of the challenges to the use of the

of the challenges to the use of these methodologies in¬clude the following.
• Scalability problem to extremely large heterogeneous databases spread over multiple files, possibly in different disks or across the web in different geographical loca¬tions. Often combining such data in a single very large file may be infeasible.
• Feature evaluation and dimensionality reduction to im-prove prediction accuracy. Some recent work in this di-rection is available in [83]–[86].
• Choice of metrics and evaluation techniques to handle dy-namic changes in data.
• Incorporation of domain knowledge and user interaction.
• Quantitative evaluation of performance.
• Efficient integration of soft computing tools. In this con-nection the computational theory of perceptions, as ex-plained by Zadeh [87], needs attention.
Recently, several commercial data mining tools have been developed based on soft computing methodologies. These in-clude Data Mining Suite, using fuzzy logic; Braincell, Cognos 4Thought and IBM Intelligent Miners for Data, using neural net-works; and Nuggets, using GAs.
Since the databases to be mined are often very large, parallel algorithms are desirable [88]. However, one has to explore a tradeoff between computation, communication, memory usage, synchronization, and the use of problem-specific information to select a suitable parallel algorithm for data mining. One can also also partition the data appropriately and distribute the subsets to multiple processors, learning concept descriptions in parallel, and then combining them. This corresponds to loosely coupled

Hasil (Bahasa Indonesia) 1:

tantangan untuk menggunakan ini metodologi ¬ clude berikut.• Skalabilitas masalah ke database heterogen sangat besar tersebar di beberapa file, mungkin dalam disk berbeda atau di web dalam loca¬tions geografis yang berbeda. Sering menggabungkan data tersebut dalam satu file sangat besar mungkin tidak mudah.• Fitur evaluasi dan dimensi pengurangan untuk im-membuktikan akurasi prediksi. Beberapa karya terbaru di ini di-rection tersedia di [83] – [86].• Pilihan metrik dan evaluasi teknik menangani dy-namic perubahan dalam data.• Penggabungan dari domain pengetahuan dan interaksi pengguna.• Kuantitatif evaluasi kinerja.• Efisien integrasi perangkat komputasi yang lembut. Dalam ini con-pakan keterkaitan tersebut teori komputasi persepsi, sebagai mantan-plained oleh Zadeh [87], perlu perhatian.Baru-baru ini, beberapa alat-alat pertambangan data komersil telah dikembangkan berdasarkan metodologi komputasi yang lembut. Di-clude Data Mining Suite ini, menggunakan logika fuzzy; Braincell, Cognos 4Thought dan IBM cerdas penambang untuk Data, menggunakan saraf net-bekerja; dan nugget, menggunakan GAs.Karena database untuk ditambang sering sangat besar, parallel algoritma diinginkan [88]. Namun, seseorang harus mengeksplorasi tradeoff antara komputasi, komunikasi, penggunaan memori, sinkronisasi, dan penggunaan informasi tertentu masalah untuk memilih algoritma paralel yang cocok untuk data pertambangan. Satu juga dapat partisi data dengan tepat dan mendistribusikan subset untuk prosesor ganda, belajar konsep Deskripsi secara paralel, dan kemudian menggabungkan mereka. Hal ini terkait dengan longgar ditambah

Hasil (Bahasa Indonesia) 2:

tantangan untuk penggunaan metodologi ini in¬clude berikut.
• masalah Skalabilitas untuk database heterogen sangat besar tersebar di beberapa file, mungkin dalam disk yang berbeda atau di web di loca¬tions geografis yang berbeda. Sering menggabungkan data tersebut dalam file yang sangat besar tunggal mungkin tidak layak.
• Evaluasi Fitur dan pengurangan dimensi untuk im-membuktikan akurasi prediksi. Beberapa karya terbaru dalam di-rection tersedia dalam [83] -. [86]
• Pilihan metrik dan teknik evaluasi untuk menangani perubahan dy-Namic data.
• Pendirian pengetahuan domain dan interaksi pengguna.
• evaluasi kuantitatif dari kinerja.
• integrasi Efisien alat komputasi lembut. Dalam con-nection teori komputasi persepsi, sebagai mantan plained oleh Zadeh [87], membutuhkan perhatian.
Baru-baru ini, beberapa alat data mining komersial telah dikembangkan berdasarkan metodologi komputasi lembut. Ini di-clude Data Mining Suite, menggunakan logika fuzzy; Braincell, Cognos 4Thought dan IBM Miners Cerdas Data, menggunakan neural net-karya; dan Nuggets, menggunakan GAs.
Karena database yang akan ditambang seringkali sangat besar, algoritma paralel yang diinginkan [88]. Namun, kita harus mengeksplorasi tradeoff antara perhitungan, komunikasi, penggunaan memori, sinkronisasi, dan penggunaan informasi spesifik masalah untuk memilih algoritma paralel yang cocok untuk data mining. Satu juga dapat juga partisi data secara tepat dan mendistribusikan subset untuk beberapa prosesor, belajar deskripsi konsep secara paralel, dan kemudian menggabungkan mereka. Hal ini terkait dengan longgar ditambah