Concept Description. S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha 1

Ukuran: px

Mulai penontonan dengan halaman:

Download "Concept Description. S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha 1"

Hengki Setiabudi
7 tahun lalu
Tontonan:

1 Concept Description S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha 1

2 Concept Description Bentuk descriptive data mining yang paling sederhana. Concept : kumpulan data, misal frequent_buyers, graduate_students. Menghasilkan deskripsi untuk charaterization dan comparison data. Class description : jika concept yang akan digambarkan mengacu pada pada kelas object tertentu Characterization : summarization kumpulan data yang singkat dan padat. 3

3 Data Generalization & Summarization - Based Characterization Data generalization : proses melakukan abstraksi dari suatu himpunan besar taskrelevant data dalam database dari level konseptual yang relatif rendah ke level konseptual yang lebih tinggi. Metode pendekatannya : data cube / OLAP induksi berorientasi atribut

4 Attribute Removal Jika terdapat himpunan besar distinct value pada suatu atribut, tetapi Tidak terdapat operator generalisasi pada atribut tersebut (misal tidak terdapat hirarki konsep pada atribut) atau Konsep pada tingkat yang lebih tinggi-nya diekspresikan dalam atribut lain Maka atribut tersebut harus dibuang 7

5 Generalization Control Mengontrol sampai sejauh mana generalisasi dilakukan sehingga tidak terjadi under/overgeneralization Tekniknya : Attribute generalization threshold control Banyaknya nilai (value) yang berbeda (Range : 2-8) Generalization relation threshold control Banyaknya tuple yang berbeda (Range : 10 30) Dapat diaplikasikan berurutan 9

6 Contoh AOI Name : terdapat banyak distinct value, tidak ada operasi generalisasi, atribut dihilangkan. Gender : terdapat hanya 2 distinct value. Atribut dipertahankan, tidak dilakukan generalisasi. Major : misalkan terdapat hierarki konsep yang telah ada yang menyatakan bahwa atribut major digeneralisasikan ke nilai-nilai sbb : {arts&science, engineering, business}. Misalkan attribute generalization thresholdnya adalah 5, dan terdapat lebih dari 20 distinct value untuk major, maka atribut ini harus digeneralisasikan sesuai hirarki konsepnya. 11

7 Contoh AOI Birth_date : misalkan terdapat hirarki yang dapat menggeneralisasi birth_date ke age, dan age ke age_range, dan jumlah age range di bawah threshold, maka generalisasi harus dilakukan pada birth_date. Residence : misalkan residence ditentukan oleh atribut number, street, residence_city, residence_province_or_state, dan residence_country. Jumlah distinct value untuk number dan street akan sangat besar, harus dihilangkan, sehingga residence digeneralisasikan ke residence_city yang distinct valuenya lebih kecil. 13

8 Contoh AOI Proses generalisasi akan menghasilkan grupgrup dengan tuple-tuple yang identik, misal pada tuple 1 & 2. Tuple yang identik akan di-merge menjadi 1 dengan di-count. Hal ini akan mengarah pada tabel yang tergeneralisasi 15

9 Mempresentasikan Derived Generalization Biasanya ditampilkan dalam bentuk tabel yang telah tergeneralisasi (generalized relation), cross-tabulation (baik 2D maupun 3D), bar & pie chart, kurva, rule 17

10 Initial Relation Class Characterization: Sebuah Contoh Name Gender Major Birth-Place Birth_date Residence Phone # GPA Jim Woodman Scott Lachance Laura Lee Prime Generalized Relation M CS Vancouver,BC, Canada M CS Montreal, Que, Canada F Physics Removed Retained Sci,Eng, Bus Seattle, WA, USA Main St., Richmond st Ave., Richmond Austin Ave., Burnaby Country Age range City Removed Excl, VG,.. Gender Major Birth_region Age_range Residence GPA Count M Science Canada Richmond Very-good 16 F Science Foreign Burnaby Excellent 22 Gender Birth_Region Canada Foreign Total M F Total

11 Quantitative Discriminant Rules Cj = class target q a = sebuah tuple yang digeneraliasi yang meliputi beberapa tuple tuple dari class Tapi dapat juga meliputi tuple tuple dari class yang berbeda d-weight range: [0, 1] d weight Bentuk aturan quantitative discriminant m i 1 count(q a count(q Cj ) Ci ) a X, target_class(x) condition(x) [d : d_weight] 21 21

kuantitatif necessary and sufficient X, target_cla ss(x) condition(x) [t : t_weight]

12 Deskripsi Class Aturan karakteristik kuantitatif Necessary X, target_class(x) Aturan diskriminan kuantitatif Sufficient X, target_class(x) condition(x) Aturan deskripsi kuantitatif necessary and sufficient X, target_cla ss(x) condition(x) [t : t_weight] [d : d_weight] condition 1(X) [t : w 1,d : w 1]... condition n(x) [t : w n,d : w n] 23

dokumen-dokumen yang mirip

S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha

S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha 1 Dari sisi analisis data, DM dapat dikategorikan : Descriptive DM Menggambarkan himpunan data secara singkat dan padat,