sudah diolah itu ya
  • 00:02:30
    Kumpulan data yang telah diolah mudah
  • 00:02:33
    dijelaskan atau dirangkum direct aplas
  • 00:02:35
    terusnya itu kumpulan informasi Jadi
  • 00:02:38
    bukan kembali Jadi jangan sampai ada apa
  • 00:02:41
    itu data-data adalah kumpulan informasi
  • 00:02:43
    dan seterusnya itu kepada iya bye
  • 00:02:46
    Kumpulan data yang telah diolah ya Bisa
  • 00:02:50
    dijelaskan kemudian dirangkum direkap
  • 00:02:53
    dan seterusnya menjadi sebuah informasi
  • 00:02:57
    kemudian temen-temen
  • 00:03:00
    kita juga disebut sebagai materi penting
  • 00:03:03
    dalam membentuk formasi karena apa
  • 00:03:05
    sebuah informasi itu adalah kumpulan
  • 00:03:07
    dari beberapa data atau banyak data
  • 00:03:13
    dan kita masuk ke sebuah
  • 00:03:18
    [Musik]
  • 00:03:19
    penjelasan selanjutnya
  • 00:03:21
    baik jadi yang tadi ya disebutkan gausah
  • 00:03:24
    informasi adalah penjelasan Arafah data
  • 00:03:27
    Kumpulan data yang di rangkum dijelaskan
  • 00:03:30
    direkap dan seterusnya intinya Kumpulan
  • 00:03:32
    data diolah menjadi sebuah informasi
  • 00:03:35
    kemudian
  • 00:03:37
    data dan informasi tadi itu akan
  • 00:03:41
    membentuk suatu pola aturan atau model
  • 00:03:45
    yang muncul dan aturan atau pola modal
  • 00:03:48
    yang muncul tadi itu disebut dengan
  • 00:03:51
    pengetahuan atau knowledge ya nulis
  • 00:03:55
    Jadi anda Suatu data kemudian ada
  • 00:03:58
    Kumpulan data di sebuah informasi yang
  • 00:04:02
    tadi akan membentuk suatu pola atau
  • 00:04:04
    aturan atau model yang muncul dan akan
  • 00:04:07
    membentuk atau muncul suatu nulis atau
  • 00:04:11
    pengetahuan nah
  • 00:04:15
    pengetahuan tadi ya
  • 00:04:17
    itu muncul atau digunakan untuk membuat
  • 00:04:21
    sebuah kebijakan nya entah itu dalam
  • 00:04:25
    perkantoran entah itu dalam dunia bisnis
  • 00:04:28
    atau akademik intinya sebuah nah tanpa
  • 00:04:35
    bisnis intelijen itu biasanya
  • 00:04:36
    menggunakan pola seperti ini teman-teman
  • 00:04:39
    untuk membuat sebuah kebijakan
  • 00:04:41
    berdasarkan data-data diolah menjadi
  • 00:04:44
    informasi kemudian muncul pengetahuan
  • 00:04:46
    dan menjadi sebuah kebijakan nanti saya
  • 00:04:50
    jelaskan beserta contoh atau
  • 00:04:53
    penerapannya ya
  • 00:04:55
    Mei kemudian secara tidak sadar
  • 00:04:58
    teman-teman setiap kita itu
  • 00:05:01
    menghasilkan banyak Data ayah
  • 00:05:04
    dan itu kita
  • 00:05:07
    produksi apa ya
  • 00:05:10
    secara tidak langsung ya contohnya
  • 00:05:14
    setiap hari itu belajar itu sekitar 3,2
  • 00:05:20
    miliar pencarian terjadi atau orang
  • 00:05:23
    menggunakan google-nya
  • 00:05:26
    seandainya untuk melakukan pencarian itu
  • 00:05:29
    sebanyak tiga koma setengah miliar
  • 00:05:31
    pencarian perhari to di dunia kemudian
  • 00:05:35
    di Instagram
  • 00:05:37
    berhari2 yang lebih 95000000 foto yang
  • 00:05:40
    diupload
  • 00:05:41
    dan juga
  • 00:05:44
    100000000 Stories tiap harinya di
  • 00:05:47
    Indonesia ada
  • 00:05:48
    112-117 juta transaksi keuangan
  • 00:05:52
    perbankan
  • 00:05:53
    perharinya
  • 00:05:55
    kemudian di Indomaret itu serat sekitar
  • 00:05:58
    500.000 transaksi perhari
  • 00:06:02
    Twitter Ada 500000000 tweet per hari dan
  • 00:06:06
    bahkan
  • 00:06:08
    350.000 posting permenit
  • 00:06:12
    itu kisarannya
  • 00:06:15
    kemudian mobile phone atau smartphone
  • 00:06:17
    kita itu memproduksi sekitar 1,3 juta
  • 00:06:23
    terupdate data per hari ya apalagi
  • 00:06:27
    sekarang
  • 00:06:28
    smartphone menjadi Alat utama komunikasi
  • 00:06:31
    atau alat utama untuk kinerja ya
  • 00:06:35
    sehari-hari Nah dengan banyaknya datang
  • 00:06:39
    kita produksi ya untuk apa data tadi
  • 00:06:43
    jangan jangan sampai kita tuh banyak
  • 00:06:46
    Data kemudian
  • 00:06:50
    urang informasi yang kita dapatkan
  • 00:06:53
    lebih banyak yang datang kita produksi
  • 00:06:56
    Namun kita kurang memanfaatkannya Oh iya
  • 00:07:00
    Nah
  • 00:07:02
    Oleh karena itu muncullah sebuah konsep
  • 00:07:06
    data mining ya Nah baik kita masuk ke
  • 00:07:11
    data mining sekarang nah Apa itu data
  • 00:07:14
    mining teman-teman
  • 00:07:15
    data mining adalah ilmu yang mempelajari
  • 00:07:18
    metode untuk mengekstrak pengetahuan
  • 00:07:22
    atau menemukan pola dari suatu data Bang
  • 00:07:25
    Extractor payah mengekstrak itu
  • 00:07:28
    [Musik]
  • 00:07:29
    memencar I atau mengambil intisarinya
  • 00:07:32
    gitu ya
  • 00:07:34
    mengambil intisari
  • 00:07:37
    pengetahuan atau pola dari suatu data
  • 00:07:40
    nah
  • 00:07:41
    Oleh karena itu data mining itu disebut
  • 00:07:45
    dengan nulis Discovery in data mining
  • 00:07:48
    atau eh bukan rapper terekam ini
  • 00:07:51
    maksudnya a0 at Discovery in database
  • 00:07:53
    atau bisa disebut apa ya
  • 00:07:56
    Eh menemukan pengetahuan dari sebuah
  • 00:08:01
    database ya
  • 00:08:04
    Nah objek Dadit dari data mening itu apa
  • 00:08:08
    obyeknya adalah jelas data itu sendiri
  • 00:08:12
    namun anda notice yang disini
  • 00:08:15
    teman-teman data yang jumlahnya sangat
  • 00:08:17
    besar atau Kompleks Tholib data juga
  • 00:08:20
    bisa menjadi
  • 00:08:22
    objek dari sebuah tetap mining ya kalau
  • 00:08:26
    datanya hanya puluhan belasan itu
  • 00:08:30
    mungkin belum bisa disebut dengan data
  • 00:08:32
    mining ya karena ini yang nanti yang
  • 00:08:34
    kita gunakan atau digunakan didata
  • 00:08:36
    mendarat jumlah yang sangat besar ribuan
  • 00:08:38
    jutaan Ajun ratusan juta data bisa kan
  • 00:08:42
    Ya nah kemudian tugasnya apa teman-teman
  • 00:08:48
    tugasnya adalah
  • 00:08:51
    menganalisis secara otomatis atau semi
  • 00:08:54
    otomatis jumlah data yang sangat besar
  • 00:08:58
    tuh untuk menemukan pola ada di sini aku
  • 00:09:01
    dengan pola yang sebelumnya belum
  • 00:09:03
    diketahui jadi dengan data itu
  • 00:09:07
    takut data yang sangat besar tokoh Lex
  • 00:09:11
    dengan data mining
  • 00:09:13
    kita bisa menganalisis secara otomatis
  • 00:09:16
    atau semi otomatis ia untuk menemukan
  • 00:09:20
    pola yang belum pernah diketahui
  • 00:09:23
    nah
  • 00:09:25
    kemudian tujuannya untuk Apa tujuannya
  • 00:09:28
    adalah untuk menemukan pola ada di ya
  • 00:09:32
    atau hubungan-hubungan yang dapat
  • 00:09:34
    memberikan indikasi yang bermanfaat ini
  • 00:09:37
    yang paling penting dari data kemudian
  • 00:09:40
    kita memanggil
  • 00:09:41
    sebuah pola Kemudian dari pola tersebut
  • 00:09:44
    akan membuat apa Muncul pengetahuan dari
  • 00:09:48
    pengetahuan tersebut kira-kira
  • 00:09:49
    manfaatnya untuk apa Oh gitu ya
  • 00:09:53
    Kita analogikan sebagai apa proses
  • 00:09:57
    menambang emas secara
  • 00:09:59
    tradisional ya
  • 00:10:02
    bisa dilihat digambar di situ ada empat
  • 00:10:05
    orang yang menambang emas secara
  • 00:10:07
    konvensional secara tradisional
  • 00:10:10
    dia atau mereka apa memilah-milah dari
  • 00:10:16
    berbagai banyak mineral pasir batuan
  • 00:10:20
    gitu ya
  • 00:10:22
    mereka mengambil dalam satu tempat
  • 00:10:26
    tidurnya sebentar temen-temen ini adalah
  • 00:10:29
    salah baca ini
  • 00:10:30
    mengambil dari suatu tempat kemudian di
  • 00:10:33
    masukkan dalam suatu Allah gitu yang
  • 00:10:36
    merekam mereka mengajaknya apa-apa itu
  • 00:10:38
    namanya ya mereka mengambil Soeharto
  • 00:10:41
    banyak mineral disitu kemudian
  • 00:10:44
    mereka membelahnya gula sampai ketemu
  • 00:10:47
    sesuatu butiran mineral yang mengandung
  • 00:10:50
    emas dari banyaknya
  • 00:10:53
    tanah atau lumpur atau oleh dimasukkan
  • 00:10:57
    dalam wadah nah itu nah seperti itulah
  • 00:11:02
    analogi analogi dari sebuah proses data
  • 00:11:05
    mining jadi banyaknya data yang kita
  • 00:11:08
    olah kemudian nah muncul sebuah pola
  • 00:11:10
    yang kita dapatkan dan ada apa namanya
  • 00:11:14
    penulis yang didapatkan dan menulis
  • 00:11:17
    cetir but nulis tersebut ya atau
  • 00:11:19
    pengetahuan tersebut akan dijadikan
  • 00:11:22
    bahan untuk membuat sebuah kebijakan ya
  • 00:11:26
    Nah konsep transformasi sebuah data
  • 00:11:29
    seperti ini temen-temen Nadia data
  • 00:11:33
    kemudian banyak Data akan diolah menjadi
  • 00:11:37
    sebuah informasi kemudian menjadi sebuah
  • 00:11:39
    pengetahuan dan jadi
  • 00:11:41
    Contohnya apa ini hanya untukmu untukmu
  • 00:11:44
    untuk lebih memahami konsep ini kita
  • 00:11:47
    pakai contoh yang
  • 00:11:50
    baik misalkan contohnya gini ada suatu
  • 00:11:54
    data presensi atau kehadiran pegawai
  • 00:11:57
    dalam suatu perusahaan misalkan dengan
  • 00:12:00
    nih sekian ya menyusahkan NIP 1103
  • 00:12:05
    [Musik]
  • 00:12:07
    2-12-2019
  • 00:12:09
    2021 datang sekian datang pukul 07.30
  • 00:12:14
    pulang 15 40 dan seterusnya
  • 00:12:19
    data kehadiran ini
  • 00:12:22
    kan banyak Data itu Misalkan dalam
  • 00:12:25
    11 bulan misalkan punya 100
  • 00:12:29
    100 pegawai dalam satu bulan berarti
  • 00:12:32
    mengira ada misalkan 25 hari
  • 00:12:36
    jam kerja 25 hari kerja berarti anda
  • 00:12:40
    berapa nah 100 kali 25 Itu kan satu kali
  • 00:12:45
    25
  • 00:12:47
    data-data
  • 00:12:49
    kedatangan dan kepulangan dari pegawai
  • 00:12:52
    waktunya tuh kehadiran pegawai nah
  • 00:12:56
    kemudian data di bisa direkap ya
  • 00:12:59
    kemudian atau diakumulasi bulanan
  • 00:13:02
    kehadirannya namun Curl informasi dari
  • 00:13:05
    rekapan itu teman-teman
  • 00:13:07
    munculnya supaya Pak contohnya nih 1103
  • 00:13:11
    itu masuk ternyata masuk 22 kali
  • 00:13:15
    misalkan ya Deep dengan
  • 00:13:18
    1142 maksudnya 5018 kali kemudian
  • 00:13:22
    alfanya dua kali sakitnya dua kali dan
  • 00:13:25
    seterusnya nah ini adalah contoh-contoh
  • 00:13:27
    informasi dari data mentah itu tadi ya
  • 00:13:30
    data mentah yang datang kehadiran
  • 00:13:32
    pegawai tadi Nah kemudian informasi dan
  • 00:13:37
    data tadi Kalau dianalisa lebih baik
  • 00:13:40
    lebih lanjut lagi itu akan bet muncul
  • 00:13:43
    pola kehadiran mingguan misalkan yang
  • 00:13:47
    awalnya tadi akumulasi bulanan ternyata
  • 00:13:49
    kemudian the Ketika dilihat Lagi di oleh
  • 00:13:53
    muncul kehadiran mingguan pegawai
  • 00:13:55
    misalkan ternyata disitu apa Muncul
  • 00:14:01
    pola yang unik gitu ya warnanya Abang
  • 00:14:05
    polanya adalah setiap hari Senin dan
  • 00:14:09
    cuma itu ternyata
  • 00:14:12
    berbeda dengan hari
  • 00:14:14
    eh Selasa Rabu dan Kamis itu
  • 00:14:17
    perbedaannya apa ternyata
  • 00:14:20
    Senin dan Jumat itu
  • 00:14:22
    lebih banyak apartemen itu ya
  • 00:14:26
    Ini Senen itu ternyata
  • 00:14:30
    lebih banyak terlambat nih lebih banyak
  • 00:14:34
    rambatnya 7S akan ada tujuh pegawai yang
  • 00:14:36
    terlambat
  • 00:14:37
    kemudian lebih cepat pulang tidak ada
  • 00:14:40
    ijinnya
  • 00:14:41
    ada tiga Apanya satu dibandingkan dengan
  • 00:14:44
    Selasa Rabu Kamis ya kan le cenderung
  • 00:14:47
    normal ini disini
  • 00:14:49
    kemudian di hari Jumat nah ternyata di
  • 00:14:53
    hari Jumat banyak juga yang terlambat
  • 00:14:55
    ternyata lebih banyak lagi yang apa
  • 00:14:58
    Cepat pulang ini ya mungkin mereka
  • 00:15:02
    pengen pengen cepat pulang biar bisa
  • 00:15:04
    cepat mudik misalkan apa namanya
  • 00:15:08
    dia tinggalnya di luar kota GTA misalkan
  • 00:15:12
    seperti itu Nah pola-pola unik inilah
  • 00:15:14
    yang muncul dari suatu data yang kita
  • 00:15:18
    dapatkan undian kita akumulasi atau kita
  • 00:15:20
    rekap kita olah muncul suatu pola
  • 00:15:23
    seperti ini channel contoh dari suatu
  • 00:15:26
    pola ini muncul oleh hari Senin dan
  • 00:15:28
    Jumat itu ternyata
  • 00:15:30
    tidak sesuai tidak banyak semen dengan
  • 00:15:34
    hari Selasa Rabu dan Kamis dan yang
  • 00:15:36
    cenderung normal di sini lihat nah
  • 00:15:39
    dengan pola ini ternyata selanjut banyak
  • 00:15:42
    yang terlambat detail kemudian hari
  • 00:15:44
    Jumat terhadap banyak yang cepat pulang
  • 00:15:46
    oleh misalkan saya sebagai sewaktu owner
  • 00:15:49
    suatu perusahaan Bagaimana yang untuk
  • 00:15:52
    mengatasi ini biar kinerja nya lebih
  • 00:15:54
    efektif itu ya kan jatuhnya di di aturan
  • 00:15:58
    kerjanya do setiap hari 8jam misalkan
  • 00:16:01
    dari jam Pira 08.00 sampai jam 12.30
  • 00:16:05
    pagi mana ya ternyata dengan seperti ini
  • 00:16:08
    misalkan kinerja menurun
  • 00:16:11
    baik dari situ Anda muncul pengetahuan
  • 00:16:16
    tadi kan ya dari data kemudian muncul
  • 00:16:19
    informasi muncul pora pengetahuannya apa
  • 00:16:22
    Kamu tanya ternyata
  • 00:16:24
    kebiasaan pegawai di hari Senin dan
  • 00:16:27
    Jumat itu ternyata unik ya
  • 00:16:31
    Nah kemudian
  • 00:16:34
    bagaimana
  • 00:16:36
    meningkatkan kehadiran pegawai Bagaimana
  • 00:16:39
    ya caranya biar enggak terjadi yang ini
  • 00:16:42
    lagi gitu ya biar tidak cepat terjadi
  • 00:16:44
    seperti ini lagi dan dipercaya bisa
  • 00:16:46
    meningkatkan
  • 00:16:48
    dari pola kemudian menjadi pengetahuan
  • 00:16:51
    dan contohnya menjadi sebuah kebijakan
  • 00:16:54
    kita lihat Nah misalkan bisa kita gini
  • 00:16:57
    berarti penataan jam kerja khusus dan
  • 00:17:01
    pada hari Senin dan Jumat itu khusus
  • 00:17:05
    bukan jam-jam normal seperti biasanya
  • 00:17:09
    kalau normal adalah jam delapan sampai
  • 00:17:11
    jangan belas ketiak contohnya saya
  • 00:17:13
    sebagai owner kan buat sebuah keputusan
  • 00:17:15
    dari detail Adi menjadi data sudah
  • 00:17:19
    diolah menjadi menemukan sebuah pola
  • 00:17:21
    tadi Okelah misalkan hari Senin saya
  • 00:17:25
    akan memulai
  • 00:17:28
    gereja itu pukul 10.00 ya yang biasanya
  • 00:17:32
    jam delapan mundur dua jam Setelah
  • 00:17:35
    berarti pegawai punya utang 2 jam di
  • 00:17:38
    sini
  • 00:17:38
    kemudian hari ini untuk
  • 00:17:42
    memapah sebagai solusi bahwasanya hari
  • 00:17:47
    Senin banyak yang terlambat gitu ya biar
  • 00:17:49
    banyak tidak punya terlambat Okelah
  • 00:17:51
    dimulai Dam
  • 00:17:54
    10.26 hari Jumat diakhiri 4.11 00
  • 00:17:59
    12.00 sebagai solusi dari banyak yang
  • 00:18:03
    cepat pulang gitu berarti dari sini
  • 00:18:06
    teman-teman itu pegawai itu punya hutang
  • 00:18:11
    di hari Senin doa ncem dan di hari Jumat
  • 00:18:14
    2 jam ya jadi total empat jam udah empat
  • 00:18:18
    jam itu bagaimana untuk cara membayarnya
  • 00:18:20
    atau dikoordinir kompensasi ke hari yang
  • 00:18:22
    lain misalkan hari Senin itu pulang
  • 00:18:24
    setelah maghrib ya ya bisa bayar utang
  • 00:18:29
    dua jam yang biasanya pulang jam
  • 00:18:32
    16.00 bisa pulang jam 6.00 jam 19 ya ya
  • 00:18:37
    sebagai
  • 00:18:41
    jadi cara untuk mengurangi atau
  • 00:18:44
    membayar hutang2 jam dari
  • 00:18:47
    dan mungkin hikmahnya adalah dengan
  • 00:18:51
    pulang lebih lambat ya biar tidak
  • 00:18:53
    terjebak macet di jam-jam pulang kerja
  • 00:18:56
    gitu ya tingkat perjalanan nah kemudian
  • 00:18:59
    Bagaimana dengan dengan dua jam yang
  • 00:19:02
    belum ya besok kan hari Selasa
  • 00:19:05
    Rabu Kamis itu bisa datang lebih awal ya
  • 00:19:10
    kan Misalkan
  • 00:19:11
    07.30 kemudian pulangnya lebih lambat ia
  • 00:19:16
    akan misalkan
  • 00:19:18
    1630 lantur sebagai konpensasi membayar
  • 00:19:21
    utang ya Nah itu adalah contohnya
  • 00:19:24
    temen-temen daring dari data ini
  • 00:19:27
    kemudian muncul di olah menjadi
  • 00:19:30
    informasi kemudian muncul polanya
  • 00:19:33
    seperti ini kemudian ada pengetahuannya
  • 00:19:36
    dan menjadi sebuah kebijakan Nah kalau
  • 00:19:41
    kita gambar nah piramid gitu ya
  • 00:19:44
    Bahkan piramid dari banyaknya data ini
  • 00:19:48
    data sebagai contohnya adalah data
  • 00:19:50
    presensi pengawet Ade itu kan banyak
  • 00:19:52
    Data kemudian direkap ini akan menjadi
  • 00:19:56
    sebuah informasi
  • 00:19:57
    kemudian menjadi
  • 00:20:01
    pola-polanya adalah kebiasaan kehadiran
  • 00:20:04
    pegawai itu polanya nah kebijakannya Apa
  • 00:20:07
    kebijakan adalah penataan jam kerja Nah
  • 00:20:11
    itulah contoh konsep transformasi
  • 00:20:14
    data dari sebuah data menjadi sebuah
  • 00:20:18
    kebijakan nah
  • 00:20:21
    oke kemudian sekarang konsep proses data
  • 00:20:26
    mining nya proses data mining itu
  • 00:20:30
    dimulai dari proses ya proporsi setelah
  • 00:20:33
    apa yang dikerjakan proporsional yang
  • 00:20:35
    dikerjakan adalah memahami dan
  • 00:20:38
    tersendiri saya dipahami dan
  • 00:20:41
    bukan data nah Biasanya apa
  • 00:20:45
    langkah-langkahnya disini teman-teman
  • 00:20:46
    biasanya adalah data cleaning pada
  • 00:20:48
    pembersihan data nanti di video selesai
  • 00:20:51
    selanjutnya adalah kita akan bahas ini
  • 00:20:54
    dada cleaning data integration data
  • 00:20:57
    reduction data mentransformasi data
  • 00:20:59
    cleaning membersihkan data-data yang
  • 00:21:01
    mungkin yang tidak terpakai ya kan
  • 00:21:03
    kemudian Integrasi adalah Menggabungkan
  • 00:21:05
    beberapa file bisa akan seperti itu atau
  • 00:21:08
    data-data dari cabang-cabang yang
  • 00:21:10
    lainnya misalkan mudah data reduksi itu
  • 00:21:13
    mengurangi Volume sebuah data atau
  • 00:21:16
    mengurangi jumlah data dan seterusnya
  • 00:21:17
    kemudian transformasi telah ini mengubah
  • 00:21:21
    bentuk data-data mentah kemudian menjadi
  • 00:21:24
    data yang akan digunakan ya Nah setelah
  • 00:21:28
    memahami dan mempersiapkan data ya
  • 00:21:31
    kemudian
  • 00:21:33
    menuju ke modeling modeling itu apa
  • 00:21:36
    modelling disini telah tadi dari proses
  • 00:21:40
    itu data sudah siap diolah kmudian di
  • 00:21:43
    modelling ini kita tuh memilih metode
  • 00:21:46
    sesuai dengan karakter data dan sesuai
  • 00:21:48
    yang akan di eh apa digunakan untuk apa
  • 00:21:51
    gitu ya Nah modelling ini itu Anda nah
  • 00:21:55
    beberapa
  • 00:21:57
    contoh atau beberapa jenis metode yang
  • 00:22:01
    biasa digunakan sudah tampan yang yaitu
  • 00:22:02
    estimasi prediction klasifikasi
  • 00:22:06
    clustering dan Association nah tuh
  • 00:22:10
    contoh-contoh modal yang ia
  • 00:22:13
    kemudian eh setelah
  • 00:22:16
    terbentuk modelling atau menjadi model
  • 00:22:19
    gitu ya biasanya model itu seperti apa
  • 00:22:22
    contohnya menjadi sebuah formula atau
  • 00:22:24
    persamaan atau rumus yang menjadi bagan
  • 00:22:27
    pohon atau three menjadi sebuah kelompok
  • 00:22:30
    perempuan atau Cluster atau menjadi
  • 00:22:32
    sebuah rule atau apa namanya nih aturan
  • 00:22:36
    saat contohnya yang tadi kita yang yang
  • 00:22:40
    sebelumnya adalah
  • 00:22:41
    didata apa nanti
  • 00:22:44
    kehadiran kehadiran pegawai informasinya
  • 00:22:48
    rekapannya tadi kemudian
  • 00:22:52
    pengetahuannya avanade
  • 00:22:56
    Bagaimana cara meningkatkan
  • 00:22:58
    apa kehadiran ya biar tidak banyak
  • 00:23:02
    terlambat dan tidak banyak pulang cepat
  • 00:23:04
    nah muncullah sebuah rule aturan-aturan
  • 00:23:07
    dari yang mengatur apa kedatangan
  • 00:23:12
    atau jam kerjanya Italy itu contoh dari
  • 00:23:16
    modelnya kemudian ada korelasi NATO
  • 00:23:19
    hubungan Nah setelah muncul rule jadi
  • 00:23:22
    atau model tadi kemudian diterapkan
  • 00:23:26
    ganda Dian diterapkan mudah dievaluasi
  • 00:23:29
    Nah
  • 00:23:31
    misalkan contohnya evaluasi kinerja itu
  • 00:23:35
    dengan akurasi kemudian tingkat error
  • 00:23:37
    error gitu ya kemudian jumlah Cluster
  • 00:23:39
    kemudian modelnya seperti apa Apakah
  • 00:23:42
    terwujudnya sudah cocok ataukah kurang
  • 00:23:45
    gede atau faktor-faktor yang membentuk
  • 00:23:47
    Rul mau tadi adalah sudah cocok apa ndak
  • 00:23:50
    itu yang kemudian korelasi dan bau
  • 00:23:52
    Buatlah Maksudnya apa ini teman-teman
  • 00:23:54
    ada evaluasi tadi kan Contohnya apa eh
  • 00:23:58
    data-hk ganjaran pegawai ketika
  • 00:24:02
    data presensi tadi atau keadilan sudah
  • 00:24:05
    direkap menjadi informasi muncul pola
  • 00:24:09
    kemudian muncul pengetahuan menjadi
  • 00:24:12
    apa tadi
  • 00:24:14
    kebijakan-kebijakan tadi diterapkan
  • 00:24:16
    itulah ketika sudah diterapkan
  • 00:24:19
    biasakan dalam satu bulan nah ini Adakah
  • 00:24:23
    perubahannya gitu ya antara yang belum
  • 00:24:25
    ada kebijakan penataan jam kerja dengan
  • 00:24:29
    yang sesudah penataan jam kerja apakah
  • 00:24:32
    banyak yang masih terlatak gitu ya
  • 00:24:35
    ataukah banyak yang masih
  • 00:24:38
    pulang lebih awal di hari Hai yang
  • 00:24:42
    contohnya tadi Nah itu
  • 00:24:44
    dievaluasi misalkan ketika sudah bagus
  • 00:24:48
    Opera tidak bagus ini misalkan dari
  • 00:24:50
    Senen ternyata sudah berkurang udah
  • 00:24:53
    mulai berkurang yang eh apa
  • 00:24:56
    datang terlambat nya hari Jumat yang
  • 00:24:59
    sudah mulai berkurang yang eh apa
  • 00:25:02
    namanya
  • 00:25:03
    pulang lebih awal lah berarti itu
  • 00:25:06
    kemungkinan lebih sudah bagus sudah
  • 00:25:08
    tepat apa namanya
  • 00:25:10
    model yang dibentuk atau kebijakan yang
  • 00:25:14
    dikeluarkan
  • 00:25:15
    ya Nah kemudian misalkan ternyata ketika
  • 00:25:21
    satu dan diterapkan ternyata
  • 00:25:24
    eh masih di hari Senin itu ternyata
  • 00:25:28
    masih banyak yang
  • 00:25:31
    terlambat atau di hari Jumat masih
  • 00:25:34
    banyak yang pulang cepat dapat tidak
  • 00:25:36
    dievaluasi ya kalau masih kira-kira nih
  • 00:25:39
    Apa yang menentukan ide apa yang Hai nah
  • 00:25:42
    berpengaruh karena kebijakan sudah ada
  • 00:25:45
    diterapkan ternyata polanya masih tetap
  • 00:25:48
    kalau misalkan seperti ya Apakah nanti
  • 00:25:51
    apa
  • 00:25:53
    dirubah apa namanya
  • 00:25:56
    apa aturannya lagi atau gimana tuh nanti
  • 00:25:59
    dievaluasi nah nah kemudian teman-teman
  • 00:26:04
    Eh
  • 00:26:05
    sekarang adalah apa nih
  • 00:26:09
    ilmu pengetahuan atau ilmu-ilmu yang
  • 00:26:11
    berkaitan dengan data mining tentu ada
  • 00:26:15
    di sini kecerdasan buatan
  • 00:26:17
    kemudian ada machine-learning kenapa ada
  • 00:26:20
    mesin berenang di sini Yang jelas di
  • 00:26:22
    sini nanti didata mening itu
  • 00:26:25
    menerapkan konsep mesin learning Ya
  • 00:26:28
    kemudian ada statistik statistik ini
  • 00:26:31
    dari ilmu matematika ya m atematika
  • 00:26:33
    statistik ini adalah nya akan menghitung
  • 00:26:36
    mengolah atau memproses data-data yang
  • 00:26:38
    ada
  • 00:26:40
    kemungkinan dapat recognition lemon
  • 00:26:43
    bukan pola ini dia nah kemudian
  • 00:26:47
    eh
  • 00:26:49
    datamining itu hasil data main yang itu
  • 00:26:52
    biasanya di bisa digunakan untuk bisnis
  • 00:26:54
    internet channel atau untuk oh paya
  • 00:26:57
    membuat bisnis itu lebih bagus gitu ya
  • 00:27:00
    muat Proses bisnis bisnis itu lebih
  • 00:27:03
    bagus entah itu di perusahaan Restu
  • 00:27:05
    dibidang akademik entah itu di
  • 00:27:07
    eh perniagaan dan seterusnya kemudian
  • 00:27:10
    data analytics untuk menganalisa data
  • 00:27:13
    Kemudian untuk bisa mengolah Epic data
  • 00:27:17
    bisa sebagai decision support atau
  • 00:27:20
    opened The Spot itu eh membantu membuat
  • 00:27:25
    sebuah keputusan itu ya kemudian
  • 00:27:29
    bisa untuk customer relationship
  • 00:27:31
    management nah ini adalah apa
  • 00:27:37
    datamining atau hasil data mining itu
  • 00:27:39
    bisa digunakan di lima bidang Oh iya
  • 00:27:43
    nah kemudian
  • 00:27:45
    sebuah data mining itu atau apa tadi
  • 00:27:50
    bisnis intelijen nih bisnis intelijen
  • 00:27:53
    itu letak data mining dimana nah disini
  • 00:27:56
    dengan teman
  • 00:27:58
    detail di agak tengah-tengah ke atas
  • 00:28:01
    sini ya
  • 00:28:03
    awalnya ada sebuah data yang akan bisa
  • 00:28:06
    file-file laptopku Manda tapi dan
  • 00:28:09
    seterusnya kemudian di proses integrasi
  • 00:28:11
    dan seterusnya ini adalah yang menangani
  • 00:28:14
    adalah biasanya ada tapi saat Mister
  • 00:28:16
    aktor atau tetap bisa Enginer ya
  • 00:28:19
    kemudian
  • 00:28:21
    data exploration kemudian datamining
  • 00:28:24
    tetes Kursi ini membuat sebuah rangkuman
  • 00:28:26
    data metadata dan mendistribusikan data
  • 00:28:29
    yaitu biasanya dua tugas ini itu disebut
  • 00:28:34
    yang jalan adalah data science saya
  • 00:28:36
    sekarang lagi booming ya data sense
  • 00:28:38
    kemudian nasional Ning dan seterusnya
  • 00:28:40
    ada kmudian
  • 00:28:44
    atasan situ ya Ini tadi yang
  • 00:28:46
    mengharapkan datamining yang menerapkan
  • 00:28:48
    machine-learning menerapkan apa tadi
  • 00:28:51
    Eh Ilmu Statistik nah kemudian setelah
  • 00:28:55
    diolah ada hasilnya hasilnya kemudian
  • 00:28:58
    dipresentasikan atau dianalisa oleh
  • 00:29:00
    bisnis analis biasanya data analyst itu
  • 00:29:05
    biasanya sudah truk untuk dagang bisa
  • 00:29:07
    kasih Dokter bentuk pola murah tadi
  • 00:29:10
    Seperti contohnya tadi apa polanya
  • 00:29:12
    adalah a day hari Senin dan Jumat
  • 00:29:15
    ternyata seperti itu oleh kehadirannya
  • 00:29:17
    Allah nanti di didata meninju
  • 00:29:19
    visualisasikan dengan ribuan data tadi
  • 00:29:21
    visualisasinya Seperti apa polanya
  • 00:29:23
    Seperti apa nanti cocoknya Seperti apa
  • 00:29:26
    untuk membuat sebuah kebijakan itu ya
  • 00:29:28
    aku mudian ada and you Sheren disuruh
  • 00:29:31
    yang membuat sebuah kebijakan dari pola
  • 00:29:33
    yang ada di pola kemudian pengetahuannya
  • 00:29:36
    apa menjadi sebuah kebijakan lah ini
  • 00:29:39
    adalah untuk Inggris impotensi harus to
  • 00:29:43
    support business Edition adalah untuk
  • 00:29:45
    meningkatkan
  • 00:29:47
    upaya kinerja sebuah bisnis atau
  • 00:29:50
    mendekatkan bisnis intelijen dari sebuah
  • 00:29:53
    data yang anda itu menggunakan
  • 00:29:56
    proses-proses tadi teman-teman jadi
  • 00:29:59
    letak data mining di sini ya biasanya
  • 00:30:02
    dijalankan oleh data science di sini ya
  • 00:30:04
    tetap sense
  • 00:30:05
    Nah sekarang kita masuk ke
  • 00:30:09
    eh apa temen-temen
  • 00:30:12
    contoh sekaligus perbedaan antara sistem
  • 00:30:16
    yang menggunakan data maning dan yang
  • 00:30:19
    tidak menggunakan data mining Nah
  • 00:30:22
    misalkan Sutini ada sistem informasi
  • 00:30:25
    akademik ya atau siaga Ketika saya
  • 00:30:29
    mencari nama Pamungkas misalkan jaket
  • 00:30:32
    tersebut muncul data-data atau
  • 00:30:34
    profil-profil mahasiswanya
  • 00:30:37
    misalkan di sini jumlah semesternya ya
  • 00:30:40
    kan sudah Hai berapa semester dia lalui
  • 00:30:44
    terus kode matakuliah yang diampu dapat
  • 00:30:48
    Kenapa aja mata kuliah yang dia dapatkan
  • 00:30:50
    aja apa aja ketiak jumlah SKS nya berapa
  • 00:30:52
    yang sudah ditempuh kemudian data
  • 00:30:54
    biografinya dan seterusnya itu kalau
  • 00:30:57
    tanpa ada proses atau tanpa
  • 00:31:01
    mengimplementasikan datamining nah
  • 00:31:03
    Bedanya apa dengan siakad yang
  • 00:31:05
    mengimplementasikan datamining ya
  • 00:31:08
    misalkan
  • 00:31:08
    suatu Siakad tadi sudah menerapkan
  • 00:31:12
    konsep data mining jadi Siakad tadi yang
  • 00:31:16
    sudah ada data maining ya to the Hanya
  • 00:31:19
    seperti ini data yang di apa yang
  • 00:31:21
    ditampilkan teman-teman ya misalkan Da
  • 00:31:24
    ada tambahan selain biografi atau data
  • 00:31:27
    pribadi mahasiswa atau profil mahasiswa
  • 00:31:30
    kemudian history apa nih perkuliahannya
  • 00:31:33
    ketiak pernyataan dari situ muncul
  • 00:31:37
    prediksi kelulusan kira-kira dengan
  • 00:31:40
    history data sensus ini
  • 00:31:43
    dilindungi ladans m dan juga mata clean
  • 00:31:46
    diambil serta muncul ke prediksi
  • 00:31:48
    kelulusan misalkan Pamungkas Ini
  • 00:31:52
    kemungkinan lulus tepat waktu atau tidak
  • 00:31:54
    Dia kemudian muncul si Pamungkas ini ya
  • 00:31:59
    kan si Pamungkas itu dia masuk ke bidang
  • 00:32:02
    natapa misalkan
  • 00:32:05
    bidang minat Jakarta apakah dia masuk
  • 00:32:08
    kejaringan
  • 00:32:09
    kemudian atau kepiye Midea programming
  • 00:32:14
    bab atau desktop atau yang lain Nah
  • 00:32:17
    dengan munculnya bidang Nah tadi itu
  • 00:32:19
    bisa direkomendasikan tuh menjadi sebuah
  • 00:32:22
    topik skripsi misalkan tipe muka sini Oh
  • 00:32:25
    ternyata dengan data yang nilai-nilai
  • 00:32:28
    yang sudah ada diolah kemudian kamu
  • 00:32:32
    Ternyata
  • 00:32:33
    nilai-nilainya itu
  • 00:32:35
    tinggi dibidang matakuliah yang eh apa
  • 00:32:39
    yang mengandung unsur jaringan misalkan
  • 00:32:41
    cara mengobati topik skripsinya yang
  • 00:32:43
    cocok untuk jaringan nah seperti itu ya
  • 00:32:46
    atau silakan eh nilai-nilainya dari pola
  • 00:32:50
    datanya ternyata ini cocok maem Dia
  • 00:32:54
    masuk ke bidang game pasti nanti
  • 00:32:57
    direkomendasikan ke topik skripsi game
  • 00:33:00
    edya itu contoh
  • 00:33:04
    Apa contoh dan juga perbandingan antara
  • 00:33:08
    sistem yang menggunakan data mining ya
  • 00:33:12
    data mining dan non tetap Mini Nah
  • 00:33:15
    contoh lain yang teman-teman
  • 00:33:18
    misalkan aplikasi penjualan HP aplikasi
  • 00:33:20
    penjualan konvensional biasanya akan
  • 00:33:23
    seperti ini ya rekap transaksi akan
  • 00:33:25
    setiap pekan setiap bulan setiap tahun
  • 00:33:28
    lalu direkap Apakah dalam bulan ini atau
  • 00:33:31
    Minggu ini untung-rugi atau benda
  • 00:33:33
    kemudian stok barangnya Seperti apa Nah
  • 00:33:35
    ketika sudah diem-diem racikan
  • 00:33:38
    datamining itu bisa dibuat ada
  • 00:33:40
    informasi-informasi atau dataran Hai
  • 00:33:41
    dimunculkan gitu ya misalkan disini
  • 00:33:45
    tidak hanya membuat sebuah rekap
  • 00:33:48
    Transaksi untung-rugi dan stok barang
  • 00:33:51
    ternyata didalam sebuah aplikasi
  • 00:33:54
    penjualan penjualan misalkan saya
  • 00:33:56
    sebagai penjual karya punya sistem
  • 00:33:58
    berarti di dalam sistem itu Muncul itu
  • 00:34:01
    disitu prediksi stok barang
  • 00:34:04
    seakan dalam bulan Januari penjualan
  • 00:34:07
    seperti ini kemudian
  • 00:34:09
    bulan Februari kira-kira prediksi stok
  • 00:34:13
    barangnya yang harus dibeli banyak dan
  • 00:34:15
    harus dibeli sedikit barang apa aja biar
  • 00:34:19
    apa ambil tidak mubazir gitu ya misalkan
  • 00:34:22
    penjualannya a sebelumnya kita belum
  • 00:34:25
    tahu itu sebelumnya kita belum tahu
  • 00:34:27
    bahwasanya
  • 00:34:28
    Yang penting setiap gula misalkan stok
  • 00:34:31
    barang Akita melihat au kulaan Berapa
  • 00:34:34
    100 gitu ya barang b satu 100 semuanya
  • 00:34:38
    Ternyata banyak yang tidak laku Nah
  • 00:34:40
    dengan data disebut bisa diolah kemudian
  • 00:34:45
    this bisa untuk membuat sebuah informasi
  • 00:34:49
    prediksi bahwasanya bulan depan yang
  • 00:34:52
    harus dibeli banyak adalah Jangan a&d
  • 00:34:55
    memberi sedikit misalkan dengan satuan
  • 00:34:58
    seperti itu seakan b dan c dan
  • 00:35:00
    seterusnya Supaya apa nanti bisa tidak
  • 00:35:02
    mubazir tadi Nah bisa juga untuk
  • 00:35:05
    memprediksi keuntungan nah kira-kira
  • 00:35:07
    bulan depan ini
  • 00:35:10
    saya untuk berapa ya untung atau rugi Ya
  • 00:35:13
    itu bisa mengestimasi juga estimasi
  • 00:35:16
    nanti kira-kira keuntungannya berapa ya
  • 00:35:19
    kemudian bisa untuk penataan barang
  • 00:35:22
    gerak-gerak penataan barang cocok untuk
  • 00:35:24
    apa itu ya Desa akan barang Apakah dekat
  • 00:35:27
    dengan barang b bareng pihak harus dekat
  • 00:35:30
    dengan barang c dan seterusnya itu
  • 00:35:31
    contoh penerapan data mining di aplikasi
  • 00:35:35
    penjualan contoh yang lain teman-teman
  • 00:35:37
    misalkan yang sekarang yang lagi hit ini
  • 00:35:41
    goyang kita yang masih dalam masa Pendem
  • 00:35:43
    ini ya dan semoga Insyaallah kedepannya
  • 00:35:46
    menjadi endemi dan bebas dari
  • 00:35:49
    office dilihat
  • 00:35:51
    dari data harian
  • 00:35:53
    [Musik]
  • 00:35:55
    8k toko Fit 19 misalkan Kemenkes membuat
  • 00:35:59
    sebuah rekapan seperti ini
  • 00:36:01
    ya Kemudian dari rekapan tersebut
  • 00:36:04
    ternyata bisa untuk menentukan
  • 00:36:07
    klastering atau pengelompokan lever ppkm
  • 00:36:10
    setiap daerah ya kemudian dengan cluster
  • 00:36:15
    yang tersebut tentunya ada sebuah
  • 00:36:17
    kebijakan yang muncul kita misalkan
  • 00:36:20
    darah-darah yang levelnya satu nanti
  • 00:36:22
    kebijakan Seperti apa level 2
  • 00:36:24
    kebijakannya Seperti apa dan seterusnya
  • 00:36:27
    ya misalkan level 3 uh harus nanti
  • 00:36:31
    GTM ditiadakan misalkan atau
  • 00:36:34
    pembelajaran tatap muka dikurangi
  • 00:36:36
    misalkan dan kemudian perkantoran eh
  • 00:36:39
    penemunya
  • 00:36:41
    Hai perkantoran harus berapa persen dan
  • 00:36:44
    seterusnya ketika itu sebagai pijakan
  • 00:36:46
    kemudian dak cluster-cluster yang umur
  • 00:36:48
    pasien misalkan di sini
  • 00:36:50
    eh apa ternyata 50% lebih yang
  • 00:36:55
    terinfeksi office misalkan udah
  • 00:36:59
    apa namanya
  • 00:37:00
    yang mempunyai
  • 00:37:03
    eh gejala berat ternyata
  • 00:37:06
    yang kompor big aku mudah mempunyai apa
  • 00:37:10
    nomor budaya mempunyai
  • 00:37:12
    eh sakit bahwa Anita misalkan diabetes
  • 00:37:16
    dengan begitu dengan data tadi kan bisa
  • 00:37:20
    membuat sebuah ke
  • 00:37:22
    kebijakan gitu ya berarti yang harus
  • 00:37:25
    dipercepat vaksinasinya harus yang punya
  • 00:37:28
    komorbid atau yang punyai
  • 00:37:30
    diabetes Misalkan seperti itu
  • 00:37:33
    kemudian eh contoh lagi untuk prediksi
  • 00:37:37
    jumlah pasien akhirnya kapal ini dengan
  • 00:37:41
    data nada dengan trend yang ada seperti
  • 00:37:43
    ini yang tidak puncaknya Seperti apa ya
  • 00:37:47
    pundaknya seperti apa puncaknya itu
  • 00:37:50
    kapan gua bukan seperti apa Kapan ini
  • 00:37:52
    puncaknya ini er secure yang yang yang
  • 00:37:54
    baru-baru ini kan
  • 00:37:56
    Palace varian omicron gitu ya di
  • 00:37:59
    Puncaknya kapan mulai bahwa deteksi
  • 00:38:02
    bulan berapa tanggal berapa kemudian di
  • 00:38:05
    dianalisa dengan
  • 00:38:07
    tepat trend dari negara-negara lain bisa
  • 00:38:10
    diprediksi itu kira-kira Puncaknya kapan
  • 00:38:13
    ya kalau kemarin pemerintah sudah
  • 00:38:15
    memprediksikan puncaknya adalah antara
  • 00:38:18
    februari-maret kemudian
  • 00:38:21
    nanti Maret mulai melandai kebaya itu
  • 00:38:25
    itu memang apa teman-teman
  • 00:38:28
    didasarkan data yang anda dianalisa
  • 00:38:31
    diolah lebih jadi ilmiah bukan
  • 00:38:33
    ujung-ujung kunanti meret akan hilang oh
  • 00:38:37
    nanti meretakkan naik dan seterusnya
  • 00:38:39
    kreatif dasar ilmiah Nah contoh
  • 00:38:42
    penerapan yang lain itu ada
  • 00:38:45
    misalkan di sini kalau temen-temen
  • 00:38:47
    pernah apa namanya
  • 00:38:49
    membeli barang di commerce itu ya entah
  • 00:38:54
    itu bukanlah peti kupu Tokopedia atau
  • 00:38:56
    yang lain Nah itu ada asosiasi
  • 00:38:59
    atau aturan asosiasi yang diterapkan
  • 00:39:02
    aturan asosiasi itu apa terkena teman
  • 00:39:05
    nah keterkaitannya keterkaitan
  • 00:39:07
    keterkaitan dari yang terbentuk dari
  • 00:39:10
    pola apa
  • 00:39:12
    pembeli membela pembeli yang membeli
  • 00:39:16
    suatu barang
  • 00:39:17
    contohnya gini kenapa seperti itu enggak
  • 00:39:20
    contohnya gini teman-teman kalau
  • 00:39:21
    misalkan teman-teman membeli misalkan
  • 00:39:23
    buku algoritma pemograman dengan harga
  • 00:39:26
    sekian tentu Sabtu orang itu karena akan
  • 00:39:30
    banyak pembelinya teman-teman memisahkan
  • 00:39:31
    ada tombol isian membeli buku algoritma
  • 00:39:35
    pemrograman ternyata pembesian tadi
  • 00:39:38
    membeli buku lain yang
  • 00:39:41
    dan apa bidang lain misalkan
  • 00:39:44
    jagan apa ya Oh ada orang sih ada di
  • 00:39:49
    mulai buku al-qur'an 20 dasar kemudian
  • 00:39:52
    membeli lagi tentang paytren ada lagi
  • 00:39:55
    yang membeli algoritma dengan
  • 00:39:57
    logika pemrograman dan seterusnya
  • 00:39:59
    data-data tadi itu mereka menjadi sebuah
  • 00:40:02
    pola dengan menjadi sebuah
  • 00:40:04
    kebijakan-kebijakan tadi itu berdasarkan
  • 00:40:06
    laporan Tadi datanya datanya berdasarkan
  • 00:40:09
    Yang ini tadi khan data yang datang di
  • 00:40:13
    dari berdasarkan kebiasaan pembeli
  • 00:40:15
    kemudian ketika teman-teman tidak sadar
  • 00:40:19
    gitu ya ke ketika mau dicoba e-commerce
  • 00:40:21
    dibawakan pasti ada
  • 00:40:23
    produk yang direkomendasikan yaitu ya
  • 00:40:26
    lah yang direkomendasikan ini adalah
  • 00:40:28
    produk-produk yang biasanya ia biasanya
  • 00:40:31
    orang beli gitu ya orang-orang pilih
  • 00:40:34
    yang sama-sama konsepnya gitu Ini dari
  • 00:40:36
    kebiasaan pembeli nomor temen ya mungkin
  • 00:40:40
    teman-teman belum Sandoro kok kok
  • 00:40:41
    merekomendasikan eh
  • 00:40:44
    sebuah barang yang topiknya sama atau
  • 00:40:48
    jenisnya sama atau jenisnya Mirip ya
  • 00:40:50
    ternyata itu ada aturannya teman-teman
  • 00:40:52
    ada ilmunya ya
  • 00:40:55
    kemudian contoh lagi Eh
  • 00:40:59
    untuk brand dokumen rekomendasi video
  • 00:41:02
    pada YouTube berdasarkan kebiasaan
  • 00:41:03
    pengguna yang misalkan
  • 00:41:06
    temen-temen
  • 00:41:08
    membiasa
  • 00:41:09
    memapah mendengarkan lagu atau melihat
  • 00:41:12
    video-video
  • 00:41:14
    music-youtube pasti dipilih kita itu
  • 00:41:17
    direkomendasikan channel-channel yang
  • 00:41:19
    apa namanya channel-channel yang berbau
  • 00:41:22
    musik itu ya menyajikan musik dan
  • 00:41:25
    seterusnya itu
  • 00:41:26
    ada ilmunya tepat menjadi bisa
  • 00:41:29
    dipelajari Oke Mbak temen-temen itu saja
  • 00:41:34
    yang bisa saya sampaikan Insyaallah di
  • 00:41:38
    video selanjutnya kita akan berbicara
  • 00:41:41
    data mining lebih ke teknis gitu Ya baik
  • 00:41:45
    teman-teman Semoga teman-teman dapatkan
  • 00:41:48
    ilmu yang bermanfaat dan berkah Dari
  • 00:41:51
    video ini ada kurang lebihnya saya mohon
  • 00:41:54
    maaf Sjafri Assalamualaikum
  • 00:41:55
    warahmatullahi wabarakatuh
الوسوم
  • data mining
  • information technology
  • data
  • knowledge extraction
  • data analysis
  • business intelligence
  • pattern recognition
  • machine learning
  • statistical analysis
  • decision-making