ABSTRAKSI: Data mining adalah proses mengekstrak dan menganalisa data dalam jumlah besar untuk mendapatkan pengetahuan dari data yang ada. Analisis asosiasi sebagai salah satu fungsionalitas data mining adalah proses pencarian pola-pola, asosiasi, atau korelasi yang sering muncul (frekuentatif)dari sekumpulan objek.
Tugas akhir ini akan menerapkan Algoritma MinZoomUR sebagai salah satu algoritma asosiasi untuk mencari pola tak terduga yang sering muncul. Algoritma ini dalam proses pencarian polanya bekerja dengan bantuan metoda zoomout dan zoomin. Di fase pertama ZoomUr, dengan metoda zoomin melakukan pencarian pola-pola tak terduga yang merupakan penyempurnaan dari semua perkiraan sebelumnya. Fase kedua ZoomUR, dari semua asosiasi yang dihasilkan dari fase pertama dilakukan generalisasi untuk menghasilkan pola yang juga tidak diduga. Pendekatan seperti ini akan menghasilkan asosiasi yang lebih sedikit dan lebih menarik dibanding pendekatan lainnya yang sudah ada.
Meskipun menghasilkan hanya asosiasi yang tidak diduga, tetap saja masih ada kemungkinan metoda zoomout menghasilkan banyak asosiasi yang diantaranya redundant dan dapat ditebak dari asosiasi lainnya yang lebih umum. Karena itu, kita perlu menentukan aturan mana yang diterapkan pada data set berdasarkan asumsi monotonicity. Dari hasil analisis, performansi MinZoomUR cukup baik dalam menghasilkan asosiasi relevan. Tulisan ini akan membahas bagaimana Algoritma MinZoomUR menemukan kombinasi terkecil asosiasi relevan yang tidak diduga dari sejumlah objek.Kata Kunci : data mining, Algoritma MinZoomUR, zoomin, zoomout, frequent pattern, dan redundantABSTRACT: Data mining refers to extracting and analyzing large amounts of data to get meaningful knowledge. Association analysis as a functionality of data mining is a process of observating frequent patterns from a set of objects.
This final project will apply MinZoomUR as an association algorithm to find unexpected (frequent) pattern. Tthe process of searching those patterns, MinZoomUR works by two mwthods, zoomin and zoomout. In the first phas eof ZoomUR, zoomin discovers all unexpected patterns that are refinements to any belief. In the second phase of ZoomUR, starting from all the unexpected refinements, zoomout discovers more general rules that also unexpected. This approach generated far fewer and more interesting patterns than traditional approach.
Though ZoomUR discovers only unexpected rules, it still discovers large numbers of rules many of which are redundant in the sense that they can be inferred from other discovered rules. Thus, to address this issue, we formally characterize minimality of a set of unexpected patterns based on the monotonicity assumption. MInnZoomUR has good performance in term discovering relevant association rules. This paper describe how MinZoomUR discover minimal set of unexpected patterns.Keyword: data mining, MinZoomUR algorithm, zoomin, zoomout, frequent patern, redundant