Metode Data Mining: Klasifikasi, Klastering, Asosiasi, dan Regresi

Metode data mining adalah teknik buat nemuin pola berulang dari kumpulan data yang jumlahnya besar. Empat kelompok yang paling sering dipakai: klasifikasi, klastering, aturan asosiasi, dan regresi.

Yang bikin bingung, keempatnya kelihatan mirip di permukaan. Semuanya "nyari pola", semuanya bisa dikerjain pakai Python, dan nama algoritmanya sering muncul bareng di satu jurnal.

Padahal cara milihnya gampang kalau kamu mulai dari pertanyaannya, bukan dari algoritmanya. Di bawah ini aku bahas satu per satu, lengkap sama contoh data toko UMKM biar kelihatan bedanya.

Apa itu metode data mining?

Metode data mining adalah cara sistematis buat ngambil pola, hubungan, atau kelompok tersembunyi dari data dalam jumlah besar. Hasilnya bisa berupa aturan, model prediksi, atau segmen pelanggan. Tujuannya satu: ngubah tumpukan baris transaksi jadi sesuatu yang bisa dipakai buat ambil keputusan.

Istilah ini populer sejak proses KDD dirumuskan di awal 1990-an. Data mining sendiri cuma satu tahap dari proses yang lebih panjang, mulai dari milih data sampai nafsirin hasilnya.

Kalau kamu lagi nyusun alur proyeknya, aku bahas kerangkanya terpisah di KDD vs CRISP-DM vs SEMMA.

Apa saja metode data mining yang paling sering dipakai?

Ada empat kelompok utama yang nutup hampir semua kasus di skripsi maupun kerjaan kantor. Klasifikasi buat nebak kategori, regresi buat nebak angka, klastering buat ngelompokkan tanpa label, dan aturan asosiasi buat nemuin barang yang sering muncul bareng. Sisanya biasanya turunan atau gabungan dari empat ini.

Metode	Pertanyaan yang dijawab	Bentuk output	Contoh algoritma
Klasifikasi	Baris ini masuk kategori apa?	Label (lunas / nunggak)	Decision tree C4.5, Naive Bayes, k-NN
Regresi	Berapa angkanya?	Angka kontinu (Rp, unit)	Regresi linear, random forest regressor
Klastering	Data ini kebagi jadi berapa kelompok?	Nomor kelompok	K-means, hierarchical, DBSCAN
Aturan asosiasi	Apa yang sering dibeli bareng?	Aturan jika-maka	Apriori, FP-Growth
Deteksi anomali	Baris mana yang aneh?	Skor keanehan	Isolation forest, LOF

Daftar algoritma yang lebih panjang bisa kamu cek di dokumentasi scikit-learn, termasuk kapan tiap algoritma cocok dipakai.

Kapan pakai klasifikasi?

Pakai klasifikasi kalau jawaban yang kamu cari berupa kategori dan kamu udah punya contoh berlabel. Misalnya kolom status kredit yang isinya lancar atau macet, atau kolom pelanggan yang isinya bertahan atau berhenti. Model belajar dari baris lama, terus nebak label buat baris baru.

Contoh pertanyaan yang cocok:

1. Pelanggan mana yang kemungkinan berhenti belanja bulan depan?
2. Pengajuan pinjaman mana yang berisiko macet?
3. Ulasan produk ini positif atau negatif?

Algoritma yang paling sering dipakai buat skripsi itu decision tree, gara-gara hasilnya gampang dijelasin. Cara ngitung entropy dan gain-nya aku uraikan langkah demi langkah di artikel C4.5.

Yang perlu kamu jaga: proporsi labelnya. Kalau dari 1.000 baris cuma 30 yang macet, model bisa nebak "lancar" terus dan tetap kelihatan akurat 97%. Angka akurasi kayak gitu nipu.

Kapan pakai klastering?

Pakai klastering kalau kamu belum punya label dan pengen tau data kamu kebagi jadi kelompok apa aja. Algoritmanya ngukur kemiripan antar baris, terus naruh yang mirip di satu kelompok. Nama kelompoknya kamu yang kasih setelah lihat isinya.

Kasus paling umum di Indonesia: segmentasi pelanggan buat nentuin promo. Kamu masukin frekuensi belanja, total belanja, dan jarak hari sejak transaksi terakhir. Keluar 3 sampai 5 kelompok yang beda perilakunya.

K-means paling sering dipakai soalnya cepat dan gampang dihitung manual buat bab metodologi. Iterasinya aku hitung tangan di panduan k-means.

Catatan penting: k-means butuh kamu nentuin jumlah kelompok di awal. Jadi jangan kaget kalau hasilnya berubah waktu kamu ganti angka k.

Apa itu aturan asosiasi dan gimana cara bacanya?

Aturan asosiasi nyari kombinasi barang yang sering muncul bareng dalam satu transaksi. Bentuk hasilnya kalimat jika-maka, misalnya "kalau beli gula, kemungkinan beli kopi juga". Tiga angka yang dipakai buat nilai kekuatan aturan: support, confidence, dan lift.

• Support = porsi transaksi yang memuat kombinasi itu. Support 0,08 artinya 8% dari semua struk punya kombinasi tersebut.
• Confidence = dari semua transaksi yang beli barang A, berapa persen yang juga beli B.
• Lift = confidence dibagi porsi transaksi yang beli B secara umum. Lift di atas 1 artinya kombinasi itu lebih sering muncul daripada kalau dua barang itu nggak ada hubungan.

Aturan dengan confidence tinggi tapi lift mendekati 1 biasanya cuma efek barang laris. Roti muncul di mana-mana bukan karena nyambung sama produk lain, tapi karena semua orang beli roti.

Kapan regresi lebih cocok dari klasifikasi?

Pakai regresi kalau jawaban yang kamu butuhin berupa angka, bukan kategori. Berapa omzet bulan depan, berapa rupiah nilai transaksi rata-rata pelanggan baru, berapa unit stok yang bakal kejual minggu ini.

Pertanyaan "pelanggan ini bakal balik atau nggak" itu klasifikasi. Pertanyaan "pelanggan ini bakal belanja berapa rupiah" itu regresi. Datanya sama, metodenya beda.

Regresi linear sederhana masih jadi pilihan pertama buat banyak kasus UMKM. Koefisiennya gampang dibaca, dan kamu bisa langsung bilang "tiap tambahan 1 promo per bulan, omzet naik sekian rupiah".

Metode pelengkap yang layak kamu tau

Di luar empat metode utama, ada dua yang sering kepakai di kerjaan nyata.

Deteksi anomali nyari baris yang beda sendiri. Berguna buat ngecek transaksi janggal atau salah input. Konsep dasarnya aku jelasin di glosarium outlier.

Pola sekuensial mirip aturan asosiasi, tapi ngitung urutan waktunya. Bukan cuma "A dan B dibeli bareng", melainkan "A dibeli, dua minggu kemudian B dibeli". Cocok buat toko yang jual produk isi ulang.

Contoh kasus: milih metode buat data toko_berkah

Dataset latihan ngulikdata bernama toko_berkah punya 4.180 baris transaksi dari Januari sampai Juni 2025, dengan 612 pelanggan unik dan 87 SKU. Rata-rata nilai struk Rp 47.300.

Dari data yang sama, empat pertanyaan berbeda butuh empat metode berbeda:

Pertanyaan pemilik toko	Metode	Hasil di dataset toko_berkah
Pelanggan mana yang berhenti belanja?	Klasifikasi	Pelanggan dengan jeda belanja lebih dari 34 hari, 71% nggak balik lagi dalam 3 bulan
Pelangganku kebagi jadi berapa tipe?	Klastering	3 kelompok: pembeli harian nilai kecil, pemborong mingguan, dan pembeli musiman
Barang apa yang sering dibeli bareng?	Aturan asosiasi	Minyak goreng dan telur, support 0,092 dengan lift 1,84
Omzet Juli kira-kira berapa?	Regresi	Model linear dengan variabel jumlah hari aktif dan jumlah promo

Angka lift 1,84 itu yang paling kepakai buat pemilik toko. Artinya pembeli minyak goreng hampir dua kali lebih mungkin ambil telur dibanding pembeli acak. Rak dua barang ini akhirnya digeser jadi berdekatan.

Buat ngitung support secara cepat sebelum masuk Python, kamu bisa mulai dari COUNTIFS di spreadsheet. Hitung berapa struk yang memuat dua barang, bagi sama total struk.

Kesalahan umum waktu milih metode data mining

1. Mulai dari algoritma, bukan dari pertanyaan. Banyak proposal skripsi nulis "pakai k-means" duluan, baru nyari masalah yang cocok. Urutannya kebalik.
2. Pakai klastering padahal labelnya udah ada. Kalau kolom statusnya udah lengkap, klasifikasi kasih hasil yang lebih bisa dievaluasi.
3. Ngukur akurasi doang buat data timpang. Tambahin precision dan recall kalau kategori targetnya jarang muncul.
4. Lupa bersihin data dulu. Nama produk yang ditulis "Minyak Goreng", "minyak goreng", dan "mnyk goreng" bakal kehitung tiga barang berbeda. Rapikan dulu lewat proses ETL.
5. Ngartiin korelasi jadi sebab akibat. Aturan asosiasi cuma nunjukin dua barang sering muncul bareng. Dia nggak bilang yang satu nyebabin yang lain.

FAQ

Apa bedanya klasifikasi dan klastering?

Klasifikasi butuh data yang udah punya label, misalnya kolom yang isinya lunas atau nunggak. Modelnya belajar dari label itu buat nebak baris baru. Klastering nggak punya label sama sekali. Algoritmanya ngelompokkan data berdasarkan kemiripan angka, terus kamu yang kasih nama tiap kelompok setelah lihat isinya.

Metode data mining mana yang paling gampang buat pemula?

Aturan asosiasi dan klastering biasanya paling cepat kelihatan hasilnya, soalnya kamu nggak perlu nyiapin label dulu. Tapi kalau kamu mau yang paling gampang dijelasin ke dosen atau atasan, decision tree menang. Aturannya bisa dibaca kayak kalimat biasa.

Berapa jumlah data minimal buat data mining?

Nggak ada angka wajib, tapi patokan praktisnya tiap kelompok punya minimal beberapa puluh baris biar polanya nggak kebetulan. Yang lebih menentukan itu kualitas datanya. Data 1.000 baris yang bersih lebih berguna dari 100.000 baris penuh duplikat.

Apakah data mining sama dengan machine learning?

Beda penekanan. Data mining fokus ke nemuin pola yang berguna dari data yang udah ada, biasanya buat dibaca manusia. Machine learning fokus ke bikin model yang bisa nebak data baru seakurat mungkin. Algoritmanya banyak yang sama, kayak decision tree dan k-means.

Bisa nggak data mining pakai Excel doang?

Bisa buat tahap awal. Pivot table cukup buat ngitung support dan confidence sederhana. Tapi begitu kamu butuh decision tree, k-means, atau evaluasi model yang bener, Python lebih hemat waktu.

Penutup

Tiga hal yang perlu kamu bawa dari sini. Pertama, metode dipilih dari bentuk pertanyaan, bukan dari algoritma yang lagi ramai. Kedua, kategori berarti klasifikasi dan angka berarti regresi. Ketiga, kalau labelnya belum ada sama sekali, klastering pintu masuknya.

Mau langsung praktek? Mulai dari nyiapin datanya dulu di NgulikSQL, soalnya 80% waktu proyek data mining habis di tahap rapikan data.

Lanjut baca: Algoritma K-Means Clustering kalau kamu mau langsung coba metode klastering dengan hitungan manual plus kode Python.