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.