Setiap data harus memiliki cluster dan setiap data dapat berpindah dari kelompok yang satu ke kelompok yang lain merupakan karakteristik hierarical clustering

Perhitungan jarak data berdasarkan Jarak rata-rata atau means setiap datanya disebut dengan average lingkade clustering

Berikur ini merupakan contoh praproses data, yaitu kategorisasi, diskritisasi, agregasi, reduksi atribut dan asosiasi rule

Dataverse merupakan penyimanan datasets , sedangkan data set tempat menyimpat data file, dokumentasi, code yang dilengkapi dnegan metadata

Nilai dari atribut nominal merupakan nama yang berbeda yang hanya menyediakan informasi yang cukup tentang pembeda antara objek satu dnegan yang lainnya misalnya predikat kelulusan

Setiap dataset harus memiliki karakteristik minimal dari segi dimensi, sparsity dan resolusi

Trend penelitian data mining saat ini lebih banyak menguji metode yang dikembangkan dengan dataset publik sehingga penelitian bersifat interaktif, repeatable dan comparable

Normalisasi merupakan penggabungan obyek ke dalam sebuah obyek tunggal

Reduksi fitur atau dimensi merupakan pengurangan jumlah waktu dan memory yang dibutuhkan yaitu membuat data lebih mudah divisualisasi, membantu mengurangi fitur-fitur yang tdk relevan/mengurangi gangguan/derau

Pemilihan fitur dapat dilakukan dengan langkah melakukan pengukuran untuk evaluasi suatu subset fitur, lalu menggunakan metode pencarian yang mengontrol pemilihan subset-fitur baru, menggunakan kriteria untuk melakukan penghentian proses, menggunakan visualisasi hasil

Pembuatan fitur yaitu proses membuat fitur baru yang dapat menangkap informasi penting dalam sebuah himpunan fitur yang lebih efisien daripada fitur- fitur yang ada dan dapat dilakukan salah satunya dengan Konstruksi fitur

Proses learning pada algoritma asosiasi (association rule) bertujuan untuk mencari atribut yang muncul bersamaan dalam satu transaksi dan menunjukan tingkat korelasi yang rendah

Metode classifier yang berdasarkan probabilitas dan Teorema Bayesian dengan asumsi bahwa setiap variabel X bersifat bebas(independence) dengan kata lain, Naïve Bayesian Classifier mengasumsikan bahwa keberadaan sebuah atribut (variabel) tidak ada kaitannya dengan beradaan atribut (variabel) yang lain

Bila P(X|Ci) dapat diketahui melalui perhitungan naïve bayes, maka klas (label) dari data sampel X adalah klas (label) yang memiliki P(X|Ci)*P(Ci) minimum

Assosiasi rule mining dapat digunakan untuk Market Basket Analysis (menganalisa kebiasaan customer dengan mencari asosiasi dan korelasi dari data transaksi) sebagai saran pembuatan produk baru dalam mencari keuntungan yang maksimum

Transformasi data merupakan proses yang memetakan keseluruhan himpunan nilai dari fitur-fitur yang diberikan ke suatu subset nilai pengganti sedemikian sehingga nilai yang lama dapat dikenali dengan satu dari nilai-nilai yang baru tersebut, salah satu contoh nya adalah

Berikut ini merupakan sumber data yang dapat digunakan untuk data mining, kecuali

Sebuah atribut memiliki instance "Lulus " dan "Tidak Lulus", jenis atribut tersebut merupakan

Keterkaitan data minin g dan business intellegent salah satunya adalah ekplorasi data, berikut yang bukan merupakan contoh ekplorasi data adalah