menghasilkan suatu pola atau karakter data yang dapat berarti dan dapat digunakan untuk membentuk
sebuah informasi atau pengetahuan yang berguna. Data mining ini merupakan salah satu tahapan dari
proses yang ada pada Knowledege Discovery in Database KDD yang digunakan untuk mengambil
intisari dari model atau pola tertentu yang muncul dari analisis data.
Secara umum, data mining dapat dikelompokan menjadi 2 kategori utama, yaitu predictive dan
descriptive Han, Kamber, Pei, 2012 :
a. Predictive
mining adalah proses pencarian pola-pola dari kumpulan data menggunakan variabel tertentu
yang mungkin akan terjadi di waktu yang akan datang. Proses ini dilakukan dengan cara
melakukan analisis kepada kumpulan data secara urut dan membentuk satu atau beberapa kumpulan
model yang dapat digunakan untuk memprediksi karakteristik dari kumpulan data baru. Contoh
dari penerapan predictive data mining adalah proses klasifikasi, analisis regresi dan
analisis trend.
b. Descriptive
Descriptive mining adalah proses pencarian karakter atau ciri-ciri serta informasi tertentu
yang penting dalam suatu kumpulan data. Tugas descriptive mining adalah melakukan
penyelidikan atas informasi yang bisa didapatkan dari kumpulan data tertentu. Informasi yang
didapatkan, atau cirri yang didaptkan dari proses
yang ada pada
Kn Kn
owledege Discovery in
Database KD
KD D
D yang
digunaka an
n untuk mengambil
intisari d
dari mode e
l atau pola terten entu yang muncul
dari a
analisis data. .
Seca c
ra u
u mum, data mining da
d pat
t dike
e lo
l mpokan
menjad ad
i i
2 ka ka
t te
gori utama, ya
yait i
u pr
pred ed
ic i
tive ve dan
de de
sc scri
riptiv v
e Han, Kambe
r, Pei, 20
12 12
:
a. .
Pr edicti
ve
mining adalah prose s
pencarian pola
la -
-pola a
da ri
kumpulan da
ta m
engg un
akan varia be
l l
te e
rt rten
e tu
yang m un
gk in
a ka
n terj ad
i di waktu y a
ang akan an
datang. Pr os
es ini
d ilak
uk an den
ga an
ca cara
a mela
ku kan anal
isis kepad a
kumpulan dat a
a se
secara ra
ur ut
d d
a an membe
nt nt
uk sat at
u atau
b b
eb eb
erapa kumpul
l an
an model yang dapat
t d
d i
igunakan untuk mempred d
ik ik
si si
karakteristik dari kumpulan data baru. C
Con onto
to h
da da
i ri
p p
en e
er er
ap ap
an an
p p
redict ct
iv ive
e da
da ta
ta m i
inin n
g g ad
ad al
al ah
proses es
kla la
si si
fika ka
si si,
, an
an al
al is
sis is regresi
si dan analis
is i
is trend.
b. Descriptive
Descriptive mining
g adalah proses pencarian karakter atau ciri
ri-ci iri serta informasi tertentu
yang penting dalam m
suatu kumpulan data. Tugas
proses ini perlu dilakukan proses validasi dan pemberian penjelasan terhadap temuan baru yang
ada pada data. Proses ini disebut post- processing.
Data mining memiliki 3 tujuan utama dari proses yang dilakukan yaitu explanatory, confirmatory, dan
exploratory Hoffer, Ramesh Topi, 2012. Tujuan data mining dalam kaitannya dengan explanatory
adalah untuk memberikan penjelasan pada suatu kondisi tertentu atau pada suatu proses observasi.
Sedangkan tujuan confirmatory digunakan untuk melakukan konfirmasi atau menjawab hipotesis yang
dibuat. Terakir adalah exploratory yang bertugas untuk menganalisis kumpulan data yang akan diproses.
Sebagai salah satu proses analisis, data mining memiliki kelebihan dalam melakukan proses analisis.
Yang pertama jelas bahwa data mining dapat menangani pemrosesan terhadap data yang besar dan kompleks
seperti memiliki berbagai macam tipe data dan atribut yang dimiliki. Kelebihan yang penting pada
data mining adalah kemampuannya untuk mempelajari pengalaman atau proses pembelajaran terdahulu.
Dengan kemampuan ini, hasil dan kualitas analisis proses yang dilakukan pada waktu selanjutnya akan
meningkat. Pada data mining terdapat beberapa tahapan yang
dilakukan untuk memproses kumpulan data. Proses pertama yang dilalui adalah data selection. Pada
pemilihan data ini adalah proses memilih kumpulan data yang akan dianalisis. Lalu yang kedua adalah
preprocessing yaitu proses pembuangan data yang ganda, data yang inkonsisten , serta penggabungan
Data mining g memiliki 3 t
t uj
uj uan utama dari proses
yang dilak k
uk ukan yaitu explanatory,
co c
nfirmatory, dan explorat
atory Hoffer er
, Ramesh Topi, 2
2 012. Tujuan
data a
minin n
g da
d la
m m
ka kait
it an
an ny
ny a
a dengan
e e
xplanatory ad
dalah unt uk
uk memberikan penj
el elasan
n pada
a suatu
kondis is
i i
t terten
en t
tu atau pada s
ua a
tu tu
pro ose
se s
s obse
r rvasi.
Se Se
da da
ng ng
kan tu
juan co
nf irmatory
d d
ig i
un n
ak ak
an an
u nt
n uk
me me
la la
kuka ka
n konfirmasi a
tau menjawab h
ip ip
otes esis
is yan ang
di d
buat at
. Teraki r
adal ah
explor at
ory ya
ng ng
b ber
ertu tu
ga s
s u
untu u
k menganalis
is kumpulan
data yang akan
dip p
ro ro
se s
s. Se
b ba
gai sa
lah sa tu
p ro
ses analisis ,
da ta
a m
min in
in n
g g
me e
mi liki kel
eb ihan
d al
am mel akuk
an proses
a analisi
is .
Ya a
ng pertama jelas bahwa data
mining dapat m
menang ngan
i i
pe pe
mr os
es an
t t
er er
ha ha
da d
p data y
y an
an g
g be
b sar da
n ko
komple e
ks ks
seperti me mi
liki ki
b b
er erbaga
gai i
macam tipe data da dan
n atribut yang dimiliki. Kelebihan yang penting
pa pa
d da
da data
ta mining adalah kemampuannya untuk mem
em pe
pela laja
ja ri
pe p
ng ng
al al
am am
an an
a a
ta ta
u u
pr pros
oses es
p pem
m be
be la
la ja
ja ra
ra n
n te
te rd
rdah ah
u ulu.
De Deng
ng an
an k
k e
emam am
p puan
i i
ni, hasi i
l l
dan n
ku u
al alit
it as
as a
ana nalisis
proses yang dilakuka kan pa
a da
d waktu selan
j jutnya akan
meningkat. Pada data minin
ng terda dapat beberapa tahapan yang
dilakukan untuk mem mprose
es kumpulan data. Proses pertama yang dilalui
a a
da lah
data selection. Pada pemilihan
data ini
adalah proses
memilih kumpulan
data dengan data lain untuk memperkaya informasi guna keperluan analisis. Proses ketiga adalah
transformasi yaitu proses pengkodean sesuai dengan kriteria analisis pada data yang telah dipilih.
Kemudian proses pencarian pola atau informasi yang baru dengan metode atau teknik tertentu. Proses
terakhir adalah proses evaluasi yaitu proses pengkajian hasil penemuan informasi baru dengan
fakta atau hipotesis yang sebelumnya telah dibuat lalu dipresentasikan dalam bentuk yang sesuai dengan
keinginan.
2.2.2. Artificial Neuron Network ANN
Artificial Neuron Network ANN atau Jaringan Saraf Tiruan adalah sebuah konsep rekayasa
pengetahuan yang mengadopsi sistem kerja saraf manusia. Metode ini dapat digunakan untuk pengenalan
pola, klasifikasi dan peramalan. Dalam desainnya, ANN memiliki 3 bagian yaitu bagian input, bagian
pemrosesan dan bagian output Prasetyo, 2012. Inputan pada ANN ini dapat berupa vector sehingga
perhitungan dalam ANN dapat dilakukan untuk masalah yang kompleks dengan mudah.
Dalam prosesnya, metode ANN ini digunakan untuk melakukan peramalan dan pengenalan pola dalam data
mining. Untuk melakukannya, ANN memerlukan proses pelatihan agar dapat melakukan prediksi kelas dari
suatu data uji coba. Dalam proses penambangan data, ANN menggunakan fungsi aktivasi yang digunakan untuk
membatasi keluaran dari bagian pemrosesan atau neuron agar sesuai dengan batasan yang diinginkan.
Terdapat berbagai algoritma yang dapat digunakan Kemudian proses pe
pe nc
ncarian po
po la atau informasi yang
baru dengan metode atau tekn
ik ik
tertentu. Proses terakhir
adalah proses evaluasi yaitu
proses pengka
ka j
jian hasil p en
enem mua
ua n
n in
in formasi
ba b
ru dengan fakt
kta atau h
h ip
ip otes
i is yang
se sebe
be lu
lum mnya tel
ah ah
dibuat l
lalu dip ip
re r
sentas s
ik ik
an an d
alam b
b en
en tuk yang
g s
s esuai
dengan kein
in gi
gi na
na n.
2.2.2. 2.
Artifi ci
al Neuro n
Networ k
ANN
Artificial N
euron Netw or
k ANN ata
u u Ja
Jari ring
n an
n Sa
r ra
f Tiruan ada
la h
se bu
ah kon se
p reka
ka ya
y sa
a pe
eng etahuan
ya ng
m en
ga do
ps i
si st
em ker
ja a sar
r af
af ma
a nusia. Metode
in i
dapat di
gu na
ka n untuk pe
ngena alan
n po
po la
, kl
as if
ik asi dan peramalan.
Dal am
d e
esai ainnya
ya ,
ANN me mi
mi li
li ki
ki 3
3 b
b ag
agia ia
n ya yait
it u
u ba
ba gi
gi an
an i
i nput, bagi
gi an
an pemrosesan dan bagia
a n
n output Prasetyo, 20
12 12
. In
In pu
p tan pada ANN ini dapat berupa vector
s s
eh ehin
ingg gg
a pe
pe rh
rh it
it un
un ga
ga n
n da
da la
lam m AN
ANN N
da a
pa pat
t di
di l
la ku
ku ka
ka n
n un
un tu
tu k
k ma ma
sa sal
lah ya
ya ng
ng kom
om pl
plek eks de
deng ng
an a
m mud
ud a
ah. Dalam prosesnya,
a, metod ode ANN ini digunakan untuk
melakukan peramalan n
dan pe engenalan pola dalam
data mining. Untuk mela
k kukanny
ya, ANN memerlukan proses pelatihan agar dapat
t mel
l ak
ukan prediksi kelas dari suatu data uji coba. D
Dal alam proses penambangan data,
k f
i k i
i di
k k
untuk menggunakan metode ini. Salah satunya adalah algoritma Backpropagation.
Algoritma Backpropagation adalah salah satu algoritma yang digunakan untuk melakukan pelatihan
pada metode ANN. Algoritma ini bersifat nonlinear yang dapat mengatasi berbagai masalah yang rumit.
Algoritma ini memiliki dasar matematis yang tinggi dan dilatih menggunakan meode belajar tebimb ing
dimana hasil atau tujuannya sudah diketahui sebelumnya. Pada algoritma ini, jaringan akan
diberikan sepasang pola yang merupakan masukan dan pola yang diinginkan. Ketika pola dimasukan ke dalam
jaringan maka bobot-bobot akan diubah untuk memperkecil perbedaan pola keluaran dengan pola yang
diinginkan. Pelatihan ini dilakukan berulang -ulang sehingga memenuhi pola yang diinginkan,
Algoritma ini mendukung jenis ANN yang bersifat multi layer atau biasa disebut Multi Layer Precepton
MLP. Pada algoritma ini terdiri dari 3 layer yaitu layer input, layer tersembunyi dan layer output.
Gambar 2.1. Arsitektur Multi Layer Precepton Haselstainer Pfurtscheller, 2000.
g y
g g
p pada metode AN
N N.
N. Algoritma i
i ni
n bersifat nonlinear
yang dapat t
mengatasi berbagai masa salah yang rumit.
Algoritm tma ini mem
m il
i iki dasar matemati
is s
yang tinggi dan
dilati i
h h
m menggu
gu na
naka ka
n n
me me
od od
e e
belajar tebimb ing
di dimana has
s il
il atau tujuannya
a suda
d h
di diketahui
sebelu lu
mn mnya
y .
Pa Pa
da alg
or itma
i i
ni n
, ja
ja ri
ri ngan
akan di
di be
be ri
ri kan
n se
pa sang pol
a yang merup
ak ak
an m
m as
asuk u
an dan
po po
la la
y y
a an
g diinginkan. Ketika pol a
dima su
sukan ke
ke dal l
am a
ja j
rin ng
an maka bobo t-
bobot ak
an d iu
u bah
h un
un tu
k k
m memp
mp er
kecil perb ed
aan pola k el
uaran dengan pol
l a
a ya
y ng
g di
i in
gink an
. Pelati ha
n in
i di
lakukan beru la
ang -u
-u la
l ng
ng se
e hi
ngga mem en
uh i po
la y an
g diin
gi nk
an, Algori
tma ini
mendukun g
je ni
s AN N
yang ber
rsifa a
t t
mult i
la a
ye ye
r r atau bi
bias a
a dise se
b but Mult
lt i
i La
yer Pr
P ecepto
ton n
MLP. Pada algoritma in n
i i
terdiri dari 3 layer y y
ai ai
tu tu
layer input, layer tersembunyi dan layer output. t.
Pada gambar di atas dapat dilihat arsitektur dari algoritma ini. Dicontohkan dengan gambar diatas
diketahui terdapat layer output lalu satu layer tersembunyi dan satu layer input. Pada layer
tersembunyi ini dapat dibuat lebih dari satu layer. Proses yang berjalan pada algoritma ini adal ah nilai
dikirim melalui layer input ke layer tersembunyi sampai ke layer output. Pada bagian layer
tersembunyi memiliki fungsi aktivasi sigmoid. Pelatihan pada algoritma Backpropagation memiliki
proses seperti berikut. Yang pertama adalah proses Inisialisasi yang digunakan untuk memberikan nilai
awal terhadap nilai yang diperlukan seperti bobot. Lalu yang kedua adalah Aktivasi yang akan melakukan
perhitungan aktual output pada layer tersembunyi dan layer output. Selanjutnya adalah Pelatihan Bobot
yaitu menghitung eror pada layer tersembunyi dan layer output dan mengganti bobot dengan bobot yang
baru dan terakhir adalah Iterasi yang akan mengulang proses ini hingga mendapat eror yang minimal. Pada
algoritma ini, proses pelatihan memiliki dua fase utama. Fase yang pertama, inputan pada algoritma
ini diberikan pada layer input pada jaringan. Kemudian inputan akan diteruskan ke dalam layer –
layer tersembunyi hingga menghasilkan nilai output di layer output. Fase kedua yaitu akan dihitung
nilai eror dari hasil output jaringan dengan output yang sebenarnya. Kemudian hasil tersebut
dikembalikan ke layer tersembunyi hingga kembali ke layer input dimana saat proses pengembalian ini,
p y
y p
y tersembunyi
da a
n n
satu layer r
input. Pada layer tersembuny
y i
i ini dapat dibuat lebih
h dari satu layer.
Proses y yang berjalan
a p
p ada algo
g ritma in
i i
adal ah nilai diki
i r
rim mela la
lu lu
i i
la a
ye ye
r r
in in
pu pu
t t
ke k
layer t
t ersembunyi
sa ampai ke
l l
ay er output.
P P
ad ada bagian
n layer
m m
tersem embu
buny n
i m
me mi
liki fungs i
akti iva
vasi si
sig gmoid.
Pe Pe
la lati
tihan pada algor
itma Backprop
ag agat
io io
n n
me m
mi i
li l
ki pr
pr os
os es
seper ti
berikut .
Yang pertama a
a da
la lah
h pros
s es
e Inisi
iali sasi yan
g digu
na kan un
tu k memb
er rikan
an n
n il
i ai
i a
awal l
terhadap ni la
i ya ng
dip er
lukan sepe r
rti bo bo
bo b
t. La
l lu
yan g
kedua ad al
ah Aktiv as
i yang a
kan m
mela a
ku ku
ka a
n n
pe e
rh itungan
ak tu
al outpu
t pa
da l ay
er terse mb
b unyi d
dan n
la a
yer output. Se la
nj utnya ad
al ah Pelatih
a n
B B
o obot
t ya
yait u
me ng
hi tu
tu ng
ng eror pada
l l
ay ay
er e
ter se
mbun uny
yi d
d an
an layer outp
ut dan
m m
en en
gg g
an n
ti ti
b bobot
d engan bobot ya
ya ng
ng baru dan terakhir adal
ah ah Iterasi yang akan mengu
gula la
n ng
pr r
os os
es ini hingga mendapat eror yang minim im
al al.
. Pa
Pa da
al l
go go
ri ri
tm tm
a a
in in
i, i,
p ro
ro se
ses s
pe pela
lati ti
ha ha
n n
me me
mi mi
li li
ki ki
d dua
a f
fase ut
utam am
a a.
F F
a ase
e yang
p p
ertama, in
puta ta
n n
p pad
ad a
a al
al go
goritma ini
di diberikan pada
a lay
yer input pad d
a jaringan. Kemudian inputan ak
kan dite eruskan ke dalam layer
– layer tersembunyi h
hingga menghasilkan nilai output
di layer output. F a
ase k
kedua yaitu akan dihitung nilai eror dari hasil
ou utput jaringan dengan output
yang sebenarnya
Kemudian hasil
tersebut
bobot nilai akan diubah untuk agar mendapatkan hasil output yang lebih akurat Prasetyo, 2012.
Backpropagation Klasifikasi memiliki metode yang digunakan untuk melakukan pembelajaran terhadap
kumpulan data dan kemudian memetakan masing-masing data yang terpilih ke dalam salah satu dari kelompok
kelas yang telah ditetapkan sebelumya. Tujuan dari klasifikasi yaitu memperkirakan kelas yang dimiliki
dari suatu objek dimana objek tersebut belum diketahui labelnya. Proses klasifikasi ini melakukan
proses pencarian model atau fungsi yang dapat menjelaskan atau membedakan kelas dari data tertentu
Han, et al., 2012. Untuk mengukur kualitas dari
klasifikasi dapat digunakan perhitungan berikut ini:
2.2.3. Temporal Data Mining
Temporal Data mining adalah sebuah teknik penambangan data yang dilakukan pada database
temporal. Database temporal merupakan database yang memiliki data bersifat temporal yang artinya
memiliki faktor waktu. Sebuah data pada temporal database bersifat time series yang artinya nilai
pada data tersebut tersusun berdasarkan waktu tertentu. Dengan kata lain, temporal data mining
berarti melakukan analisis penambangan data yang mempertimbangkan pengaruh waktu Mitsa, 2010. Pada
penambangan data ini, unsur kompleksitas akan muncul dikarenakan penggalian data dan pemrosesan data
dilakukan berdasarkan runtun waktu tertentu. Dalam penerapannya, penambangan data temporal ini dapat
digunakan untuk melakukan klasifikasi serta prediksi suatu data yang akan datang. Klasifikasi pada
y g
g p
j p
kumpulan data da dan kemudian
m m
em em
etakan masing-masing data yang te
terpilih ke dalam salah sa satu dari kelompok
kelas ya yang telah
d ditetapkan sebelumya.
a. Tujuan dari klas
s i
ifikasi i
ya ya
it i
u me
memp mp
er er
ki ki
ra raka
ka n
n ke e
las yang ng dimiliki
da dari
s s
ua u
tu o b
bjek dimana ob
b je
e k
k te
te rsebut
t belum diketa
tahu hui
i labe
be ln
lnya . Proses kla
si sifi
f kasi
i i
i ni
ni mel
ak a
ukan pr
pr os
os es
es p
p e
en ca
rian model atau fung
gsi y
y an
ang g
da dapat
me me
nj nj
ela as
kan atau membedakan kela s
dari d
d ata
te terten
n tu
t Han
, ,
et al., 2012. Un
tuk me ng
ukur k ua
alita ta
s s
da d
ri ri
k klas
s if
ikasi dapa t
digu na
kan pe rh
itungan be r
riku u
t t in
in i:
2. .
2. 3.
Tempor al
D at
a Mining
Temporal Dat a mining
a dalah sebuah
te ekni
k k
pe e
na n
mban ga
n n
d da
ta ta
yang di
di la
la k
ku ka
ka n
n pada
d databas
as e
e temporal. Database t
tem empo
ora ral merupakan database y
yan an
g g
memiliki data bersif f
at temporal yang
art rtin
in y
ya me
m mi mi
li li
ki ki
f f
ak ak
to to
r r
wa w
ktu. Seb b
ua ua
h h
da da
ta ta
p p
ad ad
a a
te te
mp mpor
or al
da d
ta b
base b
ber ersi
si fa
t ti
time me
s series
y yan
an g
ar i
tinya a
ni nilai
pa pada
da d
data a
terseb b
ut u
ter r
s susun
be be
rd rd
as asar
ar ka
kan waktu
tertentu. Dengan ka ata la
ain, temporal data mining
berarti melakukan analisi
s penambangan data yang mempertimbangkan pen
ngaruh waktu Mitsa, 2010. Pada
penambangan data ini, uns
sur kompleksitas akan muncul dikarenakan penggalian
n data dan pemrosesan data
dil k k b
d k
k l
temporal data mining dilakukan berdasarkan analisis trend dan pola tertentu berdasarkan waktu
Shahnawaz, et al., 2011. Klasifikasi dan prediksi dalam penambangan data temporal ini berdasarkan
pergerakan nilai data pada suatu interval waktu yang diketahui bahwa pola-pola data yang muncul pada masa
lalu dapat terulang. Perbedaan utama antara klasifikasi statis yang
biasanya dilakukan dengan klasifikasi pada data temporal sangat jelas terlihat pada dimensi waktu.
Pada klasifikasi statis, tidak ada hubungan antara satu data dengan data yang lain, sehingga data dapat
diporses secara satu per satu atau individual. Berbeda degan klasifikasi yang dilakukan pada data
temporal, proses dilakukan pada sebuah set data yang berurutan dari kumpulan data. Dalam proses
klasifikasi temporal data ini, terdapat 2 jenis pendekatan untuk melakukan pemrosesan data pada
temporal data, yaitu External Temporal Processing dan Internal Temporal Processing Haselstainer
Pfurtscheller, 2000.
a. External Temporal Processing
External Temporal Processing memiliki arti bahwa pengolahan data temporal dimana dimensi
waktu dari kumpulan data tersebut ditangani di luar proses klasifikasi. Gambar 1 di bawah ini
dapat menunjukan proses dari External Temporal Processing.
pergerakan nilai d d
at ata pada
da s
s ua
u tu interval waktu yang
diketahui bahw hwa pola-pola data y
an ang muncul pada masa
lalu dapat at terulang.
g Perbed
d aa
aa n
n utam
m a
a an
anta tara
ra k
k la
la si
si fikasi s
sta t
tis yang bi
iasanya ya
dil ilak
akukan dengan kl l
as s
if i
ikas as
i pa da
d data
tempor or
al al sanga
ga t
t jelas
te rlih
at t
p p
ada di
di me
mensi w waktu.
Pa Pa
da da
k klasi
si fi
kasi stati s,
tidak a da
hub bun
un ga
gan n
an ta
t ra
sa sa
tu tu
da at
a dengan data ya
ng lain, sehin gg
gga da data
ta dap p
at a
di d
por rs
es secar a
satu per s at
u atau i
i nd
d iv
ivid id
ua u
l. .
B Berb
b ed
a degan kl as
ifik as
i ya ng
dilakukan p
p ad
d a
a da
d ta
a te
m mp
oral, proses d il
ak uk
an pad
a sebu ah
set d
dat a
a ya y
ng ng
be e
ru rutan
da ri
kumpu la
n da
ta . Dalam
pros ses
s kl
l asifikasi temp
oral data in i,
terdapat 2 je
jeni s
s pe
pe nd
ekatan u
u nt
nt uk
uk melakukan
p p
em em
ro r
sesa n da
a ta
ta pad ad
a a
temporal d
d at
a, y
ai ai
tu tu
Ex x
te te
rn rn
l al Temporal Processi
si ng
ng dan
Internal Temporal Processing Haselstaine
ne r
r Pf
Pfur ur
tscheller, 2000.
a. Exte te
rn rn
al T T
em e
pora ra
l l
Pr Pr
oces s
si s
ng g
E External Tempo
poral Processing me
e mi
mi l
liki arti bahwa pengolaha
an data temporal dimana dimensi
waktu dari kumpu pulan da
ata tersebut ditangani di luar proses klas
if i
ika asi. Gambar 1 di bawah ini
dapat menunjukan p
p ro
oses dari External Temporal Processing.
Gambar 2.2. External Temporal Processing Haselstainer Pfurtscheller, 2000.
Dari gambar 1 di atas, dapat dilihat bahwa proses ini membentuk sebuah pola yang digunakan
sebagain inputan untuk klasifikasi menggunakan sebuah subset yang terdiri dari data-data
individual. Singkatnya, kumpulan data individual akan dibentuk ulang menjadi sebuah pola yang
lebih besar. Dari pola yang terbentuk tersebut akan merepresentasikan bentuk baru dari kumpulan
data temporal yang ada sebelumnya. Pola baru dari kumpulan data individual tersebut dapat
dibentuk dengan menggunakan perhitungan statistika.
Keuntungan utama dari pendekatan ini yaitu proses klasifikasi dapat dilakukan dengan
menggunakan model klasifikasi yang sederhana yaitu klasifikasi untuk pola yang statis. Proses
yang kompleks akan terdapat pada proses pembentukan pola baru dari kumpulan data
individual. Gamb
bar ar 2
2 .2. External Tem
m po
po ral Processi
sing H
H a
aselst t
ai ai
ne r Pfurts
ch ch
el el
ler, 2 2
00 00
. Da
Da ri
g ambar 1 di atas, d
ap at
dil l
ih h
at at
bah ahwa
pr r
o os
es ini membentuk sebuah po
la y an
ang di
digu gu
naka an
s se
bagain inp ut
an u
nt uk
k la
si fikasi
m men
ngg ggun
un ak
a an
n se
buah subse t
ya ng
t er
diri dari data
ta-d -data
indivi du
al. Si ng
katn ya
, ku
mpul an
data in
ndivi i
dual al
akan diben tu
k ul
an g me
nj adi
sebuah p o
ola ya yang
g lebih besar.
Dari pola y
ang terbentuk ters
rsebut t
akan m
m er
er e
eprese e
nt nt
asikan b b
e entu
k k
ba ba
ru dari k
kumpul l
an an
data temporal ya an
ng a
ada sebelumnya. Pola ba ba
ru ru
dari kumpulan data individual tersebut d
d ap
ap a
at di
di be
be nt
nt uk
uk d
d en
en ga
g n
me me
ng ng
gu gu
na na
ka ka
n n
p perh
h it
itun un
g gan
statisti ti
ka ka
. Ke
Keuntungan uta ama
d dari pendekat
at an
an i
ini yaitu proses klasifi
ikasi d
d apat dilakukan dengan
menggunakan mod del kl
a asifikasi yang sederhana
yaitu klasifikasi i untu
uk pola yang statis. Proses yang kompleks
ak a
a an terdapat
pada proses
pembentukan pola baru dari kumpulan data
b. Internal Temporal Processing
