213120002
006.312 - Data mining
Karya Ilmiah - Skripsi (S1) - Reference
Data Mining
13 kali
ABSTRAKSI: Hal yang dijadikan acuan pada association rule mining adalah nilai support dan nilai confidence. <br>Semakin tinggi nilai support dan nilai confidence maka semakin baik rules yang dihasilkan. <br>Algoritma association rule mining menerapkan unsupervised learning dimana rule yang dihasilkan <br>tidak ditentukan untuk menjadi class tertentu. Performansi algoritma association rule mining <br>sangat bergantung pada ukuran dataset /dimensi yang digunakan. Performansi dapat di ukur dari <br>waktu pemrosesan yang dihasilkan. Semakin besar dataset maka dimensinya akan semakin besar <br>dan waktu pemrosesan akan semakin lama. Jika dimensi dapat disusutkan maka waktu proses <br>akan semakin cepat sehingga performansi semakin baik, dengan catatan nilai confidence relatif <br>tidak berubah. <br><br>Intersection merupakan jenis dari teori himpunan yang dapat mengurangi jumlah atribut pada 2 <br>atau lebih himpunan yang berelasi. Oracle merupakan salah satu RDBMS, himpunan yang <br>berelasi dapat diterapkan pada Oracle RDBMS sebagai tabel-tabel yang berelasi. IST-EFP <br>algorithm adalah proposed algoritma yang mengkombinasikan algoritma EFP (Expand FP- <br>Growth) dengan teori himpunan. <br><br>Pada penelitian ini algoritma IST-EFP dapat menyusutkan dimensi dari dataset sampai 87.5% <br>dengan perbaikan waktu proses 26.6%. Nilai confidence yang dihasilkan relatif tidak berubah, <br>contoh rule FP-18  FKUE72 sebelumnya memiliki nilai confidence 23.4%, dengan algoritma <br>IST-EFP menjadi 23.41%. <br><br>Hasil-hasil yang didapatkan dapat digunakan untuk menentukan business actions.KATA KUNCI: association rule mining, unsupervised learning, confidence value, IST-EFP algorithm, dataset, set theory, pruned, intersections, Oracle RDBMS, business actions.ABSTRACT: Values used as a reference of the association rule mining are support value and confidence value. <br>The higher the value the support and confidence value, the better the resulting rules. Association <br>rule mining algorithms apply unsupervised learning because the resulting rule is not determined to <br>rule mining algorithms apply unsupervised learning because the resulting rule is not determined to <br>be a certain class. Performance of association rule mining algorithms rely heavily on the dataset <br>size / dimensions are used. Performance can be measured from the time processing is generated. <br>The larger the dataset, the dimensions will be greater and the processing time will be longer. If the <br>dimensionality of dataset can be pruned, the processing time will be faster and the performance <br>will be better, with confidence values relatively unchanged. <br><br>Intersection is a kind of set theory that can reduce the number of attributes on related sets. Oracle <br>is one of the RDBMS, related sets can be applied to the Oracle RDBMS as the related tables. IST- <br>EFP algorithm is a proposed algorithm that combines the EFP (Expand FP-Growth) with set <br>theory. <br><br>In this study, IST-EFP algorithm can reduce the dimension of the dataset to 87.5% with a 26.6% <br>improvement on time processing. The confidence value obtained was relatively unchanged, as an <br>example of FP-18  FKUE72 rule, previously the rule have 23.4% confidence value, after IST- <br>EFP implemented confidence value change to 23.41%. <br><br>This results can be used for business actions.KEYWORD: association rule mining, unsupervised learning, apriori, fp-growth, dataset, set theory, pruned, intersections, Oracle RDBMS, business actions.
Tersedia 1 dari total 1 Koleksi
Nama | Boby Siswanto |
Jenis | Perorangan |
Penyunting | Prof. Dr. The Houw Liong , Shaufiah |
Penerjemah |
Nama | Universitas Telkom |
Kota | Bandung |
Tahun | 2014 |
Harga sewa | IDR 0,00 |
Denda harian | IDR 0,00 |
Jenis | Non-Sirkulasi |