bds spatial data mining

Modul 4 Basis Data Spasial 1

MODUL 4 SPATIAL DATA MINING Pengantar Data mining juga popular disebut dengan knowledge discovery from data

(KDD)merupakan ekstrasi otomatis dari pola-‐pola mewakili pengetahuan

implisit yang disimpan dan tertangkap dalam suatu basis data besar, gudang

data, web, data stream atau repository informasi masif yang lain. Data mining

merupakan bidang multidisiplin yang melibatkan berbagai area kerja seperti

teknologi basis data, mesin pembelajaran, statistic, pengenalan pola, pencarian

informasi, jaringan saraf, sistem berbasis pengetahuan, kecerdasan buatan,

komputasi berkinerja tinggi dan visualisasi data.

Tahapan Data Mining

Langkah-‐langkah yang terlibat dalam data mining bila dilihat sebagai proses

penemuan pengetahuan adalah sebagai berikut :

• Pembersihan data, yaitu suatu proses untuk menghilangkan atau

mengubah data yang rusak dan data yang tidak konsisten

• Integrasi data, yaitu tahap dimana beberapa sumber data dapat

dikombinasikan

• Seleksi data, yaitu tahap dimana memilih data yang relevan dengan tugas

analisis yang diambil dari basis data

• Transformasi data, merupakan suatu tahap dimana data diubah atau

dikonsolidasikan ke dalam bentuk yang sesuai untuk mining

• Data mining, merupakan proses penting dimana metode yang cerdas dan

efisien diterapkan untuk mengekstrak pola

• Evaluasi pola, merupakan tahap dimana dilakukan suatu proses untuk

mengidentifikas pola yang benar-‐benar menarik untuk mewakili

pengetahuan berdasarkan beberapa kriteria dan tindakan ketertarikan.

2 Modul 4 Basis Data Spasial

• Presentasi pengetahuan, dimana visualisasi dan teknik representasi

pengetahuan digunakan untuk menyajikan pengetahuan yang telah

ditambang kepada pengguna.

Seperti yang telah disampaikan pada pertemuan sebelumnya, bahwa manfaat

data mining dalam kebutuhan bisnis adalah sebagai berikut : Suatu toserba

dapat menggunakan data mining untuk membantu kampanye pemasaran target.

MDengan menggunakan fungsi data mining seperti asosiasi, toko dapat

menggunakan aturan asosiasi untuk menentukan produk yang dibeli oleh suatu

kelompok pelanggan yang mungkin akan mengarahkan kepada pembelian

produk tertentu lainnya. Dengan infromasi ini, toko bisa mengirimkan materi

pemasaran hanya untuk tipe pelanggan tersebut yang menunjukkan

kemungkinan besar untuk membeli produk tambahan. Analisis statistic

sederhana tidak dapat menangani sejumlah besar data seperti data pelanggan di

suatu department store.

Fungsi Data Mining

Data mining memiliki beberapa fungsi sebagai berikut :

• Characterization, merupakan ringkasan dari karakteristik umum atau

fitur dari kelas target data. Misalnya saja profil dari semua mahasiswa

ITech tahun pertama yang memiliki IPK tinggi.

• Discrimination, merupakan perbandingan fitur umum dari sasaran obyek

kelas data dengan fitur umum dari satu atau sekumpulan kelas yang

berlawanan. Misalnya, fitur umum dari mahasiswa dengan IPK tinggi bisa

dibandingkan dengan fitur umum dari mahasiswa dengan IPK yang

rendah.

• Association, merupakan penemuan aturan sosiasi yang menampilkan

kondisi nilai atribut yang sering terjadi bersama-‐sama dalam satu set

data. Misalnya suatu sistem data mining menemukan aturan asosiasi

seperti

𝑚𝑎𝑗𝑜𝑟 (𝑋,teknik informatika)⇒ memiliki (X, 𝑘𝑜𝑚𝑝𝑢𝑡𝑒𝑟𝑝𝑟𝑖𝑏𝑎𝑑𝑖") [𝑠𝑢𝑝𝑝𝑜𝑟𝑡 =

12%, 𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = 98%


Dimana X merupakan variable yang mewakili mahasiswa. Aturan

mengindikasikan bahwa mahasiswa yang masih kuliah, 12 %(support) di

Teknik Informatika dan memiliki computer pribadi. Terdapat probabilitas

98% (confidence, atau kepastian) bahwa mahasiswa dalam grup ini

memiliki computer pribadi.

• Classification, membangun suatu set model (atau fungsi) yang

menggambarkan dan membedakan kelas data atau konsep. Klasifikasi

digunakan untuk memprediksi label kelas dari obyek data.

• Clustering, menganalisis obyek data tanpa berhubungan dengan label

kelas yang diketahui. Obyek-‐obyek dikelonpokkan berdasarkan

prinsipmemaksimalkan kesamaan intraclass dan meminimalkan

kesamaan interclass. Setiap cluster yang terbentuk dapat dilihat sebagai

kelas obyek. Clustering juga dapat memfasilitasi pembentukan taksonomi,

yaitu pengamatan organisasi ke dalam hierarki kelas ke dalam kelompok

yang serupa.

• Data evolution analysis, mendeskripsikan evolusi dan keteraturan model

atau kecenderungan untuk obyek yang perilakunya berubah seiring

waktu, meskipun mungkin termasuk dalam characterization,

discrimination, association, classification, atau clustering data yang

berhubungan dengan waktu. Fitur yang berbeda dari analisis tersebut

meliputi analisis data berdasarkan waktu, urutan atau pencocokan pola

secara periodic, dan kesamaan berbasis analisis data.

Konsep Data Mining Spasial

Data mining spasial adalah penerapan metode data mining untuk data spasia.

Data mining spasial memiliki fungsi yang sama dengan data mining dalam basis

data relasional, namun memiliki tujuan akhir untuk menemukan suatu pola

dalam geografi. Bisa dikatakan bahwa Data Mining Spasial meruupakan proses

untuk menemukan pola non trivia yang menarik dan berguna dari data set

spasial yang besar.


Komponen dari Data Mining , sebagai berikut :

• Input, merupakan tabel dengan beberapa kolom yang merupakan domain

o Data, terdiri atribut spasial dan non spasial

o Hubungan antara data, bisa secara spasial dan non spasial.

Hubungan data non spasial, misalnya secara ranking, aritmetik dan

biasanya eksplisit. Hubungan data spasial biasanya implisit, dan

berdasarkan beberapa kategori seperti set-‐oriented (union,

intersection, membership, dan sebagainya), topological (meet,

within, overlap,dsb), directional (left, above, behind, North, dsb).

Metric (jarak, arah, perimeter,dsb), dinamis (update, create, dsb),

serta berdasarkan bentuk dan visibilitas.

• Dasar Statistik

• Output, merupakan ukuran ketertarikan dan pola

• Proses komputasi, merupakan algoritma yang digunakan

Menurut Kriegel, perbedaan utama antara data mining dalam basis data

relasional dengan data mining dalam basis data spasial adalah bahwa atribut

dari beberapa objek yang menarik dari tetangga mungkin memiliki pengaruh

pada obhek dank arena itu harus dipertimbangkan juga. Lokasi yang eksplisit

dan perluasan objek spasial juga mendefinisikan hubungan implisit dari

lingkungan spasial, seperti topologi, hubungan jarak dan arah yang digunakan

oleh algortima data mining spasial. Oleh karena itu,, teknik baru sangat

diperlukan untuk data mining yang efektif dan efisien.

Sebagai contoh, suatu tanaman industri baru dapat mencemari lingkungan yang

tergantung pada jarak dan arah utama angina. Perhatikan Gambar 1. Gambar

tersebut memperlihatkan peta yang digunakan dalam penilaian lokasi yang

mungkin dapat digunakan untuk industry tanaman baru.. Peta menunjukkan tiga

daerah dengan derajat yang berbeda polusi (ditandai dengan warna yang

berbeda) yang disebabkab oleh industri tanaman yang direncanakan. Selain itu,

gambar tersebut juga menunjukkan obyek lain yang dipengaruhi, seperti

masyarakat dan hutan.


Dalam ruang spasial terdapat tiga hubungan biner, yaitu topologi, jarah dan

hubungan arah. Objyek spasial dapat berupa titik (point) atau obyek spasial yang

diperpanjang, seperti garis, polygon atau polyhedron. Obyek spasial yang

diperpanjang dapat diwakili oleh satu set point pada permukaannya. Sebagai

contoh oleh titik yang terkandung dalam obyek, seperti piksel dari suatu obyek

dalam citra raster (representasi raster). Oleh karena itu, kita dapat

menggunakan set titik sebagai representasi generic spasial obyek.

Hubungan topologi (topological relations) adalah hubungan yang invariant

dalam transformasi topologi, yaitu jika kedua obyek diputar (dirotasikan),

diterjemahkan, atau ditingkatkan secara bersamaan. Perhatikan ilustrasi

berikut. Suatu hubungan topologi antara dua obyek A dan B, berasal dari

Sembilan persimpangan dari batas-‐batas dalan melengkapi satu sama lain.

Hubungan tersebut adalah : A disjoint B, A meets B, A overlap B, A equals B, A

covers B, A covers B, A covered by B, A contains B, A inside B, dan sebagainya

Hubungan jarak (distance relations) adalah hubungan yang membandingkan

jarak duaobyek secara konstan dengan menggunakan salah satu operator

aritmatika. Sebagai contoh, jika dist adalah fungsi jarak, dan σ menjadi salah satu

predikat aritmatika <,> atau = , jika c merupakan bilangan real serta A dan B

merupakan obyek spasial : A,B ∈ 2 titik. Maka hubungan jarak A distance σ c B

,holds iff dist (A,B) σ c.

Untuk definisi arah,perhatikan ilustrasi berikut :

Jika rep (A) menjadi wakil dari obyek A, maka

B northeast A terjadi, iff ∀ b ∈B: bx ≥ 𝑟𝑒𝑝 𝐴 ! ∧ 𝑏! ≥ 𝑟𝑒𝑝 (𝐴)!

Dimana southeast, southwest dan northwest didefinisikan secara analog

Beberapa Fungsi Data Mining Spasial

Clustering adalah tugas pengelompokan obyek-‐obyek basis data ke dalam sub

class bermakna yaitu cluster, sehingga anggota cluster yang sama menjadi


semirip mungkin, sedangkan anggota kelompok yang berbeda cluster, memiliki

perbedaan sebanyak mungkin. Aplikasi pengelompokkan atau clustering dalan

basis data spasial misalnya deteksi kesalahan seismic oleh grup. Ilustrasi ini

menggunakan dua filter predikat yang berbeda dalam entri suatu katalog gempa

atau menciptakan peta tematik di sistem informasi geografis dengan

mengelompokkan fitur.

Characterizing merupakan tugas untuk menemukan dekripsi yang ringkas untuk

subses yang dipilih (target yang ditetapkan) dari basis data. Suatu karakterisasi

spasial adalah deskripsi dari sifat spasial dan non spasial yang khas untuk obyek

sasaran tetapi tidak untuk seluruh basis data. Frekuensi related dari nilai atribut

non-‐spasial dari jenis obyek berbeda digunakan sebagai sifat yang menarik.

Misalnya jenis obyek berbeda dalam basis data geografis adalah masyarakat,

gining, danau, jalan raya, rel kereta api, dan sebagainya. Untuk mendapatkan

karakterisasi spasial, tidak hanya property dari obyek target yang dinilai, tetapi

juga sifat-‐sifat tetangga mereka (sampai jumlah maksimum edge yang diberikan

dalam grafik lingkungan relevan) juga dianggap.

Deteksi tren spasial merupakan perubahan biasa dari satu atau lebih atribut

non-‐spasial ketika bergerak menjauh dari yang diberikan pada objek o.

Lingkungan jalur mulai dari o digunakan untuk model gerakan dan analisis

regeresi dilakukan pada nilai atribut masing-‐masing untuk objek dari jalan

tetangga untuk menggambarkan keteraturan perubahan. Untuk regresi, jarak

dari o adalah variable independen dan perbedaan dari nilai atribut merupakan

variable dependen untuk regresi. Korelasi nilai atribut yang diamati dengan

nilai-‐nilai diprediksi oleh regresi fungsi menghasilkan ukuran kepercayaan

untuk menemukan tren.

Contoh Penggunaan Data Mining Spasial

Beberapa organisasi di USA yang menggunakan data mining spasial antara lain :

• NASA Earth Observing System (EOS) : digunakan untuk menambang data

ilmu bumi


• US National Intitute of Justice : digunakan untuk memetakan criminal

• US Census Bureau, Departement of Commerce : digunakan untuk

mensensus data

• US Departement of Transportation (DOT) : digunakan untuk menambah

data lalu lintas.

• US National Institute of Health (NIH) : digunakan untuk mengelompokkan

penyebaran kanker.

Tantangan dalam Data Mining Spasial

Miller dan Han (2001) menyampaikan beberapa tantangan yang dihadapi

sekaligus kebutuhan dalam penelitian dan pengembangan Data Mining Spasial

yaitu :

• Mengembangkan dan mendukung gudang data geografis (Geographic

Data Warehouse); sifat spasial biasanya sering direduksi menjadi atribut

non spasial sederhana dalam gudang data utama. Membuat gudang data

terpadu membutuhkan solusi dalam pemecahan masalah

interoperabilitas data spasial dan temporal, termasuk perbedaan

semantic, sistem referensi, geometri, akurasi dan posisi.

• Representasi spatio-‐temporal yang lebih baik dalam penemuan

pengetahuan geografis; metode penemuan pengetahuan geografis saat ini

umumnya menggunakan representasi obyek geografis dan hubungan

spasial yang sangat sederhana. Metode data mining geografis harus

mengenali obyek geografis yang lebih kompleks (seperti garis dan

polygon) dan hubungan (jarak non-‐Euclidean, arah, konektivitas dan

interaksi yang dibentuk ruang geografis seperti daerah).Waktu juga harus

lebih terintegrasi ke dalam hubungan dan representasi geografis.

• Penemuan pengetahuan geografis menggunakan beragam jenis fata;

metode penemuan pengetahuan geografis harus dikembangkan untuk

dapat menangani beragam jenis data di luar model raster dan vector

tradisional, termasuk citra, multimedia berbasis geografis, serta data tipe

dinamis (seperti animasi dan video stream).


Referensi :

Ester, Martin, Hans-‐Peter Kriegel and Jorg Sander. 1999. Knowledge Discovery in

Spatial Databases. Paper at German Conferences on Artificial Intelligence.

Germany.

Miller, H. and Han, J., (eds.), 2001, Geographic Data Mining and Knowledge Discovery, (London: Taylor & Francis)

bds spatial data mining

Data & Analytics

Transcript of bds spatial data mining