Visuallisasi Data Mining
Transcript of Visuallisasi Data Mining
Nama : PUJI DINDA SARTIKA
Nim : 10508681Kelas : Mi 14
“TUGAS VISUALISASI DATA”
1. Visuallisasi Data Mining
Visualisasi : penggunaan grafik komputer untuk menciptakan gambaranvisuil yang membantu pemahaman yang ruwet, penyajian presentasi data yang kokoh.
Visualisasi Data mining : proses menemukan kandungan yang tersembunyi
dapat menjadi pengetahuan yang bermanfaat
khususnya dari data yang besar dengan
menggunakan teknik visualisasi.
1.1 Tujuan visualisasi
Adapun tujuan dari visualisasi yaitu :
Memperoleh masukan ruang informasi dengan mempetakan data ke
dalam grafis sederhana
Menyediakan ikhtisar yang kwalitatif dari data yang besar
Mencari contoh pola, kecenderungan, struktur, ketidakteraturan,
hubungan antar data.
Bantuan untuk menemukan daerah menarik dan parameter yang
pantas untuk analisis kuantitatif lebih lanjut.
Menyediakan suatu bukti yang visuil tentang memperoleh penyajian
computer
1.2 Pengintegrasian dari visualisasi data mining
Visualisasi data
Hasil Visualisasi data mining
Proses visualisasi data mining
Visualisasi data mining yang interaktip
1.3 Visualisasi data
Data dalam database atau data gudang terlihat
Pada tingkat abstrak yang berbeda
Sebagai kombinasi yang berbeda tentang atribut atau dimensi
Data dapat dipersentasikan dalam berbagai format visual
1.4 Hasil Visualisasi Data Mining
Presentasi dari hasil atau pengetahuan yang diperoleh dari format
visual data mining.
Contoh : Menyebar alur cerita dan boxplots (yang diperoleh dari data
mining), Alur keputusan, Aturan Asosiasi, Kelompok, Asing, Aturan
disamaratakan
1.5 Representasi
Representasi adalah pemetaan informasi menjadi format visual Objek
data, atribut-atributnya dan relasi diantara objek-objek data
diterjemahkan ke dalam elemen grafis seperti titik, garis, bentuk-bentuk
tertentu dan warna.
Contoh : Objek-objek sering direpresentasikan sebagai titik Nilai atribut-
atributnya dapat direpresentasikan sebagai posisi dari titik-titik atau
karakteristik dari titik sebagai contoh warna, ukuran dan bentuk Jika posisi
di gunakan, maka relasi pada titik , apakah terbentuk dalam group atau
sebuah titik pencilan, dapat dengan mudah dilihat.
1.6 Penyusunan/Arrangement
Adalah penempatan elemen-elemen visual diantara, dapat membuat
perbedaan besar mengenai bagaimana mudahnya untuk memahami data.
1.7 Seleksi
Seleksi adalah : eliminasi atau penekanan kembali dari beberapa objek
tertentu dan atribut-atribut.
Seleksi juga merupakan pemilihan subset dari atribut
• Reduksi secara dimensi sering digunakan untuk mengurangi
jumlah dimensi menjadi 2 atau 3 dimensi
• Alternatifnya, sepasang atribut dapat dipertimbangkan
Seleksi dapat juga merupakan pemilihan subset dari objek
• Sebagian wilayah dari layar hanya dapat menunjukkan banyak
titik
1.8 Teknik Visualisasi Data
HISTROGAM
Menunjukkan distribusi nilai dari variabel tunggal.
- Histogram Tiga Dimensi
Menunjukkan distribusi gabungan nilai-nilai dari atribut
BOX PLOTS (Ditemukan oleh J. Tukey)
Merupakan cara alternatif untuk menggambarkan distribusi data
Boxplots dari Statsoft : Berbagai Combinasi Variabel
SCATTER PLOTS
Merupakan nilai-nilai atribut yang menentukan posisi.
Scatter Plot bisa terdiri dari 2 dimensi dan 3 dimensi. 2 Dimensi
yang paling sering digunakan. Atribut tambahan dapat
digambarkan dengan menggunakan ukuran, bentuk dan warna dari
tanda yang mewakili objek.
CONTOUR PLOTS
Berguna jika atribut kontinu diukur dengan garis karena membagi
ke dalam daerah-daerah yang nilainya sama.
MATRIX PLOTS
Menempatkan data matriks dan berguna pada saat objek diurut
menurut kelas. Atribut-atribut dinormalisasikan untuk mencegah
satu atribut dari dominasi plot.
PARALLEL COORDINATE
Menempatkan nilai atribut dari data dimensi tinggi. Nilai atribut
untuk setiap objek di-plot sebagai titik, dan titik tsb dihubungkan
dengan garis.
STAR PLOTS
Sama dengan Parallel Coordinate tetapi sumbu menyebar dari titik
tengah. Garis yang menghubungkan nilai dari objek disebut dengan
poligon.
CHERNOFF FACES (diciptakan oleh Herman Chernoff)
Berasosiasi dengan setiap atribut dengan karakteristik dari setiap
wajah. Nilai dari setiap atribut menentukan penampakan dari
hubungan karakteristik wajah. Setiap objek menjadi wajah yang
terpisah. Chernoff Faces ini tergantung pada kemampuan manusia
dalam membedakan beberapa wajah.