Di era big data saat ini, pemrosesan data menjadi sangat penting. Baik diterapkan dalam mengolah data di internet maupun di lapangan. Smart agriculture juga berimplikasi pada kebutuhan akan analisis di bidang pertanian melalui pendekatan bionformatika.

Prof Imas S Sitanggang, Guru Besar IPB University dari Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) menyebutkan proses data mining penting di era big data. Data mining merupakan proses ekstraksi informasi dan pola yang menarik dari data berukuran besar. Output data yang diperoleh yang memiliki potensi untuk dianalisis dan digunakan lebih lanjut.

Menurutnya, data mining berikatan erat dengan berbagai bidang. Seperti machine learning, statistika, dan basis data. Namun tidak menutup kemungkinan untuk diterapkan di bidang lain yang terkait.

”Maka dari itu mata kuliah statistik perlu ditawarkan kepada para mahasiswa. Ilmu ini perlu dikuasai bila ingin menjadi data miner sehingga bisa mendapatkan pola yang menarik tadi,” terangnya dalam Kuliah Umum Magister Informatika Fakultas Sains dan Teknologi, Universitas Islam Negeri (UIN) Sunan Kalijaga Yogyakarta (26/10) yang digelar secara daring.

Secara umum, lanjutnya, teknik dasar data mining dikategorikan menjadi tiga. Yakni kluster, klasifikasi, dan analisis asosiasi. Tujuannya untuk membuat model prediksi dan memberikan deskripisi dari data yang dimiliki.

“Contoh penerapannya yakni pada analisis segmentasi pasar atau target pemasaran sesuai karakteristik pelanggan. Pendekatan ini juga dapat diterapkan pada analisis pembelanjaan. Begitu juga dengan riset pada bidang lingkungan, seperti analisis karakteristik lingkungan berdasarkan kejadian kebakaran hutan,” imbuhnya.

Ia menambahkan, proses pre processing atau pembersihan data menjadi bagian penting dari data mining. Umumnya, data nyata yang didapatkan kurang bagus dan memiliki ‘pengotor’ sehingga harus ada pembersihan data.

Ia telah menerapkan pendekatan data mining pada beberapa penelitian. Di antaranya pada riset foto udara dan identifikasi ladang bawang putih menggunakan deep learning. Bila dibandingkan dengan machine learning konvensional, deep learning dinilai lebih baik. Namun penggunaan deep learning tetap disesuaikan dengan kebutuhan.

“Penelitian terhadap bawang putih dilakukan karena merupakan komoditi pertanian yang permintaannya terus meningkat. Sehingga harus ada pemetaan area yang sesuai untuk budidaya bawang putih. Penelitian tersebut menggunakan algoritma data mining untuk daerah Magetan dan Solok. Kemudian menerapkan kelas kesesuaian bawang putih mengacu pada FAO (Food and Agriculture Organization),” jelasnya.

Menurutnya, data spasial bawang putih yang diperoleh dengan operasi spasial dan dimasukkan ke dalam algoritma data mining. Outputnya yakni berupa profil kesuaian bawang putih. Hasil kesesuaian tersebut kemudian disampaikan kepada user melalui sistem informasi yang dibuat khusus, seperti sistem informasi geografis.

“Isu bagaimana menyajikan hasil mining kepada pengguna turut menjadi area riset yang menarik,” tambahnya.
Ia juga turut membahas data warehouse, yakni kumpulan data yang diintegrasikan dari berbagai sumber berupa repository. Outputnya menjadi sumber untuk proses data mining, penerapannya juga dapat digunakan untuk berbagai keperluan analitik. (MW/Zul)

Published Date : 27-Oct-2021

Narasumber : Prof Imas S Sitanggang, ipb.ac.id