KDD vs CRISP-DM vs SEMMA: Memilih Kerangka Proyek Data

KDD, CRISP-DM, dan SEMMA adalah tiga kerangka yang ngatur urutan kerja proyek data mining. Bedanya ada di seberapa jauh mereka nyentuh sisi bisnis dan seberapa detail mereka ngatur tahap teknis.

Buat mahasiswa, pilihan ini sering muncul di bab metodologi dan bikin bingung berhari-hari. Buat yang kerja, salah pilih kerangka bikin proyek berhenti di laptop analis tanpa pernah dipakai siapa pun.

Ini perbandingan tahap per tahap, plus contoh proyek koperasi yang aku pakai buat nunjukin bedanya.

Apa itu kerangka proyek data mining?

Kerangka proyek data mining adalah urutan tahap baku yang dipakai buat ngerjain proyek data dari awal sampai selesai. Fungsinya biar kamu tau apa yang harus dikerjain sekarang, apa yang belum, dan kapan boleh lanjut ke tahap berikutnya. Tanpa kerangka, proyek data gampang nyangkut di tahap ngulik data terus tanpa hasil.

Ketiganya lahir di paruh kedua 1990-an, waktu perusahaan mulai punya gudang data besar tapi belum punya cara kerja yang seragam.

Apa itu KDD dan apa saja tahapannya?

KDD singkatan dari Knowledge Discovery in Databases. Kerangka ini dirumuskan Fayyad, Piatetsky-Shapiro, dan Smyth pada 1996 sebagai proses akademis buat ngubah data mentah jadi pengetahuan. Data mining sendiri cuma satu tahap di dalamnya, bukan keseluruhan prosesnya.

Lima tahapnya:

1. Selection: milih data mana yang relevan sama pertanyaan penelitian.
2. Preprocessing: bersihin data, tangani nilai kosong dan duplikat.
3. Transformation: ubah bentuk data biar siap dimodelkan, misalnya normalisasi atau bikin variabel baru.
4. Data mining: jalanin algoritmanya, entah klasifikasi, klastering, atau yang lain.
5. Interpretation dan evaluation: baca hasilnya, nilai apakah polanya beneran berguna.

KDD paling sering muncul di skripsi dan jurnal karena bahasanya cocok sama tulisan ilmiah. Kelemahannya, dia nggak ngomongin apa yang terjadi setelah pola ketemu.

Kalau kamu masih milih algoritmanya, daftar lengkapnya ada di metode data mining.

Apa itu CRISP-DM dan kenapa paling banyak dipakai?

CRISP-DM singkatan dari Cross Industry Standard Process for Data Mining. Kerangka ini disusun konsorsium perusahaan di akhir 1990-an, termasuk SPSS dan Daimler-Benz, biar proses data mining bisa dipakai lintas industri. Punya enam fase dan digambar melingkar, bukan lurus.

Fase	Yang dikerjain	Output
Business understanding	Rumusin masalah bisnis dan ukuran sukses	Tujuan proyek dan kriteria keberhasilan
Data understanding	Kumpulin dan periksa data awal	Laporan kualitas data
Data preparation	Bersihin, gabungkan, bikin variabel	Dataset siap model
Modeling	Pilih dan latih algoritma	Model beserta parameternya
Evaluation	Nilai model dari sisi bisnis, bukan cuma akurasi	Keputusan lanjut atau ulang
Deployment	Kirim hasil ke pengguna	Dashboard, laporan, atau API

Dua fase yang bikin CRISP-DM beda: business understanding di awal dan deployment di akhir. Dua-duanya nggak ada di KDD maupun SEMMA. Penjelasan resmi tiap fasenya bisa kamu baca di dokumentasi IBM SPSS Modeler.

Bentuk melingkarnya juga disengaja. Waktu evaluasi kamu sering sadar pertanyaan awalnya kurang tajam, jadi balik lagi ke fase pertama tanpa perlu ngerasa proyeknya gagal.

Apa itu SEMMA?

SEMMA singkatan dari Sample, Explore, Modify, Model, Assess. Kerangka ini disusun SAS Institute buat ngatur alur kerja di tool mereka. Titik beratnya di tahap pemodelan, jadi dia sengaja nggak bahas cara nentuin tujuan bisnis maupun cara ngirim model ke produksi.

• Sample: ambil bagian data yang cukup mewakili biar prosesnya cepat.
• Explore: lihat sebaran, cari pola awal dan nilai aneh.
• Modify: bikin dan pilih variabel yang bakal dipakai.
• Model: latih beberapa algoritma sekaligus.
• Assess: bandingin performa model.

Buat kamu yang kerja di lingkungan SAS, SEMMA paling nyambung sama menu tool-nya. Di luar itu, SEMMA lebih cocok dipakai sebagai pelengkap fase modeling di CRISP-DM.

Apa bedanya KDD, CRISP-DM, dan SEMMA?

Perbedaan intinya di cakupan. CRISP-DM nutup seluruh proyek dari masalah bisnis sampai penggunaan hasil. KDD nutup dari seleksi data sampai penafsiran hasil. SEMMA cuma nutup bagian tengah, yaitu dari ambil sampel sampai nilai model.

Aspek	KDD	CRISP-DM	SEMMA
Jumlah tahap	5	6	5
Tahun muncul	1996	1996 sampai 1999	Akhir 1990-an
Asal	Akademisi	Konsorsium industri	SAS Institute
Mulai dari masalah bisnis?	Nggak	Ya	Nggak
Bahas deployment?	Nggak	Ya	Nggak
Sifat alur	Berurutan	Melingkar dan bisa mundur	Berurutan
Paling cocok buat	Skripsi dan jurnal	Proyek kerja lintas tim	Kerja di tool SAS

Kerangka mana yang cocok buat skripsi?

Buat skripsi, KDD dan CRISP-DM dua-duanya diterima di hampir semua kampus. Pilihannya tergantung bentuk penelitianmu.

Pakai KDD kalau fokus skripsimu ngebandingin performa algoritma. Istilahnya nyambung sama tulisan ilmiah, dan kamu nggak perlu ngarang bab deployment yang memang nggak dikerjain.

Pakai CRISP-DM kalau skripsimu punya mitra, misalnya UMKM, koperasi, atau dinas. Fase business understanding kasih tempat buat nulis wawancara sama pemilik usaha, dan fase deployment kasih tempat buat nulis serah terima dashboard.

Yang penting, sebutkan sumbernya dan pakai nama tahap yang konsisten dari awal sampai akhir tulisan.

Contoh kasus: proyek anggota keluar di koperasi Sejahtera

Aku pakai CRISP-DM buat proyek nebak anggota koperasi yang bakal berhenti nabung. Datanya 2.740 anggota dengan riwayat setoran 24 bulan.

Yang terjadi di tiap fase:

1. Business understanding: pengurus awalnya minta "analisis anggota". Setelah dua kali ngobrol, pertanyaannya diperjelas jadi "anggota mana yang berhenti setor 3 bulan berturut-turut".
2. Data understanding: ketemu 318 baris dengan tanggal setoran ganda gara-gara input manual.
3. Data preparation: fase ini makan 11 dari 18 hari kerja proyek, sekitar 61% waktu total.
4. Modeling: decision tree dipilih di atas model lain karena pengurus koperasi harus bisa baca alasannya.
5. Evaluation: akurasi 84% kedengeran bagus, tapi recall buat anggota yang berhenti cuma 52%. Model dilatih ulang dengan bobot kelas.
6. Deployment: hasilnya jadi satu daftar 40 nama per bulan yang ditelepon petugas simpan pinjam.

Angka 61% waktu di data preparation itu yang paling sering bikin kaget orang baru. Fase modeling sendiri cuma 2 hari.

Kualitas data mentahnya jadi penentu utama. Cek dulu di glosarium kualitas data apa aja yang perlu diperiksa sebelum masuk pemodelan, dan gimana alur ETL ngerapikan sumber data yang berantakan.

Kesalahan umum waktu pakai kerangka proyek data

1. Nulis kerangkanya di bab metodologi tapi nggak dipakai. Penguji bakal nanya bukti tiap tahap. Simpan catatan dan tangkapan layar per fase.
2. Loncat langsung ke modeling. Pertanyaan yang kabur bikin model bagus tapi nggak kepakai.
3. Nganggap alurnya sekali jalan. CRISP-DM memang dirancang buat mundur. Mundur itu bagian prosesnya, bukan tanda gagal.
4. Nentuin ukuran sukses setelah model jadi. Kriteria dibikin di awal, biar kamu nggak tergoda milih angka yang kebetulan bagus.
5. Ngukur pakai akurasi doang. Buat kasus timpang, tambahin recall dan precision. Rujukannya bisa kamu susun jadi metrik yang disepakati bareng pengguna.

FAQ

Kerangka mana yang paling banyak dipakai di industri?

CRISP-DM, karena dia satu-satunya yang mulai dari pemahaman bisnis dan berakhir di deployment. KDD lebih sering muncul di jurnal akademis, sedangkan SEMMA paling nyaman kalau kamu kerja di ekosistem tool SAS.

Boleh nggak gabungin CRISP-DM sama KDD di skripsi?

Boleh, dan cukup umum. Banyak yang pakai CRISP-DM sebagai alur besar, terus pinjam istilah KDD di bab pengolahan data. Yang penting kamu konsisten dan nyebut sumbernya.

Apa kepanjangan SEMMA?

Sample, Explore, Modify, Model, Assess. Kerangka ini disusun SAS Institute buat ngatur alur kerja di tool mereka, dengan titik berat di tahap pemodelan.

Kenapa CRISP-DM digambar melingkar?

Karena proyek data jarang jalan lurus sekali jadi. Waktu evaluasi, kamu sering nemu kalau pertanyaan bisnisnya kurang tajam, jadi balik lagi ke fase pertama. Diagram melingkar ngasih izin buat mundur.

Perlu nggak pakai kerangka kalau proyeknya kecil?

Buat analisis satu hari, kerangka formal cuma nambah kerjaan. Tapi begitu proyeknya lebih dari seminggu atau melibatkan lebih dari satu orang, kerangka bantu kamu tau posisi sekarang di mana.

Penutup

Ringkasnya: CRISP-DM buat proyek yang hasilnya harus dipakai orang lain, KDD buat tulisan ilmiah, SEMMA buat kerja di tool SAS.

Kalau masih ragu, ambil CRISP-DM. Dua fase tambahannya, business understanding dan deployment, justru bagian yang paling sering bikin proyek data gagal.

Lanjut baca: Algoritma K-Means Clustering buat contoh fase modeling yang dihitung manual dari nol.