. Fuzzy SetsThe modeling of impreci

. Fuzzy Sets
The modeling of imprecise and qualitative knowledge, as well as the transmission and handling of uncertainty at various stages are possible through the use of fuzzy sets. Fuzzy logic is capable of supporting, to a reasonable extent, human type reasoning in natural form. It is the earliest and most widely reported con¬stituent of soft computing. The development of fuzzy logic has

led to the emergence of soft computing. In this section we pro-vide a glimpse of the available literature pertaining to the use of fuzzy sets in data mining.
Knowledge discovery in databases is mainly concerned with identifying interesting patterns and describing them in a concise and meaningful manner [8]. Fuzzy models can be said to repre¬sent a prudent and user-oriented sifting of data, qualitative ob¬servations and calibration of commonsense rules in an attempt to establish meaningful and useful relationships between system variables [55]. Despite a growing versatility of knowledge dis¬covery systems, there is an important component of human in¬teraction that is inherent to any process of knowledge represen¬tation, manipulation, and processing. Fuzzy sets are inherently inclined toward coping with linguistic domain knowledge and producing more interpretable solutions.
The notion of interestingness, which encompasses several features such as validity, novelty, usefulness, and simplicity, can be quantified through fuzzy sets. Fuzzy dissimilarity of a discovered pattern with a user-defined vocabulary has been used as a measure of this interestingness [56]. As an extension to the above methodology unexpectedness can also be defined in terms of a belief system, where if a belief is based on
previous evidence then denotes the degree of belief
. In soft belief systems, a weight is attached to each belief
. The degree of a belief may be measured with conditional probability, Dempster-Shafer belief function or frequency of the raw data. Here, the interestingness of a pattern relative to a belief system and evidence may be formally defined as

Hasil (Bahasa Indonesia) 1:

. Fuzzy SetsThe modeling of imprecise and qualitative knowledge, as well as the transmission and handling of uncertainty at various stages are possible through the use of fuzzy sets. Fuzzy logic is capable of supporting, to a reasonable extent, human type reasoning in natural form. It is the earliest and most widely reported con¬stituent of soft computing. The development of fuzzy logic has led to the emergence of soft computing. In this section we pro-vide a glimpse of the available literature pertaining to the use of fuzzy sets in data mining.Knowledge discovery in databases is mainly concerned with identifying interesting patterns and describing them in a concise and meaningful manner [8]. Fuzzy models can be said to repre¬sent a prudent and user-oriented sifting of data, qualitative ob¬servations and calibration of commonsense rules in an attempt to establish meaningful and useful relationships between system variables [55]. Despite a growing versatility of knowledge dis¬covery systems, there is an important component of human in¬teraction that is inherent to any process of knowledge represen¬tation, manipulation, and processing. Fuzzy sets are inherently inclined toward coping with linguistic domain knowledge and producing more interpretable solutions.Gagasan tentang interestingness, yang mencakup beberapa fitur seperti validitas, kebaruan, kegunaan dan kesederhanaan, dapat diukur melalui set kabur. Ketidaksamaan kabur dari sebuah pola yang ditemukan dengan kosa kata yang ditetapkan pengguna telah digunakan sebagai ukuran ini interestingness [56]. Sebagai perluasan ke unexpectedness metodologi di atas juga dapat didefinisikan dalam sistem kepercayaan, mana jika keyakinan yang didasarkan padabukti-bukti yang sebelumnya kemudian menunjukkan tingkat kepercayaan. Dalam sistem kepercayaan yang lembut, berat badan yang melekat kepercayaan masing-masing. Tingkat keyakinan dapat diukur dengan probabilitas bersyarat, Dempster-Shafer kepercayaan fungsi atau frekuensi data mentah. Di sini, interestingness pola relatif terhadap sebuah sistem kepercayaan dan bukti dapat secara resmi ditetapkan sebagai

Hasil (Bahasa Indonesia) 2:

. Set Fuzzy
Pemodelan pengetahuan tidak tepat dan kualitatif, serta transmisi dan penanganan ketidakpastian pada berbagai tahap yang mungkin melalui penggunaan fuzzy set. Logika fuzzy mampu mendukung, sampai batas yang wajar, jenis penalaran manusia dalam bentuk alami. Ini adalah awal dan paling banyak dilaporkan con¬stituent komputasi lembut. Perkembangan logika fuzzy telah menyebabkan munculnya komputasi lembut. Pada bagian ini kita pro-vide sekilas literatur yang tersedia berkaitan dengan penggunaan fuzzy set dalam data mining. Penemuan Pengetahuan dalam database ini terutama berkaitan dengan mengidentifikasi pola yang menarik dan menggambarkan mereka dengan cara yang ringkas dan bermakna [8]. Model Fuzzy dapat dikatakan repre¬sent sebuah pengayakan bijaksana dan berorientasi pengguna data, ob¬servations kualitatif dan kalibrasi aturan akal sehat dalam upaya untuk membangun hubungan yang berarti dan berguna antara variabel sistem [55]. Meskipun fleksibilitas berkembang sistem pengetahuan dis¬covery, ada komponen penting dari in¬teraction manusia yang melekat pada setiap proses represen¬tation pengetahuan, manipulasi, dan pengolahan. Fuzzy set secara inheren cenderung ke arah mengatasi pengetahuan domain linguistik dan memproduksi solusi yang lebih diinterpretasi. Gagasan interestingness, yang meliputi beberapa fitur seperti validitas, kebaruan, kegunaan, dan kesederhanaan, dapat diukur melalui fuzzy set. Ketidaksamaan fuzzy pola ditemukan dengan user-defined kosakata telah digunakan sebagai ukuran interestingness ini [56]. Sebagai perpanjangan metodologi disangka-sangka atas juga dapat didefinisikan dalam hal sistem kepercayaan, di mana jika keyakinan ini didasarkan pada bukti-bukti sebelumnya maka menunjukkan tingkat kepercayaan. Dalam sistem kepercayaan yang lembut, berat melekat setiap keyakinan. Tingkat kepercayaan dapat diukur dengan probabilitas bersyarat, Dempster-Shafer fungsi kepercayaan atau frekuensi data mentah. Di sini, interestingness dari pola relatif terhadap sistem keyakinan dan bukti dapat secara resmi didefinisikan sebagai