A. KDD ProcessThe overall KDD proce

A. KDD Process
The overall KDD process is outlined in Fig. 1. It is interactive and iterative involving, more or less, the following steps [17].
1) Understanding the application domain: includes relevant prior knowledge and goals of the application.
2) Extracting the target data set: includes selecting a data set or focusing on a subset of variables.
3) Data cleaning and preprocessing: includes basic oper-ations, such as noise removal and handling of missing data. Data from real-world sources are often erroneous, incomplete, and inconsistent, perhaps due to operation error or system implementation flaws. Such low quality data needs to be cleaned prior to data mining.
4) Data integration: includes integrating multiple, hetero-geneous data sources.
5) Data reduction and projection: includes finding useful features to represent the data (depending on the goal of the task) and using dimensionality reduction or transfor¬mation methods.
6) Choosing the function of data mining: includes deciding the purpose of the model derived by the data mining al¬gorithm (e.g., summarization, classification, regression, clustering, web mining, image retrieval, discovering as¬sociation rules and functional dependencies, rule extrac¬tion, or a combination of these).
7) Choosing the data mining algorithm(s): includes se-lecting method(s) to be used for searching patterns in data, such as deciding on which model and parameters may be appropriate.
8) Data mining: includes searching for patterns of interest in a particular representational form or a set of such rep¬resentations.
9) Interpretation: includes interpreting the discovered pat-terns, as well as the possible visualization of the ex-tracted patterns. One can analyze the patterns automat¬ically or semiautomatically to identify the truly inter¬esting/useful patterns for the user.
10) Using discovered knowledge: includes incorporating this knowledge into the performance system, taking actions based on knowledge.

Hasil (Bahasa Indonesia) 1:

A. KDD prosesProses KDD secara keseluruhan diuraikan dalam gambar 1. Ini adalah interaktif dan berkelanjutan melibatkan, lebih atau kurang, langkah-langkah berikut [17].1) memahami aplikasi domain: mencakup pengetahuan yang relevan dan tujuan dari aplikasi.2) mengeluarkan target data set: termasuk memilih sebuah set data atau berfokus pada subset dari variabel.3) data pembersihan dan preprocessing: termasuk oper-ations dasar, seperti kebisingan penghapusan dan penanganan data yang hilang. Data dari sumber nyata sering keliru, tidak lengkap dan tidak konsisten, mungkin karena kekurangan implementasi kesalahan atau sistem operasi. Data kualitas rendah tersebut harus dibersihkan sebelum data pertambangan.4) integrasi data: termasuk mengintegrasikan beberapa, sumber data hetero-geneous.5) pengurangan data dan proyeksi: termasuk menemukan fitur berguna untuk mewakili data (tergantung pada tujuan tugas) dan menggunakan metode dimensi pengurangan atau transfor¬mation.6) memilih fungsi data pertambangan: termasuk menentukan tujuan dari model diperoleh data pertambangan al¬gorithm (misalnya, summarization, klasifikasi, regresi, pengelompokan, penggalian web, pengambilan gambar, menemukan as¬sociation aturan dan fungsional dependensi, aturan extrac¬tion atau kombinasi ini).7) memilih data pertambangan algorithm(s): termasuk se-lecting method(s) digunakan untuk menelusuri pola dalam data, seperti memutuskan pada model dan parameter yang mungkin cocok.8) data mining: termasuk mencari pola-pola menarik dalam bentuk representasi tertentu atau serangkaian rep¬resentations tersebut.9) interpretasi: termasuk menafsirkan ditemukan pat-camar, serta visualisasi mungkin pola ex-tracted. Satu dapat menganalisis pola automat¬ically atau semiautomatically untuk mengidentifikasi pola-pola yang benar-benar inter¬esting/bermanfaat bagi pengguna.10) menggunakan pengetahuan ditemukan: termasuk menggabungkan pengetahuan ini ke dalam sistem kinerja, mengambil tindakan berdasarkan pengetahuan.

Hasil (Bahasa Indonesia) 2:

A. Proses KDD
Proses KDD secara keseluruhan diuraikan dalam Gambar. 1. Ini adalah interaktif dan berulang melibatkan, lebih atau kurang, langkah-langkah berikut [17].
1) Memahami aplikasi domain:. Mencakup pengetahuan dan tujuan dari aplikasi sebelumnya yang relevan
2) Ekstrak target yang ditetapkan Data: termasuk memilih kumpulan data atau berfokus pada subset dari variabel.
3) pembersihan data dan preprocessing: meliputi dasar oper-negosiasi, seperti penghapusan kebisingan dan penanganan data yang hilang. Data dari sumber dunia nyata sering keliru, tidak lengkap, dan tidak konsisten, mungkin karena kesalahan operasi atau implementasi sistem kelemahan. Data kualitas rendah seperti perlu dibersihkan sebelum data mining.
4) integrasi data:. Termasuk mengintegrasikan beberapa, sumber data hetero-geneous
5) Reduksi data dan proyeksi: termasuk menemukan fitur yang berguna untuk mewakili data (tergantung pada tujuan dari tugas) dan menggunakan reduksi dimensi atau metode transfor¬mation.
6) Memilih fungsi data mining: meliputi menentukan tujuan dari model yang diturunkan oleh al¬gorithm data mining (misalnya, summarization, klasifikasi, regresi, clustering, pertambangan web, pengambilan gambar, menemukan aturan as¬sociation dan dependensi fungsional, aturan extrac¬tion, atau kombinasi dari ini).
7) Memilih algoritma data mining (s): meliputi metode se-lecting (s) yang akan digunakan untuk mencari pola dalam data, seperti memutuskan model mana dan parameter mungkin tepat.
8) Data mining: termasuk mencari pola yang menarik dalam bentuk representasi tertentu atau satu set rep¬resentations tersebut.
9) Interpretasi: termasuk menafsirkan pat-dara-laut ditemukan , serta kemungkinan visualisasi dari pola mantan tracted. Satu dapat menganalisis pola automat¬ically atau semiautomatically untuk mengidentifikasi benar-benar inter¬esting / pola yang berguna bagi pengguna.
10) Menggunakan pengetahuan menemukan: meliputi menggabungkan pengetahuan ini ke dalam sistem kinerja, mengambil tindakan berdasarkan pengetahuan.