1) Clustering: Data mining aims at

1) Clustering: Data mining aims at sifting through large volumes of data in order to reveal useful information in the form of new relationships, patterns, or clusters, for decision-making by a user [60]. Fuzzy sets support a focused search, specified in linguistic terms, through data. They also help discover depen¬dencies between the data in qualitative/semi-qualitative format. In data mining, one is typically interested in a focused dis¬covery of structure and an eventual quantification of functional dependencies existing therein. This helps prevent searching for meaningless or trivial patterns in a database. Researchers have developed fuzzy clustering algorithms for this purpose [26]. Russell and Lodwick [27] have explored fuzzy clustering
methods for mining telecommunications customer and prospect databases to gain residential and business customer market share. Pedrycz has designed fuzzy clustering algorithms [28] using 1) contextual information and 2) induced linguistic space for better focusing of the search procedure in KDD.
Achieving focus is important in data mining because there are too many attributes and values to be considered and can re¬sult in combinatoric explosion. Most unsupervised data mining approaches try to achieve attribute focus by first recognizing the most interesting features. Mazlack [61] suggests a converse approach of progressively reducing the data set by partitioning and eliminating the least important attributes to reduce intraitem dissonance within the partitions. A soft focus is used to handle both crisp and imprecise data. It works by progressive reduction of cognitive dissonance, leading to an increase in useful infor¬mation. The objective is to generate cohesive and comprehen¬sible information nuggets by sifting out uninteresting attributes. A combined distance metric takes care of different types of at-tributes simultaneously, thus avoiding any taxonomic structure. Noncrisp values are handled by granularization followed by par¬titioning.
Increased granularity reduces attribute distinctiveness, resulting in loss of useful information, while finer grains lead to partitioning difficulty. Soft granules can be defined in terms of membership functions. Granular computing [62] is useful in finding meaningful patterns in data by expressing and processing chunks of information (granules). These are regarded as essential entities in all cognitive pursuits geared toward establishing meaningful patterns in data. The concept of granular computing allows one to concentrate all computa-tional effort on some specific and problem-oriented subsets of a complete database. It also helps split an overall computing effort into several subtasks, leading to a modularization effect.
2) Association Rules: An important area of data mining re-search deals with the discovery of association rules [42]. An association rule describes an interesting association relationship among different attributes. A Boolean association involves bi¬nary attributes, a generalized association involves attributes that are hierarchically related, and a quantitative association involves attributes that can take on quantitative or categorical values. The use of fuzzy techniques has been considered to be one of the key components of data mining systems because of the affinity with human knowledge representation [63]. Wei and Chen [43] have mined generalized association rules with fuzzy taxonomic structures. A crisp taxonomy assumes that a child belongs to its ancestor with degree one. A fuzzy taxonomy is represented as a directed acyclic graph, each of whose edges represents a fuzzy IS-A relationship with degree . The partial be-longing of an item in a taxonomy is taken into account while computing the degrees of support and confidence.
Au and Chan [44] utilize an adjusted diference between ob-served and expected frequency counts of attributes for discov¬ering fuzzy association rules in relational databases. Instead of dividing quantitative attributes into fixed intervals, they employ linguistic terms to represent the revealed regularities and excep¬tions. Here no user-supplied thresholds are required, and quan¬titative values can be directly inferred from the rules. The lin¬guistic representation leads to the discovery of natural and more

Hasil (Bahasa Indonesia) 1:

1) clustering: Data mining bertujuan untuk memilah-milah volume besar data untuk mengungkapkan informasi yang berguna dalam bentuk hubungan baru, pola atau cluster, untuk pengambilan keputusan oleh pengguna [60]. Fuzzy set mendukung pencarian yang fokus, ditentukan secara linguistik, melalui data. Mereka juga membantu menemukan depen¬dencies antara data kualitatif/semi-auto-qualitative format. Dalam data pertambangan, satu biasanya tertarik pada dis¬covery terfokus struktur dan akhirnya kuantifikasi fungsional dependensi yang ada di dalamnya. Ini membantu mencegah mencari pola-pola yang berarti atau sepele dalam database. Para peneliti telah mengembangkan kabur clustering algoritma untuk tujuan ini [26]. Russell dan Lodwick [27] telah mengeksplorasi kabur pengelompokanmetode untuk pertambangan telekomunikasi database pelanggan dan prospek untuk memperoleh perumahan dan bisnis pelanggan pasar berbagi. Pedrycz telah dirancang kabur clustering algoritma [28] menggunakan informasi 1) kontekstual dan 2) diinduksi linguistik ruang untuk lebih baik fokus prosedur Cari di KDD.Mencapai fokus penting dalam data pertambangan karena ada terlalu banyak atribut dan nilai-nilai untuk dipertimbangkan dan dapat re¬sult dalam ledakan combinatoric. Paling tanpa pengawasan data pertambangan pendekatan berusaha mencapai fokus atribut dengan pertama mengakui fitur yang paling menarik. Mazlack [61] menunjukkan pendekatan converse semakin mengurangi kumpulan data dengan partisi dan menghilangkan atribut yang paling penting untuk mengurangi intraitem disonansi dalam partisi. Fokus lembut digunakan untuk menangani data yang renyah dan tidak tepat. Bekerja dengan progresif pengurangan disonansi kognitif, mengarah ke peningkatan berguna infor¬mation. Tujuannya adalah untuk menghasilkan kohesif dan nugget informasi comprehen¬sible oleh pengayakan keluar atribut tidak menarik. Metrik gabungan kaki membutuhkan perawatan dari berbagai jenis di upeti secara bersamaan, sehingga menghindari setiap struktur taksonomi. Nilai-nilai noncrisp ditangani oleh granularization yang diikuti oleh par¬titioning.Meningkatkan granularity mengurangi kekhasan atribut, mengakibatkan hilangnya informasi yang bermanfaat, sementara butiran halus memimpin partisi kesulitan. Butiran lembut dapat didefinisikan dalam hal fungsi keanggotaan. Butiran computing [62] berguna dalam menemukan pola-pola yang bermakna dalam data oleh mengekspresikan dan pengolahan potongan informasi (butiran). Ini dianggap sebagai entitas yang penting dalam semua kegiatan kognitif yang diarahkan untuk membangun pola bermakna dalam data. Konsep rinci komputasi memungkinkan seseorang untuk memusatkan semua usaha computa-mem beberapa spesifik dan berorientasi masalah subset dari database yang lengkap. Hal ini juga membantu upaya komputasi secara keseluruhan berpecah subtugas beberapa, menyebabkan efek modularisasi.2) aturan Asosiasi: Bidang yang penting dari data pertambangan kembali pencarian berkaitan dengan penemuan aturan Asosiasi [42]. Aturan Asosiasi menjelaskan menarik Asosiasi hubungan antara atribut yang berbeda. Sebuah asosiasi Boolean melibatkan bi¬nary atribut, sebuah asosiasi generalized melibatkan atribut yang hirarki terkait, dan Asosiasi kuantitatif yang melibatkan atribut yang dapat mengambil nilai-nilai kuantitatif atau kategoris. Penggunaan teknik kabur telah dianggap sebagai salah satu komponen kunci dari sistem pertambangan data karena afinitas dengan pengetahuan manusia representasi [63]. Wei dan Chen [43] telah ditambang aturan umum Asosiasi dengan struktur taksonomi kabur. Taksonomi renyah mengasumsikan bahwa seorang anak milik para leluhur dengan tingkat satu. Taksonomi kabur diwakili sebagai grafik acyclic diarahkan, setiap tepi yang mewakili hubungan IS-A yang kabur dengan derajat. Sebagian menjadi-kerinduan item dalam taksonomi diperhitungkan saat komputasi derajat dukungan dan kepercayaan diri.Au dan Chan [44] memanfaatkan perubahannya disesuaikan antara ob-dilayani dan diharapkan frekuensi jumlah atribut untuk aturan Asosiasi kabur discov¬ering dalam database relasional. Bukannya membagi kuantitatif atribut menjadi tetap interval, mereka mempekerjakan linguistik syarat untuk mewakili mengungkapkan keteraturan dan excep¬tions. Di sini tidak diberikan pengguna-ambang batas diperlukan, dan nilai-nilai quan¬titative dapat langsung disimpulkan dari aturan. Perwakilan lin¬guistic yang mengarah ke penemuan alam dan lebih

Hasil (Bahasa Indonesia) 2:

1) Clustering: Data mining bertujuan memilah-milah volume data yang besar untuk mengungkapkan informasi yang berguna dalam bentuk hubungan baru, pola, atau cluster, untuk pengambilan keputusan oleh pengguna [60]. Fuzzy set mendukung pencarian terfokus, ditentukan dalam hal bahasa, melalui data. Mereka juga membantu menemukan depen¬dencies antara data kualitatif / format yang semi-kualitatif. Dalam data mining, salah satu biasanya tertarik pada dis¬covery terfokus struktur dan kuantifikasi akhirnya ketergantungan fungsional yang ada di dalamnya. Ini membantu mencegah mencari pola bermakna atau sepele dalam database. Para peneliti telah mengembangkan algoritma fuzzy clustering untuk tujuan ini [26]. Russell dan Lodwick [27] telah dieksplorasi fuzzy clustering
metode untuk pertambangan pelanggan telekomunikasi dan prospek database untuk mendapatkan pangsa pasar perumahan dan pelanggan bisnis. Pedrycz telah merancang algoritma fuzzy clustering [28] menggunakan 1) informasi kontekstual dan 2) diinduksi ruang linguistik untuk lebih baik fokus dari prosedur pencarian di KDD.
Mencapai fokus penting di data mining karena ada terlalu banyak atribut dan nilai-nilai yang harus dipertimbangkan dan dapat re¬sult dalam ledakan combinatoric. Kebanyakan pendekatan data mining tanpa pengawasan mencoba untuk mencapai atribut fokus dengan terlebih dahulu mengenali fitur yang paling menarik. Mazlack [61] menyarankan pendekatan kebalikan dari semakin mengurangi data yang ditetapkan oleh partisi dan menghilangkan atribut paling penting untuk mengurangi disonansi intraitem dalam partisi. Sebuah fokus lembut digunakan untuk menangani data baik renyah dan tidak tepat. Ia bekerja dengan pengurangan progresif disonansi kognitif, yang mengarah ke peningkatan infor¬mation berguna. Tujuannya adalah untuk menghasilkan kohesif dan comprehen¬sible nugget informasi dengan memilah keluar atribut menarik. Sebuah metrik jarak gabungan menangani berbagai jenis di-upeti secara bersamaan, sehingga menghindari struktur taksonomi. Nilai Noncrisp ditangani oleh granularization diikuti oleh par¬titioning.
Peningkatan granularity mengurangi atribut kekhasan, yang mengakibatkan hilangnya informasi yang berguna, sedangkan butir halus menyebabkan partisi kesulitan. Butiran lembut dapat didefinisikan dalam hal fungsi keanggotaan. Komputasi granular [62] berguna dalam menemukan pola yang bermakna dalam data dengan mengekspresikan dan pengolahan potongan informasi (butiran). Ini dianggap sebagai entitas penting dalam semua kegiatan kognitif diarahkan menuju pembentukan pola bermakna dalam data. Konsep komputasi granular memungkinkan seseorang untuk memusatkan semua upaya computa-nasional pada beberapa subset spesifik dan berorientasi masalah database lengkap. Hal ini juga membantu membagi upaya komputasi keseluruhan menjadi beberapa sub-tugas, yang mengarah ke modularisasi efek.
2) Aturan Asosiasi: Suatu daerah penting dari data mining penawaran ulang pencarian dengan penemuan aturan asosiasi [42]. Sebuah aturan asosiasi menjelaskan hubungan asosiasi yang menarik antara atribut yang berbeda. Sebuah asosiasi Boolean melibatkan atribut bi¬nary, sebuah asosiasi umum melibatkan atribut yang hierarkis terkait, dan asosiasi kuantitatif melibatkan atribut yang dapat mengambil nilai-nilai kuantitatif atau kategoris. Penggunaan teknik Fuzzy telah dianggap sebagai salah satu komponen kunci dari sistem data mining karena afinitas dengan representasi pengetahuan manusia [63]. Wei dan Chen [43] telah ditambang aturan asosiasi umum dengan struktur taksonomi kabur. Sebuah taksonomi renyah mengasumsikan bahwa anak milik leluhurnya dengan gelar satu. Sebuah taksonomi fuzzy direpresentasikan sebagai graf asiklik diarahkan, masing-masing yang ujung-ujungnya merupakan kabur IS-A hubungan dengan gelar. Parsial menjadi-kerinduan item dalam taksonomi diperhitungkan saat menghitung derajat dukungan dan keyakinan.
Au dan Chan [44] memanfaatkan sebuah diference disesuaikan antara jumlah frekuensi ob-dilayani dan diharapkan atribut untuk discov¬ering asosiasi kabur aturan dalam database relasional. Alih-alih membagi atribut kuantitatif ke dalam interval tetap, mereka mempekerjakan istilah linguistik untuk mewakili keteraturan terungkap dan excep¬tions. Berikut ada batas-pengguna disediakan diperlukan, dan nilai-nilai quan¬titative bisa langsung disimpulkan dari aturan. Representasi lin¬guistic mengarah pada penemuan alam dan lebih