aplikasi knowledge discovery and data mining KDD.
Domain skalar pada Tabel 6 dan Tabel 7 yang direpresentasikan dengan himpunan
fuzzy menyatakan sebagian daerah dari atribut seperti yang diberikan pada fungsi
keanggotaan. Derajat relasi ketergantungan
ϕ
ℜ
antara dua himpunan domain skalar adalah tidak asimetris. Sebagai contoh,
derajat ketergantungan hs dengan diberikan he adalah sama dengan 0.94 sedangkan
derajat ketergantungan dari he dengan diberikannya hs adalah sama dengan 0.75,
{hs},{he} = 0.94, {he},{hs} = 0.75.
Dari dua nilai asimetris ini dapat
disimpulkan bahwa
p
he hs
→
he menentukan hs pada sebagian daerah karena memenuhi
{ },{ }
{ },{ }
hs he
he hs
ϕ ϕ
ℜ ℜ
≥
. Secara verbal dapat dikatakan bahwa
“seseorang yang mempunyai he pendidikan tinggi seharusnya menerima hs
panghasilan tinggi” daripada mengatakan “seseorang yang menerima hs penghasilan
tinggi seharusnya memiliki he pendidikan tinggi”. Ini terlihat bahwa hs pada relasi he
mengambil area yang lebar dari pada he pada relasi hs. he tidak mempunyai relasi
kecuali relasi dengan hs. Hal ini berarti tidak ada kelayakan dari S untuk seseorang yang
mempunyai he kecuali seseorang tersebut menerima hs.
Pada penanganan yang lain, hs mempunyai relasi baik he maupun me. Hal
ini berarti bahwa masih mungkin untuk menerima hs bagi seseorang yang memiliki
me, meskipun peluang untuk mendapatkan hs untuk orang yang memiliki me adalah
lebih rendah daripada untuk orang yang memiliki he.
Pada dunia nyata, relasi ini digunakan untuk KDD. Hasil dari aplikasi tersebut akan
diperlukan untuk proses pembuat keputusan, meskipun pada tulisan ini tidak mempunyai
implementasi untuk menguji aplikasi ini secara detail.
4.6 Pendekatan Data Query
Data query adalah salah satu aplikasi dari relasi database. Untuk membangun tabel
keputusan diperlukan relasi fuzzy query. Metode yang berdasarkan pada FCPR digunakan untuk
proses pendekatan data query pada pemberian relasi fuzzy. Pendekatan data query adalah
pendekatan data yang menggunakan peluang query, peluang query memperlihatkan nilai
peluang pada proses data query. Proses data query ditujukan pada dua kerangka yaitu
berdasarkan pada input bergantung dan input bebas. Pada kasus ini, input bergantung
berhubungan dengan operasi AND dan input bebas berhubungan dengan operasi OR dengan
tujuan yaitu untuk menghasilkan output yang relevan. Ini dapat terlihat pada contoh bahwa
metode yang memenuhi relasi klasik crisp dari data adalah sama baiknya seperti relasi
fuzzy. Kemudian, akan diperkenalkan relasi fuzzy query yang berhubungan dengan tabel
keputusan pada bagian sebelumnya yaitu seperti pendekatan data query.
a.
Data Query Berdasarkan Input yang Bergantung
Proses data query berdasarkan input yang bergantung berhubungan dengan operasi AND
yang menggunakan fungsi minimum seperti standar t-norm pada operasi himpunan fuzzy.
Dengan menggunakan definisi peluang query untuk input yang bergantung pada
persamaan 27, jika
1
ˆ | ,...,
1
n
Q b a
a
α ℜ
=
, maka proses data query input
1
, ...,
n
a a
hanya ada satu output yang pasti b
pada relasi .
ℜ Sebaliknya, jika
1
ˆ | ,..., 0
n
Q b a a
α ℜ
= , maka tidak ada peluang untuk menemukan output b
dengan input yang diberikan
1
, ...,
n
a a
pada relasi
ℜ . Contoh 5
Tabel 8 Relasi RN, C, G
N C G
John j Matematika m
A John j Biologi
b B
John j Kimia k
B Paul p Matematika
m B
Paul p Kimia k
A Paul p Biologi
b A
Relasi ℜ dari RN, C, G terlihat pada
Tabel 8. Keterangan :
N = nama,
C = Course mata pelajaran,
G = Grade huruf mutu. Kemudian diasumsikan bahwa akan
dicari
ˆ G = | N =
Q A
j
ℜ
dan
ˆ G= | N= , C= Q
A j
m
ℜ
dengan
0.1 α =
. Transformasi Tabel 8 dengan N=‘j’,
C=‘m’, dan G=‘A’ dapat dilihat pada Lampiran.
Dengan menggunakan persamaan 27, maka perhitungan menjadi :
1.
0 .1
1 ˆ G= | N=
, 3
Q A
j
ℜ
=
Berarti 13 dari mata pelajaran John mendapat nilai A.
2.
0.1
ˆ =A | =j, =m 1.
Q G
N C
ℜ
=
Berarti benar bahwa John mendapat nilai A untuk Matematika.
Contoh di atas merupakan metode query yang didefinisikan berdasarkan pada definisi
peluang query pada relasi database klasik. Peluang query, seperti hasil pada proses data
query memperlihatkan nilai peluang pada proses data query. Dengan menguji semua
nilai domain, maka akan dibentuk relasi fuzzy query yang berhubungan dengan tabel
keputusan pada bagian sebelumnya. Contoh 6
Pada Tabel 8 akan dibuat relasi fuzzy query
0 .1 1
R N
G →
dan
0 .1 2
R C
G →
, relasi tersebut merepresentasikan query
untuk G diberikan input N dan query untuk G diberikan input C seperti yang terlihat
pada Tabel 9 dan Tabel 10 perhitungan lihat Lampiran.
Tabel 9
0 .1 1
R N
G →
N G QG|N
0.1
John A 13 John B 23
Paul B 13 Paul A 23
Tabel 10
0 .1 2
R C
G →
C G QG|C
0.1
Matematika A 12
Biologi A 12 Kimia A 12
Matematika B 12
Kimia B 12 Biologi B 12
Contoh 7 Tabel 4 pada Contoh 4 akan digunakan
kembali untuk pendekatan data query berdasarkan input yang bergantung. Tabel 4
merepresentasikan sistem informasi dari Karir I = U, A ={E, S} dan
ℜ
adalah relasi RE, S. Fungsi keanggotaan dari himpunan fuzzy
high education he, dan high salary hs, diberikan sebagai berikut :
he ={0.1SHS, 0.8BA, 1MS, 1PhD}, hs = {0.1255, 0.5275, 1300, 1315, 1340,
1350, 1355, 1360, 1374, 1400, 1415, 1420, 1470, 1500}.
Dengan menggunakan persamaan 27, akan didapatkan peluang query untuk objek yang
diberikan “he AND hs” perhitungan lihat Lampiran.
ˆ Q
ℜ
u
1
|he,hs = 19.4 = 0.106,
ˆ Q
ℜ
u
2
|he,hs = 0,
ˆ Q
ℜ
u
3
|he,hs = 19.4 = 0.106,
ˆ Q
ℜ
u
4
|he,hs = 0,
ˆ Q
ℜ
u
5
|he,hs = 0,
ˆ Q
ℜ
u
6
|he,hs = 0,
ˆ Q
ℜ
u
7
|he,hs = 19.4 = 0.106,
ˆ Q
ℜ
u
8
|he,hs = 0,
ˆ Q
ℜ
u
9
|he,hs = 19.4 = 0.106,
ˆ Q
ℜ
u
10
|he,hs = 0.19.4 = 0.0106,
ˆ Q
ℜ
u
12
|he,hs = 0.19.4 = 0.0106,
ˆ Q
ℜ
u
13
|he,hs = 0.89.4 = 0.085,
ˆ Q
ℜ
u
14
|he,hs = 0.19.4 = 0.0106,
ˆ Q
ℜ
u
15
|he,hs = 0.89.4 = 0.085,
ˆ Q
ℜ
u
16
|he,hs = 0,
ˆ Q
ℜ
u
17
|he,hs = 0.89.4 = 0.085,
ˆ Q
ℜ
u
18
|he,hs = 19.4 = 0.106,
ˆ Q
ℜ
u
19
|he,hs = 0,
