MEMAHAMI MUDAH MENGORIENTASI ATRIBUT PERATURAN KARAKTERISTIK INDUKSI (AOI) ALGORITMA

Penelitian ini akan memberikan pemahaman yang mudah bagi yang mau belajar dan memahami Data Mining, terutama untuk memahami Teknik penggalian data Atribut Oriented Induction (AOI) dengan maksud untuk algoritma aturan karakteristik AOI. Data pertambangan telah menjadi topik penelitian yang menarik dalam segala jenis disiplin ilmu seperti ekonomi, pendidikan, biologi, sosial, kedokteran, perbankan dan sebagainya. Penambangan data telah diakui sebagai senjata ampuh untuk menangani data besar dan atribut yang rumit. Penambangan data telah dikenal menemukan pola menarik yang dapat digunakan untuk deskripsi atau prediksi. Orang bisa menyadarinya data mining mudah diimplementasikan, hanya sebagian algoritma yang diimplementasikan dengan semua jenis bahasa software pada dataset teks atau database, membantu manusia dengan aktivitas kecerdasan buatan seperti berpikir seperti manusia.

Pemahaman Aturan Karakteristik AOI. AOI dikembangkan untuk mempelajari berbagai jenis pengetahuan aturan seperti aturan karakteristik, aturan diskriminasi, aturan klasifikasi, keteraturan evolusi data, asosiasi aturan dan aturan deskripsi cluster. Untuk pengembangan masa depan, algoritma aturan karakteristik AOI ini harus diimplementasikan dengan bahasa pemrograman server seperti PHP (Personal Home Pages) dan dibagikan ke publik. Itu pemilihan PHP sebagai implementasi memiliki motivasi.

Buku Bacaan

J. Han, Y. Cai, N. Cercone, Knowledge discovery in
databases: An attribute-oriented approach. Proceeding
of 18th International Conference Very Large Data
Bases, Vancouver, British Columbia, (1992) 547-559.

[2] S.Warnars, Mining Patterns with Attribute Oriented
Induction. Proceeding of International Conference on
Database, Data Warehouse, Data Mining and Big Data
(DDDMBD), Tangerang, Indonesia, (2015) 11-21.

[3] S. Warnars, Measuring Interesting rules in
characteristic rule. Proceeding of the 2nd International
Conference on Soft Computing, Intelligent System
and Information Technology (ICSIIT), Bali,
Indonesia, (2010) 152-156.

[4] Y. Wu, Y. Chen, R. Chang, Generalized knowledge
discovery from relational databases. International
Journal of Computer Science and Network, 9(6)(2009)
148-153.

[5] J. Han, Y. Cai, N. Cercone, Data-driven discovery of
quantitative rules in relational databases. IEEE
Transction on Knowledge and Data Engineering,
5(1)(1993) 29-40.

[6] J. Han, Y. Fu, Exploration of the power of attribute-
oriented induction in data mining. in U. Fayyad, G.Piatetsky-Shapiro, P. Smyth and R. Uthurusamy, eds.
Advances in Knowledge Discovery and Data Mining,
(1995) 399-421.

[7] Y. Cai, Attribute-oriented induction in relational
databases. Master thesis, Simon Fraser University,
(1989).

[8] D.W. Cheung, H.Y. Hwang, A.W. Fu, J. Han,
Efficient rule-based attribute-oriented induction for
data mining. Journal of Intelligent Information
Systems, 15(2)(2000) 175-200.

[9] S. Warnars, Mining Frequent Pattern with Attribute
Oriented Induction High level Emerging Pattern
(AOI-HEP). Proceeding of IEEE the 2nd International
Conference on Information and Communication
Technology (IEEE ICoICT 2014), 28-30 May 2014,
Bandung, Indonesia, (2014), 144-149.