DATA MINING FOR BI

DATA MINING FOR BI

• By ulumuddin, M.Kom, Haryani, M.Kom, Rizal Nurzuli, M.Kom, Leliyanah, M.Kom, James Adam, M.Kom;
• Modul Praktikum
• 0
• 1 - 78

Puji syukur ke hadirat Allah SWT atas segala rahmat dan
karunia-Nya, sehingga buku yang berjudul Data Mining for
Business Intelligence ini dapat disusun dan diselesaikan dengan
baik. Buku ini hadir sebagai bentuk kontribusi dalam
pengembangan ilmu pengetahuan, khususnya di bidang data
mining dan business intelligence yang saat ini semakin
berkembang pesat seiring dengan kemajuan teknologi
informasi.
Di era digital, data telah menjadi aset yang sangat
berharga bagi organisasi dan perusahaan. Namun, data yang
melimpah tidak akan memberikan nilai tambah tanpa adanya
proses pengolahan yang tepat. Oleh karena itu, melalui buku
ini, penulis berupaya menyajikan konsep, metode, serta
implementasi data mining dalam kerangka Business
Intelligence secara sistematis dan aplikatif. Pembahasan
dalam buku ini mencakup tahapan penting mulai dari
pemahaman bisnis (business understanding), persiapan data
(data preparation), pemodelan, evaluasi, hingga implementasi,
yang dilengkapi dengan contoh kasus dan penggunaan tools
seperti RapidMiner, WEKA, dan Python.

VIII

Buku ini disusun dengan tujuan untuk membantu
mahasiswa, dosen, peneliti, serta praktisi dalam memahami
dan mengimp-lementasikan teknik data mining guna
mendukung pengambilan keputusan yang lebih efektif dan
berbasis data. Penulis menyadari bahwa buku ini masih
memiliki keterbatasan, sehingga kritik dan saran yang
konstruktif sangat diharapkan untuk perbaikan di masa yang
akan datang.
Akhir kata, penulis berharap semoga buku ini dapat
memberikan manfaat dan menjadi referensi yang berguna
bagi pengem-bangan ilmu pengetahuan serta praktik
Business Intelligence di berbagai sektor.

• Katakunci saatnya mengubah data menjadi kekuatan, saatnya mengambil keputusan dengan cerdas
• URL https://drive.google.com/file/d/1dcGJwkR1_R_7mFfukbQyZtQK41RJlbEK/view?usp=sharing
• Penerbit Historie Media, banyumas jawa tengah

REFERENSI

Alberto Cairo. (2016). The Truthful Art. New Riders.
Andrew Ng. (2018). Machine Learning Yearning. DeepLearning.ai.

Aurélien Géron. (2019). Hands-On Machine Learning with Scikit-
Learn, Keras & TensorFlow. O’Reilly.

Bernard Marr. (2016). Big Data in Practice. Wiley.
Bill Franks. (2012). Taming the Big Data Tidal Wave. Wiley.
Carlos Coronel & Steven Morris. (2019). Database Systems:
Design, Implementation, and Management. Cengage.
Cathy O’Neil & Rachel Schutt. (2013). Doing Data Science.
O’Reilly.
Christopher Bishop. (2006). Pattern Recognition and Machine
Learning. Springer.
Cole Nussbaumer Knaflic. (2015). Storytelling with Data. Wiley.
David Hand, Heikki Mannila, & Padhraic Smyth. (2001).
Principles of Data Mining. MIT Press.
Dean Abbott. (2014). Applied Predictive Analytics. Wiley.
DJ Patil. (2011). Building Data Science Teams. O’Reilly.
Efraim Turban, Ramesh Sharda, & Dursun Delen. (2018).
Business Intelligence, Analytics, and Data Science. Pearson.
Foster Provost & Tom Fawcett. (2013). Data Science for Business.
O’Reilly Media.
Galit Shmueli, Peter Bruce, & Inbal Yahav. (2017). Data Mining
for Business Analytics. Wiley.

58

Gareth James, Daniela Witten, Trevor Hastie, & Robert
Tibshirani. (2013). An Introduction to Statistical Learning.
Springer.
Hadoop Project. (2020). Apache Hadoop Documentation. Apache
Software Foundation.
Ian Goodfellow, Yoshua Bengio, & Aaron Courville. (2016). Deep
Learning. MIT Press.
Ian H. Witten, Eibe Frank, & Mark A. Hall. (2016). Data Mining:
Practical Machine Learning Tools and Techniques. Morgan
Kaufmann.
Jake VanderPlas. (2016). Python Data Science Handbook.
O’Reilly.
James Manyika et al. (2011). Big Data: The Next Frontier for
Innovation. McKinsey Global Institute.
Jiawei Han, Micheline Kamber, & Jian Pei. (2012). Data Mining:
Concepts and Techniques. Morgan Kaufmann.
Joe Celko. (2014). SQL for Smarties. Morgan Kaufmann.
Kevin Murphy. (2012). Machine Learning: A Probabilistic
Perspective. MIT Press.
Larissa T. Moss & Shaku Atre. (2003). Business Intelligence
Roadmap. Addison-Wesley.
Martin Kleppmann. (2017). Designing Data-Intensive Applications.
O’Reilly.
Max Kuhn & Kjell Johnson. (2013). Applied Predictive Modeling.
Springer.
Pang-Ning Tan, Michael Steinbach, & Vipin Kumar. (2018).
Introduction to Data Mining. Pearson.
Paulraj Ponniah. (2010). Data Warehousing Fundamentals. Wiley.
Pedro Domingos. (2015). The Master Algorithm. Basic Books.
Pete Warden. (2012). Big Data Glossary. O’Reilly.

59

Ralph Kimball & Margy Ross. (2013). The Data Warehouse
Toolkit. Wiley.
Sam Ransbotham et al. (2016). Analytics and Business Intelligence.
MIT Sloan.
Sebastian Raschka & Vahid Mirjalili. (2017). Python Machine
Learning. Packt.
Stuart Russell & Peter Norvig. (2021). Artificial Intelligence: A
Modern Approach. Pearson.
Thomas Davenport & Jeanne Harris. (2007). Competing on
Analytics. Harvard Business School Press.
Tom Mitchell. (1997). Machine Learning. McGraw-Hill.
Trevor Hastie, Robert Tibshirani, & Jerome Friedman. (2009).
The Elements of Statistical Learning. Springer.
Viktor Mayer-Schönberger & Kenneth Cukier. (2013). Big Data:
A Revolution That Will Transform How We Live. Houghton
Mifflin.
Wayne Eckerson. (2011). Performance Dashboards. Wiley.