Artificial Neural Network for Incremental Data Mining

2017 ◽  
pp. 133-143 ◽  
Author(s):  
Lydia Nahla Driff ◽  
Habiba Drias
Keyword(s):  
Neural Network ◽  
Data Mining ◽  
Artificial Neural Network ◽  
Artificial Neural

Ketepatan Klasifikasi Penerima Beasiswa STMIK STIKOM Bali dengan Hybrid Self Organizing Maps dan Algoritma K-Mean

Jurnal Varian ◽  
2018 ◽  
Vol 2 (1) ◽  
pp. 1-7 ◽  
Author(s):  
Ni Putu Nanik Hendayanti ◽  
Gusti Ayu Made Arna Putri ◽  
Maulida Nurhidayati
Keyword(s):  
Neural Network ◽  
Data Mining ◽  
Artificial Neural Network ◽  
Self Organizing Maps ◽  
Cluster Group ◽  
Artificial Neural ◽  
Clustering Data ◽  
Self Organizing

Data Mining adalah penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Salah satu teknik yang dikenal dalam Data Mining yaitu clustering. Pengertian clustering dalam Data Mining adalah pengelompokan sejumlah data atau objek ke dalam cluster (group) sehingga setiap di lama cluster tersebut akan berisi data yang semirip mungkin dan berbeda dengan objek dalam cluster yang lain. Salah satu metode klasifiaksi atau clustering adalah Self Organizing Maps (SOM). SOM merupakan metode artificial neural network yang digunakan untuk mengelompokkan (clustering) data berdasarkan karakteristik/fitur-fitur data. Metode pengelompokan yang menggunakan konsep jarak dan memiliki karakteristik yang hampir sama dengan SOM yaitu metode K-means. Penelitian ini bertujuan untuk mengembangkan suatu metode yang merupakan hybrid dari SOM dan K-means yang digunakan untuk menentukan ketepatan suatu klasifikasi. Sebelum diujikan pada data asli, metode hybrid SOM dan K-Means diujikan lebih dulu pada data benchmark sehingga dapat diketahui berapa persen ketepan yang dihasilkan. Kemudian dilanjutkan dengan penerapan metode hybrid SOM dan K-means pada data penerimaan beasiswa di STMIK STIKOM Bali. Penelitian ini bertujuan untuk menentukan ketepatan klasifikasi penerima beasiswa STMIK STIKOM Bali dengan metode hybrid SOM dan K-means. Hasil penelitian menunjukkan bahwa metode Kmeans dan SOM memberikan hasil yang sama yang akibatnya metode SOM-Kmeans juga memberikan hasil yang sama. Alasannya, metode SOM-Kmeans menggunakan nilai centroid dari hasil SOM, dan hasil yang diperoleh pada metode Kmean memiliki hasil yang sama dengan SOM akibatnya metode SOM-Kmeans menghasilkan hasil yang sama dengan kedua metode sebelumnya.

Implementasi Rough Neural Network dalam Identifikasi Kepuasan Konsumen Mediasi Bisnis

2018 ◽  
Vol 18 (2) ◽  
pp. 184
Author(s):  
Ikrimah Afifah Trivanni
Keyword(s):  
Neural Network ◽  
Data Mining ◽  
New York ◽  
Artificial Neural Network ◽  
Rough Set ◽  
Artificial Neural ◽  
Artificial Neural Network Ann

Data mining menjadi topik hangat yang sangat bermanfaat di era saat ini. Sistem Artificial Neural Network (ANN) dan rough set yang merupakan metode data mining dapat digabungkan yang selanjutnya disebut sebagai metode Rough Neural Network (RNN). Siste, roughset dalam RNN berfungsi untuk mereduksi atribut untuk optimalisasi informasi sedangkan ANN berfungsi untuk membentuk jaringan dari kumpulan data reduksi tersebut. Metode ini dapat digunakan di berbagai bidang misalnya bisnis yakni dalam mengidentifikasi kepuasan konsumen. Perlindungan hak maupun kewajiban dalam bisnis adalah hal penting di negara maju, contohnya New York yang telah membentuk Departement of Consumen Affairs (DCA). Ribuan mediasi tercatat telah dilakukan oleh DCA New York sehingga pendekatan struktur terhadap kepuasan konsumen merupakan hal penting dalam meninjau apakah layanan mediasi yang dilakukan telah baik. Oleh karena itu, tujuan penelitian ini adalah mengimplementasikan metode RNN pada suatu dataset komplain konsumen terhadap pelayanan mediasi DCA New York. Hasil penelitian pada proses awal, rough set menunjukkan bahwa atribut yang efektif untuk menghasilkan kepuasan konsumen yang optimal adalah atribut Business State, Complaint Result, Duration of Mediation, dan Complaint Type. Eror yang dihasilkan pada jaringan tiruan kepuasan konsumen (Satisfaction) sebesar 345,828 dengan langkah yang dilalui untuk mencapai model yang mungkin adalah sebanyak 65137 langkah. Model RNN menunjukkan selisih eror yang kecil antara data latih dan data tes, artinya model RNN konsisten dalam memprediksi kepuasan konsumen untuk kedepannya.

Data mining of digital phytosanitary

2021 ◽  
Author(s):  
T. Z. Ibragimov ◽  
Keyword(s):  
Neural Network ◽  
Data Mining ◽  
Artificial Neural Network ◽  
Decision Tree ◽  
Bayesian Classifier ◽  
Design Parameters ◽  
Data Set ◽  
Septoria Leaf Blotch ◽  
Leaf Blotch ◽  
Artificial Neural

methods of data mining were used to predict the Septoria leaf blotch of wheat. A system has been developed that allows parallel forecasting with the same data set using the methods of an artificial neural network, a decision tree, and a naive Bayesian classifier. The system allows you to interactively adjust the design parameters for each of the methods, see the results obtained and evaluate their effectiveness.

The Prediction of River Water Pollution Density Based on Data Mining Technology

2010 ◽  
Vol 113-116 ◽  
pp. 1285-1288
Author(s):  
Chen Ye Wang ◽  
Bin Sheng Liu ◽  
Er Wei Qiu
Keyword(s):  
Neural Network ◽  
Water Pollution ◽  
Data Mining ◽  
Artificial Neural Network ◽  
Rough Set Theory ◽  
Mining Technology ◽  
Bp Artificial Neural Network ◽  
Three Stages ◽  
Artificial Neural ◽  
Using Data

In order to increase the prediction precision, this article proposes a forecasting model in water pollution density based on data mining technology. The model consists of three stages: first, the rough set theory and the genetic algorithm are applied to select relevant forecasting variable to the water pollution density; second, training pattern of artificial neural network which is similar to the forecast term is carried out by using data mining technology; finally the artificial neural network is used to carry on forecasting the water pollution density. The applied result shows that this model has a higher precision and surpasses gray GM (1, 1) and the pure BP artificial neural network model.

Sign in / Sign up

Export Citation Format

Share Document