E. Rough SetsThe theory of rough se

E. Rough Sets
The theory of rough sets [74] has emerged as a major math-ematical tool for managing uncertainty that arises from granu-larity in the domain of discourse, i.e., from the indiscernibility between objects in a set, and has proved to be useful in a va-riety of KDD processes. It offers mathematical tools to discover hidden patterns in data and therefore its importance, as far as data mining is concerned, can in no way be overlooked. A fundamental principle of a rough set-based learning system is to discover redundancies and dependencies between the given features of a problem to be classified. It approximates a given concept from below and from above, using lower and upper ap¬proximations. Fig. 4 provides a schematic diagram of a rough set.
A rough set learning algorithm can be used to obtain a set of rules in IF-THEN form, from a decision table. The rough set method provides an effective tool for extracting knowledge from databases. Here one first creates a knowledge base, classifying objects and attributes within the created decision tables. Then a knowledge discovery process is initiated to remove some unde¬sirable attributes. Finally the data dependency is analyzed, in the reduced database, to find the minimal subset of attributes called reduct.
Rough set applications to data mining generally proceed along the following directions.
1) Decision rule induction from attribute value table [37]–[40]. Most of these methods are based on genera-tion of discernibility matrices and reducts.
2) Data filtration by template generation [75]. This mainly involves extracting elementary blocks from data based on equivalence relation. Genetic algorithms are also some

Hasil (Bahasa Indonesia) 1:

E. kasar setTeori kasar set [74] telah muncul sebagai alat matematika-ematical besar untuk mengelola ketidakpastian yang muncul dari granu-larity dalam domain wacana, yaitu, dari indiscernibility antara objek-objek dalam satu set, dan telah terbukti bermanfaat dalam va-riety KDD proses. Menawarkan alat matematika untuk menemukan pola-pola yang tersembunyi dalam data dan oleh karena itu penting, sejauh menyangkut data pertambangan, dapat di tidak diabaikan. Prinsip mendasar dari sistem pembelajaran berbasis set kasar adalah untuk menemukan redudansi dan dependensi antara fitur tertentu dari suatu masalah untuk digolongkan. Itu mendekati sebuah konsep yang diberikan dari bawah dan dari atas, menggunakan atas dan bawah ap¬proximations. Gambar 4 menyediakan diagram skematis dari satu set kasar.Satu set kasar belajar algoritma dapat digunakan untuk mendapatkan satu set aturan dalam bentuk jika-maka, dari tabel keputusan. Set metode kasar memberikan alat yang efektif untuk mengekstraksi pengetahuan dari database. Di sini satu pertama menciptakan basis pengetahuan, mengklasifikasi objek beserta atribut dalam tabel dibuat keputusan. Kemudian proses penemuan pengetahuan dimulai untuk menghapus beberapa atribut unde¬sirable. Akhirnya ketergantungan data dianalisis, dalam database berkurang, untuk menemukan minimal subset dari atribut yang disebut reduct.Kasar set aplikasi untuk data pertambangan umumnya melanjutkan sepanjang petunjuk berikut.1) induksi aturan keputusan dari nilai atribut [37] – [40]. Sebagian besar metode ini didasarkan pada genera-tion matriks discernibility dan reducts.2) data filtrasi oleh template generasi [75]. Hal ini terutama melibatkan ekstraksi blok dasar dari data berdasarkan hubungan kesetaraan. Algoritma genetik juga beberapa

Hasil (Bahasa Indonesia) 2:

E. Rough Set
Teori set kasar [74] telah muncul sebagai alat matematika-ematical utama untuk mengelola ketidakpastian yang muncul dari Granu-larity dalam domain wacana, yaitu, dari indiscernibility antara objek dalam satu set, dan telah terbukti untuk menjadi berguna dalam va-riety proses KDD. Ia menawarkan alat-alat matematika untuk menemukan pola yang tersembunyi dalam data dan karena itu pentingnya, sejauh data mining yang bersangkutan, dapat sekali tidak diabaikan. Sebuah prinsip dasar dari sistem pembelajaran kasar berbasis set adalah untuk menemukan redudansi dan dependensi antara fitur yang diberikan dari masalah yang akan diklasifikasikan. Ini mendekati konsep yang diberikan dari bawah dan dari atas, menggunakan ap¬proximations bawah dan atas. Gambar. 4 menyediakan diagram skematik set kasar.
Sebuah algoritma set pembelajaran kasar dapat digunakan untuk mendapatkan seperangkat aturan di IF-THEN membentuk, dari tabel keputusan. Metode set kasar memberikan alat yang efektif untuk mengekstraksi pengetahuan dari database. Berikut pertama menciptakan basis pengetahuan, mengelompokkan benda dan atribut dalam tabel keputusan dibuat. Kemudian proses penemuan pengetahuan dimulai menghapus beberapa atribut unde¬sirable. Akhirnya ketergantungan data yang dianalisis, dalam database berkurang, untuk menemukan subset minimal atribut yang disebut mengecil.
Aplikasi set Rough untuk data mining umumnya melanjutkan sepanjang arah berikut.
1) aturan Keputusan induksi dari nilai atribut tabel [37] - [40 ]. Sebagian besar metode ini didasarkan pada genera-tion dari matriks discernibility dan reducts.
2) Data filtrasi oleh Template generasi [75]. Ini terutama melibatkan penggalian blok dasar dari data berdasarkan relasi ekivalen. Algoritma genetik juga beberapa