DATA MINING TERAPAN: Konsep, Algoritma, dan Implementasi Berbasis Java
Keywords:
DATA, MINING , TERAPAN, Konsep, Algoritma, Implementasi, Berbasis, JavaSynopsis
Di era transformasi digital saat ini, data telah menjadi aset strategis yang sangat berharga bagi berbagai sektor, mulai dari bisnis, pendidikan, kesehatan, hingga pemerintahan. Namun, tumpukan data yang masif (big data) tidak akan memberikan dampak yang signifikan tanpa adanya teknik dan metode yang tepat untuk mengekstrak informasi serta pengetahuan tersembunyi di dalamnya. Di sinilah peran krusial data mining bekerja. Buku ini hadir sebagai jawaban atas kebutuhan literatur yang komprehensif di bidang teknologi informasi. Berbeda dengan referensi yang hanya berfokus pada pendekatan teoretis, buku ini dirancang secara khusus untuk menjembatani kesenjangan antara teori dan praktik. Pembahasan dimulai dari fundamental konsep data mining, eksplorasi algoritma-algoritma utama seperti klasifikasi (misalnya Decision Tree, Naïve Bayes), klastering (K-Means, Hierarchical), hingga aturan asosiasi (Apriori). Nilai tambah utama dari buku ini terletak pada pendekatan implementatifnya yang menggunakan bahasa pemrograman Java. Pemilihan Java didasarkan pada portabilitasnya yang tinggi, keandalannya dalam menangani sistem berskala besar (enterprise), serta ketersediaan pustaka (library) yang luas untuk pemrosesan data. Setiap algoritma yang dibahas disertai dengan contoh kasus, logika penyelesaian, dan potongan kode (source code) Java yang dapat langsung dipraktikkan oleh pembaca.
Downloads
Download data is not yet available.
References
Barbieri, M. C., Grisci, B. I., & Dorn, M. (2024). Analysis and comparison of feature selection methods towards performance and stability. Expert Systems with Applications, 249, 123667. https://doi.org/10.1016/j.eswa.2024.123667
BÜYÜKKEÇECİ, M., & OKUR, M. C. (2023). A Comprehensive Review of Feature Selection and Feature Selection Stability in Machine Learning. Gazi University Journal of Science, 36(4), 1506–1520. https://doi.org/10.35378/gujs.993763
Greenacre, M., Groenen, P. J. F., Hastie, T., D’Enza, A. I., Markos, A., & Tuzhilina, E. (2022). Principal component analysis. Nature Reviews Methods Primers, 2(1), 100. https://doi.org/10.1038/s43586-022-00184-w
Han, J. H., Pei, J., & Tong, H. (2023). Data Mining. Elsevier. https://doi.org/10.1016/C2013-0-18660-6
Lazebnik, T., & Rosenfeld, A. (2024). A new definition for feature selection stability analysis. Annals of Mathematics and Artificial Intelligence, 92(3), 753–770. https://doi.org/10.1007/s10472-024-09936-8
Marukatat, S. (2023). Tutorial on PCA and approximate PCA and approximate kernel PCA. Artificial Intelligence Review, 56(6), 5445–5477. https://doi.org/10.1007/s10462-022-10297-z
Moslemi, A. (2023). A tutorial-based survey on feature selection: Recent advancements on feature selection. Engineering Applications of Artificial Intelligence, 126, 107136. https://doi.org/10.1016/j.engappai.2023.107136
Theng, D., & Bhoyar, K. K. (2024). Feature selection techniques for machine learning: a survey of more than two decades of research. Knowledge and Information Systems, 66(3), 1575–1637. https://doi.org/10.1007/s10115-023-02010-5
Villa-Blanco, C., Bielza, C., & Larrañaga, P. (2023). Feature subset selection for data and feature streams: a review. Artificial Intelligence Review, 56(S1), 1011–1062. https://doi.org/10.1007/s10462-023-10546-9
Zaman, E. A. K., Mohamed, A., & Ahmad, A. (2022). Feature selection for online streaming high-dimensional data: A state-of-the-art review. Applied Soft Computing, 127, 109355. https://doi.org/10.1016/j.asoc.2022.109355
Published
November 2, 2026
Categories
Copyright (c) 2026 Sada Kurnia Pustaka
License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Details about the available publication format: PDF
PDF
