The CRoss Industry Standard Process for Data Mining (CRISP-DM) merupakan salah satu metodologi paling populer dalam data analytics. Secara garis besar, CRISP DM memiliki enam fase:
- Business understanding – Apa yang dibutuhkan perusahaan?
- Data understanding – Data apa yang kita punya dan data apa yang diperlukan?
- Data preparation – Bagaimana kita mengorganisasikan data untuk dimasukkan dalam proses modeling?
- Modeling – Model seperti apa yang akan kita gunakan?
- Evaluation – Mana model terbagus yang bisa menjawab masalah perusahaan?
- Deployment – Bagaimana stakeholder mengakses hasil modeling yang telah dibuat?
Jika kita memperhatikan bagan CRISP DM, Bagan tersebut bersifat iterative. Sehingga bisa dilakukan berulang-ulang kali sampai tujuan yang diinginkan tercapai.
Sumber: https://www.datascience-pm.com/crisp-dm-2/
Langkah-langkah dalam CRISP DM
1. Business Understanding
Langkah pertama dalam metodologi CRISP DM adalah Business Understanding atau memahami bisnis. Langkah ini mengidentifikasi latar belakang organisasi/bisnis yang akan dikerjakan, sehingga diharapkan hasil proyek sesuai dengan kebutuhan organisasi/bisnis. Perlu diingat bahwa poin penting dalam langkah ini adalah supaya data analyst dan stakeholder memiliki pandangan dan pemahaman yang sama. Dengan demikian, perlu dilakukan banyak komunikasi antara kedua pihak tersebut.
Beberapa contoh pertanyaan yang dapat kita ajukan untuk mengidentifikasi latar belakang organisasi/bisnis tersebut antara lain:
- Siapa kah pengguna utamanya? Kepada siapa kita melapor pekerjaan yang telah selesai?
- Apa saja permasalahan yang dihadapi?
- Apa saja sumber daya yang ada?
- Kapan due date proyek?
- Kapan proyek akan diverifikasi?
- Di mana data yang diperlukan bisa diperoleh?
- Di manakah posisi perusahaan saat ini?
- Mengapa informasi tertentu bersifat sensitif?
- Mengapa proses saat ini dibuat sedemikian rupa?
Semua pertanyaan di atas dapat dikustomisasi sendiri, dan berujung pada pemahaman atas kondisi saat ini (as is condition) dan keadaan yang diinginkan (after idea implementation).
2. Data Understanding
Langkah kedua adalah Data Understanding. Tujuan dari data understanding adalah untuk mendapatkan data yang diperlukan. Tools yang dapat dipergunakan untuk data understanding adalah menggunakan Data Collection Plan.
Contoh Case: Mencari harga jual motor bekas yang oke.
Supardi ingin menjual sepeda motor bekas miliknya. Dia ingin harga jual yang wajar (tidak kemahalan dan tidak kemurahan) karena jika kemahalan takut tidak ada yang beli, dan dia tidak mau rugi kalau dijual kemurahan. Untuk menentukan harga tersebut, dia membuat prediksi harga jual sepeda motor miliknya. Namun untuk membuat model prediksi, pertama dia harus mengumpulkan data-data terlebih dahulu. Dia memutuskan untuk menggunakan Data Collection Plan:
Sumber: Olahan Penulis
Proses data understanding dapat dilihat pada gambar berikut:
3. Data Preparation
Langkah ketiga adalah Data Preparation. Langkah ini pada intinya adalah mempersiapkan data yang telah kita kumpulkan supaya dapat digunakan ke dalam pemodelan. Beberapa hal yang dilakukan dalam data preparation antara lain data preprocesing, data cleansing, dan feature engineering (Rofiq, 2023).
4. Modelling
Langkah keempat adalah Modelling. Setelah data siap digunakan, data analyst kemudian menyiapkan model mana yang akan digunakan. Pemilihan model didasari oleh tujuan permasalahan, apakah akan membuat klasifikasi, prediksi, ataupun yang lainnya.
5. Evaluating
Langkah kelima adalah Evaluating. Fase ini mengevaluasi hasil modeling yang telah dijalankan. Hasil evaluasi model tersebut kemudian dikomunikasikan kepada stakeholder. Apabila dilihat dari bagan CRISP DM, setelah dilakukan evaluasi, bisa kembali dilakukan reassesment dan pengerjaan ulang terhadap langkah-langkah yang telah dilakukan jika diperlukan. Oleh karena itu, fase evaluasi merupakan langkah penentu; apakah model yang dibuat sudah cukup bagus dan disetujui oleh stakeholder, atau terdapat hal-hal yang dapat disesuaikan ulang untuk menghasilkan hasil yang lebih baik.
6. Deployment
Langkah keenam adalah Deployment. Jika stakeholder telah puas dengan hasil evaluasi model, langkah selanjutnya adalah deployment. Deplyoment berarti mengimplementasikan model yang telah dibuat ke dalam sistem organisasi sehingga bisa digunakan oleh stakeholder. Contoh deplyoment adalah pembuatan dashboard.
Demikianlah penjelasan secara singkat mengenai CRISP DM, semoga membantu teman-teman sekalian, ya!
Referensi
Rofiq, H. N. (2023). Deteksi Inefisiensi pada Klaim BPJS Kesehatan dengan menggunakan Machine Learning . Jurnal Jaminan Kesehatan Nasional, 3(1). https://doi.org/10.53756/jjkn.v3i1.134