TL;DR
Metode data mining adalah teknik buat nemuin pola dari kumpulan data besar, dengan empat kelompok utama: klasifikasi (nebak label), klastering (ngelompokkan tanpa label), aturan asosiasi (nemuin barang yang sering dibeli bareng), dan regresi (nebak angka). Cara milihnya gampang: lihat bentuk pertanyaan dan bentuk jawabannya. Kalau jawabannya kategori pakai klasifikasi, kalau angka pakai regresi, kalau belum ada label sama sekali pakai klastering.
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.
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.
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.
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:
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.
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.
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.
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.
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".
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.
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.
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.
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.
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.
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 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.
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.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Kolom datetime nyimpen tanggal, jam, hari, semuanya nempel jadi satu. Accessor .dt di pandas ngeluarin tiap bagian jadi kolom sendiri buat dianalisa.
Nama toko ketik campur huruf besar-kecil, spasi nyasar di ujung, atau kode produk nempel jadi satu. Accessor .str di pandas ngerapiin semua itu tanpa loop.
Model machine learning cuma ngerti angka, bukan teks kayak merah atau biru. get_dummies ngubah kolom kategori jadi kolom 0/1 dalam satu baris kode.