Kisi – Kisi UAS Temu Pengetahuan 1. Sebutkan salah satu definisi dari Datamining! 2. Jelaskan langkah – langkah analisis dari Datamining! 3. Sebutkan tugas – tugas Datamining yang termasuk prediktif! 4. Sebutkan tugas – tugas Datamining yang termasuk deskriptif! 5. Sebutkan tujuan dari proses klasifikasi dari Datamining! 6. Sebutkan tujuan dari proses klastering dari Datamining! 7. Sebutkan tujuan dari proses Association Rule dari Datamining! 8. Sebutkan tujuan dari proses regresi (regression) dari Datamining! 9. Sebutkan tujuan dari proses Text Mining dari Datamining! 10. Sebutkan 3 jenis aplikasi Datamining dalam bisnis! 11. Jelaskan arti dari deskripsi konsep (concept description) dalam Datamining! 12. Jelaskan arti dan metode pendekatan dari generalisasi data (data generalization)! 13. Sebutkan 2 teknik yang biasa dipergunakan dalam Induksi Berorientasi Obyek (AOI)! 14. Jelaskan mengapa sebuah atribut perlu dibuang pada proses Induksi Berorientasi Obyek (AOI)! 15. Jelaskan mengapa sebuah atribut perlu digeneralisasi pada proses Induksi Berorientasi Obyek (AOI)! 16. Apa yang dimaksud dengan Atribute Generalization Threshold Control dan Generalization Relation Threshold pada proses Generalization Control! 17. Kasus proses pengurangan dan generalisasi atribut! 18. Sebutkan 4 proses algoritma dana Atribute-Oriented Induction (AOI)! 19. Sebutkan definisi dari Association Rule dalam Datamining! 20. Apa yang dimaksud dengan Support dan Confidence pada Association Rule! 21. Menghitung Support dan Confidence pada suatu daftar transaksi! 22. Sebutkan kekuatan dan kelemahan Association Rule! 23. Jelaskan perbedaan dari Algoritma Apriori dan FP Growth pada Association Rule! 24. Kasus penerapan Algoritma Apriori! 25. Kasus penerapan FP Growth! 26. Jelaskan teknik Classification dan beberapa teknik yang dipergunakan! 27. Jelaskan teknik Prediction dan beberapa teknik yang dipergunakan! 28. Sebut dan jelaskan 2 tahap dalam teknik Classification! 29. Sebutkan 5 kategori yang dipakai dalam mengevaluasi metode Classification! 30. Studi kasus pembentukan Decision Tree berdasarkan Gain! 31. Studi kasus klasifikasi suata data yang tidak diketahui berdasarkan Naive Bayes! 32. Sebutkan keuntungan dan kerugian dari klasifikasi Naive Bayes! 33. Sebutkan 5 tipe data yang harus dipertimbangkan saat melakukan Clustering! 34. Sebutkan definisi dari Cluster Analysis! 35. Jelaskan 2 kriteria yang harus dipenuhi untuk membuat Clustering yang baik! 36. Sebutkan dan jelaskan 2 jenis data yang dipakai dalam Cluster Analysis! 37. Jelaskan perbedaan antara Euclidean Distance dan Manhattan Distance! 38. Untuk tipe data biner (binary variable) terdapat 2 jenis data yaitu Symmetric dan Assymetric, jelaskan perbedaan keduanya! 39. Apakah perbedaan antara nominal variable dan ordinal variable! 40. Sebutkan dan jelaskan 2 tipe dari Clustering! 41. Sebutkan 2 jenis algoritma yang dipakai dalam metode partitioning! 42. Sebutkan 2 metode yang dipakai dalam metode hierarchical!