PENGEMBANGAN FRAMEWORK DATA MINING BERBASIS DEEP NEURAL NETWORK DENGAN EKSPLORASI TEKNIK TRANSFER LEARNING UNTUK PREDIKSI DAN KLASIFIKASI DATA

Abstract

The digital transformation in the era of the Industrial Revolution 4.0 has driven the adoption of deep learning technology for data analysis across various sectors, including healthcare, education, and agriculture. This study aims to develop a data mining framework based on deep neural networks by exploring transfer learning techniques to enhance the accuracy and efficiency of prediction and classification processes. The research employs a research and development (R&D) approach with systematic stages, including a literature review, framework design, data collection and processing, framework implementation, and performance evaluation. The developed framework was tested in three primary data domains: healthcare, education, and agriculture. The data underwent cleaning, normalisation, and augmentation to improve quality and variety. The framework was implemented using the TensorFlow library, leveraging pre-trained models such as ResNet50 and InceptionV3. The evaluation used accuracy, precision, recall, F1-score, and training time efficiency metrics. The results demonstrate that the framework achieved an average accuracy of over 90%, improving training time efficiency by up to 60% compared to training from scratch. The transfer learning technique enabled the utilisation of pre-trained models to enhance prediction performance while requiring smaller training datasets. This study also identified key challenges in implementing deep learning technology in Indonesia, including limited infrastructure and low interpretability of analytical results. Consequently, the framework was designed to support interpretability through intuitive data visualisation and flexibility to adapt to various sectors. This framework is not only academically relevant but also practical, providing significant contributions to data-driven decision-making and improving organisational competitiveness in Indonesia.

Transformasi digital di era revolusi industri 4.0 telah mendorong penggunaan teknologi deep learning untuk analisis data di berbagai sektor, termasuk kesehatan, pendidikan, dan agrikultur. Penelitian ini bertujuan untuk mengembangkan framework data mining berbasis deep neural networks dengan eksplorasi teknik transfer learning untuk meningkatkan akurasi dan efisiensi proses prediksi serta klasifikasi data. Penelitian ini menggunakan pendekatan research and development (R&D) dengan tahapan sistematis, termasuk studi literatur, perancangan framework, pengumpulan dan pengolahan data, implementasi framework, dan evaluasi kinerja. Framework yang dikembangkan diuji pada tiga domain data utama: data kesehatan, pendidikan, dan agrikultur. Data yang digunakan melalui tahapan pembersihan, normalisasi, dan augmentasi untuk meningkatkan kualitas dan variasi data. Implementasi framework dilakukan menggunakan pustaka TensorFlow dengan memanfaatkan model pra-latih seperti ResNet50 dan InceptionV3. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan efisiensi waktu pelatihan. Hasil pengujian menunjukkan bahwa framework ini mencapai akurasi rata-rata di atas 90%, dengan efisiensi waktu pelatihan meningkat hingga 60% dibandingkan metode pelatihan dari awal. Teknik transfer learning memungkinkan pemanfaatan model pra-latih untuk meningkatkan kinerja prediksi dengan kebutuhan data pelatihan yang lebih kecil. Penelitian ini juga mengidentifikasi tantangan utama dalam penerapan teknologi deep learning di Indonesia, seperti keterbatasan infrastruktur dan rendahnya tingkat interpretabilitas hasil analisis. Oleh karena itu, framework ini dirancang untuk mendukung interpretabilitas melalui visualisasi data yang intuitif, serta fleksibilitas untuk diadaptasi di berbagai sektor. Framework ini tidak hanya relevan secara akademis tetapi juga aplikatif, memberikan kontribusi signifikan dalam mendukung pengambilan keputusan berbasis data dan peningkatan daya saing organisasi di Indonesia.