JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2013) 1-6
1
Penerapan Algoritma Klasifikasi Berbasis Aturan Asosiasi untuk Data Meteorologi Rizky Kartika Putri dan Imam Mukhlash Jurusan Matematika, Fakultas MIPA, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail:
[email protected] Abstrak— Kajian mengenai data mining untuk data cuaca telah banyak dilakukan. Beberapa teknik data mining telah banyak dikembangkan, seperti teknik asosiasi, klastering, sequence pattern, dan klasifikasi. Pada Tugas Akhir ini digunakan association rules untuk membantu klasifikasi dengan cara memperluas ide dasar dari aturan asosiasi dan mengintegrasikannya dengan klasifikasi untuk menghasilkan subset dari effective rules dengan menggunakan algoritma Classification Based Association (CBA). Hasil klasifikasi ini diimplementasikan untuk data cuaca. Komponen cuaca yang digunakan sebagai parameter adalah suhu udara, kelembaban, kecepatan angin, indeks uv, suhu titik embun, dan tutupan awan. Dengan menggunakan nilai minimum support dan minimum confidence akan didapat rule dan classifier sebagai keluaran dari Algoritma CBA. Nilai akurasi yang didapat dari penggunaan Algoritma CBA ini paling besar 50.93% yaitu saat nilai minimum support = 0.2 , minimum confidence = 0.2 dan 0.1. Kata Kunci—Asosiasi, CBA, Cuaca, Data Mining, Klasifikasi
I. PENDAHULUAN
D
ata mining atau sering disebut sebagai knowledge discovery in database (KDD) adalah kegiatan yang meliputi pengumpulan dan pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam data berukuran besar. Keluaran data mining bisa dipakai untuk membantu pengambilan keputusan di masa depan. Data mining telah banyak diaplikasikan dalam berbagai bidang seperti sains, teknik dan bisnis. Tujuan utama data mining adalah untuk menemukan informasi penting dalam database. Beberapa teknik data mining telah banyak dikembangkan, seperti teknik asosiasi, klastering, sequence pattern, dan klasifikasi Klasifikasi merupakan tugas (task) pembelajaran fungsi (model) yang memetakan suatu item data ke dalam kelas dari sejumlah kelas yang telah didefinisikan sebelumnya [13]. Beberapa metode klasifikasi telah dikembangkan, antara lain yaitu decision tree, bayesian network dan support vector machine. Task lain yang penting dalam data mining adalah penemuan dari association rules di data set yang bermanfaat bagi user. Association rule adalah penemuan pola intra transactional dalam database yang terjadi hanya pada sebuah event. Association rule dapat digunakan untuk mengidentifikasi item-item yang dilihat secara bersamaan pada saat mencari informasi mengenai produk tertentu. Data mining banyak dimanfaatkan dalam banyak hal, salah satunya seperti survey yang dilakukan Dr.S. Santhosh Baboo
dan I. Kadar Shereef pada [3], yang menyatakan bahwa teknik data mining punya solusi untuk tingkat kepercayaan dalam melakukan prediksi dalam hal konsistensi prediksi dan frekuensi prediksi yang benar. Kajian mengenai data mining untuk prakiraan cuaca telah banyak dilakukan dengan memanfaatkan klasifikasi dan association rule seperti yang dilakukan oleh S.Nandagopal dalam penelitiannya [8]. Pada paper ini, data meteorologi digunakan untuk memprediksi cuaca dengan memanfaatkan inter-transactional association rule . Data meteorologi yang digunakan ada dua jenis, satu stasiun dan banyak stasiun. Elemen yang dibutuhkan dalam data meteorologi satu stasiun adalah arah angin, kecepatan angin, curah hujan, tingkat kelembaban, suhu dan rata-rata tekanan permukaan laut per 6 jam. Pada kajian [9] yang ditulis oleh Mustafa Nofal mengungkapkan bahwa dalam beberapa tahun terakhir, ada pendekatan baru yang mengintegrasikan association rule mining dengan klasifikasi. Pengklasifikasi dengan sedikit lebih akurat dan efektif berdasarkan pendekatan assosiatif, telah disajikan baru-baru ini, seperti CPAR, CMAR, MMAC dan CBA. Beberapa penelitian eksperimental menunjukkan bahwa klasifikasi berdasarkan association rule mining mempunyai potensi tinggi dalam membangun sistem klasifikasi yang lebih prediktif dan akurat daripada metode klasifikasi tradisional seperti decision tree. Berdasarkan kajian–kajian tersebut, maka pada Tugas Akhir ini diteliti tentang klasifikasi berdasarkan association rule menggunakan data meteorologi daerah Surabaya dengan elemen yang dibutuhkan yaitu suhu udara, kecepatan angin, tutupan awan, kelembaban, indeks UV dan titik embun per jam. II. KLASIFIKASI Klasifikasi adalah tugas mengelompokkan sebuah sampel baru pada himpunan class yang sebelumnya telah diketahui. Klasifikasi dikenal sebagai pembelajaran supervised karena dapat mengelompokkan sampel secara langsung. Banyak aplikasi yang menggunakan teknik klasifikasi antara lain segmentasi pelanggan, pemodelan bisnis, analisa kartu kredit dan lain-lain.
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2013) 1-6 III. ATURAN ASOSIASI Association rule adalah penemuan pola intra transactional dalam database yang terjadi hanya pada sebuah event. Association rule sering disebut dengan “market basket analysis” yang dapat digunakan untuk mengidentifikasi itemitem produk yang mungkin dibeli secara bersamaan dengan produk lain atau dilihat secara bersamaan pada saat mencari informasi mengenai produk tertentu. Sebagai contoh, terdapat sebuah association rule : “roti selai [sup = 30%, conf = 80 %] yang berarti bahwa 30% pelanggan membeli roti dan selai secara bersamaan dan pelanggan yang membeli roti juga membeli selai sebanyak 80% saat pembelian. Meskipun association rule mining pada awalnya didesain untuk relational database atau sistem transaksi, beberapa penelitian telah ditunjukkan untuk teknik data mining yang lain [3]. IV. KLASIFIKASI BERDASARKAN ATURAN ASOSIASI Klasifikasi berdasarkan teknik association rule adalah memperluas ide dasar dari aturan asosiasi dan mengintegrasikanya dengan klasifikasi untuk menghasilkan subset dari effective rules. Dalam [9] menggunakan association rule mining approach di classification framework, dan dinamakan multi-class classification based on association rules. Multi-class classification based on association rules menggunakan sebuah teknik yang efisien untuk menemukan frequent itemsets dan menggunakan sebuah rule ranking method untuk memastikan bahwa aturan umum dan aturan rinci dengan confidence yang tinggi merupakan bagian dari sistem klasifikasi. Dalam beberapa tahun terakhir, terdapat pendekatan baru yang mengintegrasikan association rule mining dengan klasifikasi. Pengklasifikasi dengan sedikit lebih akurat dan efektif berdasarkan pendekatan assosiatif, telah disajikan barubaru ini, seperti CPAR, CMAR, MMAC dan CBA. Beberapa penelitian eksperimental menunjukkan bahwa klasifikasi berdasarkan association rule mining adalah mempunyai potensi tinggi dalam membangun sistem klasifikasi yang lebih prediktif dan akurat daripada metode klasifikasi tradisional seperti decision tree. Selain itu, banyak aturan ditemukan oleh metode klasifikasi asosiatif yang tidak dapat ditemukan dengan teknik klasifikasi tradisional. Salah satu algoritma pertama yang memiliki perbaikan secara signifikan dari algoritma association rule sebelumnya adalah algoritma Apriori. Algoritma Apriori memperkenalkan sebuah properti kunci baru bernama "downward-closure" dari support, yang menyatakan bahwa jika sebuah itemset mempunyai nilai support yang lebih dari minsupp maka semua subsetnya juga mempunyai nilai support yang lebih dari minsupp tersebut. Ini berarti bahwa setiap subset dari sebuah itemset yang frequent pasti frequent, dan superset dari inferuent itemset pasti infrequent. Sebagian besar dari algoritma classic association rule yang dikembangkan setelah algoritma Apriori telah menggunakan properti ini dalam langkah pertama dari association rule discovey. Algoritma ini
2 disebut algoritma Apriori-like atau teknik Apriori-like. Teknik Apriori-like berhasil mendapatkan level yang bagus dalam performasi walaupun ukuran dari kandidat itemsetnya kecil. Bahkan dalam keadaan ukuran kandidat itemset yang besar, batas minimum support yang rendah dan pola yang panjang, teknik ini tetap bisa berhasil dengan baik. Umumnya, dalam association rule mining, setiap item yang mempunyai nilai support lebih dari minsupp disebut frequent itemset. Jika frequent itemset hanya terdiri dari single atribut bernilai tunggal, disebut frequent one-item. Saat ini associative classification techniques menghasilkan frequent itemset dengan melakukan scanning penuh pada data set lebih dari sekali. Pada scan pertama, ditemukan support of one-item, kemudian setiap subsquence di scan, dimulai dengan item yang pada scan sebelumnya merupakan frequent untuk membuat kemungkinan frequent item baru yang melibatkan nilai atribut. Dengan kata lain, frequent single item digunakan untuk discovery of frequent two-items, dan frequent two-items adalah input untuk frequent three-items dan seterusnya. Ketika frequent items telah ditemukan, klasifikasi berdasarkan algoritma association rules mengekstrak sebuah complete set class-association-rules (CAR) untuk frequent items yang melewati minconf. Classification approach terdiri dari dua fase utama: fase satu mengimplementasikan algoritma apriori yang terkenal dalam rangka untuk menemukan frequent item. Tahap kedua melibatkan building classifier. Hasil eksperimen menunjukkan bahwa classification approach menghasilkan rules yang kompetitif untuk metode pembelajaran populer seperti pohon keputusan. A. Algoritma Apriori Algoritma Apriori merupakan algoritma untuk menemukan frequent itemset. Algoritma Apriori merupakan algoritma yang paling banyak digunakan untuk menemukan frequent itemset dan aturan asosiasi. Konsep utama dari algoritma Apriori adalah sebagai berikut: 1. Setiap subset dari frequent itemset adalah frequent itemset. 2. Himpunan itemset dengan panjang k disebut Ck 3. Himpunan itemset yang memenuhi batasan minimum support disebut sebagai Lk , Lk adalah kandidat himpunan yang digunakan untuk tahap selanjutnya. 4. Ck+1 dibangkitkan dengan menggabungkan Lk dan dirinya sendiri. Itemset-itemset yang memenuhi kriteria masingmasing memiliki lebih satu elemen dari itemset sebelumnya. Lk kemudian dihasilkan dengan menghilangkan dari yang tidak memenuhi aturan minimum elemen-elemen support. Sebab, kandidat sequence yang dibangkitkan dimulai dengan ukuran sequence terkecil dan secara bertahap ukuran sequence meningkat yang disebut dengan pendekatan breadth first search. B. Algoritma CBA (Classification Based Assoiciation) Algoritma CBA merupakan algoritma pengklasifikasi yang
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2013) 1-6 sedikit lebih akurat dan efektif berdasarkan pendekatan assosiatif. Konsep utama dari algoritma CBA terbagi dalam dua tahap. a. CBA-RG CBA-RG atau yang bisa disebut dengan sebuah rule generator dibangun berdasarkan algoritma Apriori untuk menemukan aturan asosiasi. CBA-RG digunakan untuk menemukan semua ruleitems yang memenuhi minsup. condset, y adalah sebuah ruleitem dimana condset adalah set dari items, y Y adalah label kelas. CondsupCount adalah jumlah case di dataset D yang mengandung condset. RulesupCount adalah jumlah case di D yang mengandung condset dan berlabel kelas y. Setiap ruleitem merepresentasikan sebuah rule condset y , dimana support rule sup Count *100% D
3 r1 , r2 ,, rn , default class , dimana ri R , default_class
adalah kelas default dan R adalah set dari generated rules, ra rb jika b a . Dalam mengelompokkan sebuah kasus yang tidak terlihat, rule pertama yang memenuhi kasus akan mengelompokkannya. Jika tidak ada rule yang cocok dengan kasus tersebut, akan diambil kelas default seperti di C4.5. V. PEMBAHASAN DAN UJI COBA Data mentah yang digunakan adalah data cuaca Surabaya per jam selama bulan Februari sampai Mei 2013 diambil dari website AccuWeather sejumlah 2880 data. Data mentah berupa data numerik untuk faktor suhu udara, kelembaban, kecepatan angin, indeks uv, tutupan awan dan juga titik embun. Untuk kelas data yang didapat berupa data kategorial.
dan
rule sup Count dimana *100% cond sup Count | D | adalah jumlah / ukuran dataset. Ruleitem yang memiliki nilai support kebih dari nilai minsup disebut frequent ruleitems, sedangkan yang nilai supportnya lebih kecil disebut infrequent itemsets. Ruleitem yang confident tertinggi dipilih sebagai possible rule yang merepresentasikan set dari ruleitem. Kalau ada lebih dari 1 ruleitem yang punya confident tertinggi, maka dipilih secara acak. CBA-RG menggenerate semua frequent ruleitem melalui banyak tahap. Pada tahap pertama, hitung support dari ruleitem individual dan tentukan status frequentnya. Di setiap subsequence yang mempunyai nilai support lebih besar dari minsup, pasti merupakan ruleitem yang frequent.di tahap sebelumnya. Ruleitem yang frequent digunakan untuk mengenerate set possibly frequent ruleitems baru yang disebut candidate ruleitem. Support dari candidate ruleitems tersebut dicari untuk menentukan candidate ruleitem yang mempunyai nilai support lebih besar dari minsup. Akhir dari tahap, menentukan candidate ruleitem yang frequent. Dari set frequent ruleitem ini, diproduksi rules nya (CARs). b. CBA-CB CBA-CB adalah sebuah classifier builder menggunakan CARs atau prCARs. Untuk memproduksi classifier yang paling baik dari set rules akan mengevaluasi semua possible subset di data training dan memilih subset dengan rule sequence yang tepat yaitu yang mempunyai error paling sedikit. Defini sebuah total order dari generated rules adalah diberikan dua rules, ri dan r j dimana ri r j jika nlai
Mulai
confidence
confidence dari ri lebih besar dari r j atau nilai confidence mereka sama, tetapi nilai support dari ri lebih besar dari r j atau nilai dari confidence dan support mereka sama tetapi ri lebih dulu dibuat dari pada
Classifier
rj .
memenuhi
format
Input Data Mentah
Preprocessing Data Hasil Preprocessing 90% Algoritma CBA-RG
10% Uji
Rule Algoritma CBA-CB
Analisis Akurasi
Classifier Selesai
Data mentah dilakukan proses preprocessing berupa data cleaning dan data transformation. Data cleaning dilakukan ketika terdapat missing value pada semua faktor dan hasil. Data transformation dilakukan pada faktor dari data numerik menjadi data kategorial. Faktor suhu, kecepatan angin, indeks uv, tutupan awan dan titik embun diubah menjadi 3 kategori, sementara faktor kelembaban diubah menjadi dua kategori. Data hasil terbagi menjadi 14 kategori. Data yang sudah dipreprocessing berjumlah 2672 data. Data Preprocessing lalu diolah untuk menghasilkan rule. Data yang digunakan untuk mencari rule sejumlah 90% dari jumlah data yakni 2405. 10% data sejumlah 267 digunakan untuk uji coba. Rule dibentuk dengan langkah awal mencari semua condset dari semua faktor dan jumlah masing-masing condset atau bisa disebut CondsupCount. Lalu dicari ruleitem pertama dari condset dengan class beserta jumlah rule tersebut yang bisa disebut RuleSupCount. Lalu dicari support dari ruleitem, ruleitem yang mempunyai support diatas minimum support merupakan frequent ruleitem. Dicari juga confidence dari setiap ruleitem, ruleitem yang mempunyai confidence
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2013) 1-6 melebihi minimum confidence disebut accurate ruleitem. Ruleitem yang frequent dan accurate merupakan possible rule. Possible rule ini merupakan CARs sekaligus digunakan untuk menggenerate frequent ruleitem yang lainnya dengan cara mengkombinasikan frequent ruleitem dengan frequent ruleitem dalam possible rule dengan syarat frequent ruleitem tidak boleh berpasangan dengan dirinya sendiri. Setelah itu dicari RulesupCount dari ruleitem yang baru. Kemudian dihitung supportnya, ruleitem yang supportnya melebihi minsup merupakan frequent ruleitem dan dihitung juga confidencenya, ruleitem yang memiliki nilai confidence lebih tinggi dari mincof merupakan accurate ruleitem. Jika ruleitem memenuhi frequent dan accurate ruleitem, maka itulah possible rule. Possible rule kali ini harus memenuhi syarat selanjutnya, yaitu semua frequent ruleitem pada possible rule merupakan frequent ruleitem pada possible rule sebelumnya. Digunakan cara yang sama untuk menggenerate possible rule berikutnya. Pengklasifikasi pada possible rule dibuat dengan cara memasang class yang frequent pada setiap ruleitem yang terbentuk sehingga possible rule yang dihasilkan mengandung class pada bagian akibat dan pada bagian sebab merupakan kategori faktor yang frequent. Pada Tabel 1 menampilkan CARs dengan 2 frequent ruleitem pada saat minsup 0.2 dan mincof 0.1. Tabel 1. CARs 2 Frequent Ruleitem saat minsup = 0.2 dan mincof =0.1 Faktor Kelas l.kering berawan l.kering gelap a.lambat gelap u.rendah gelap aw.banyak berawan e.tinggi berawan e.tinggi gelap
Pada Tabel 2 menampilkan CARs dengan 3 frequent ruleitem pada saat minsup 0.2 dan mincof 0.1. Tabel 2. CARs 3 Frequent Ruleitem saat minsup = 0.2 dan mincof=0.1 Faktor Faktor Kelas a.lambat u.rendah gelap aw.banyak l.kering berawan e.tinggi l.kering berawan e.tinggi u.rendah gelap l.kering e.tinggi berawan l.kering u.rendah gelap u.rendah l.kering gelap
Pada Tabel 3 menampilkan CARs dengan 4 frequent ruleitem pada saat minsup 0.2 dan mincof 0.1. Tabel 3. CARs 4 Frequent Ruleitem saat minsup = 0.2 dan mincof=0.1 Faktor Faktor Faktor Kelas aw.banyak e.tinggi l.kering berawan e.tinggi aw.banyak l.kering berawan e.tinggi u.rendah l.kering gelap l.kering aw.banyak e.tinggi berawan l.kering u.rendah e.tinggi gelap u.rendah l.kering e.tinggi gelap
Pada Tabel 4 menampilkan CARs dengan 2 frequent ruleitem pada saat minsup 0.1 dan mincof 0.1.
4 Tabel 4. CARs 2 Frequent Ruleitem saat minsup = 0.1 dan mincof=0.1 Faktor Kelas s.normal berawan s.normal gelap s.panas cerah l.kering berawan l.kering cerah l.kering gelap l.kering hujan petir a.lambat berawan a.lambat gelap a.normal cerah u.rendah berawan u.rendah gelap aw.banyak berawan aw.lumayan gelap e.tinggi berawan e.tinggi cerah e.tinggi gelap e.tinggi hujan petir
Pada Tabel 5 menampilkan CARs dengan 3 frequent ruleitem pada saat minsup 0.1 dan mincof 0.1. Tabel 5. CARs 3 Frequent Ruleitem saat minsup = 0.1 dan mincof=0.1 Faktor Faktor Kelas a.lambat aw.lumayan gelap a.lambat l.kering berawan aw.banyak a.lambat berawan aw.banyak l.kering berawan e.tinggi a.lambat berawan e.tinggi l.kering berawan l.kering a.lambat berawan l.kering e.tinggi berawan s.normal a.lambat berawan s.normal e.tinggi berawan u.rendah a.lambat berawan u.rendah e.tinggi berawan u.rendah s.normal gelap
Pada Tabel 6 menampilkan CARs dengan 4 frequent ruleitem pada saat minsup 0.1 dan mincof 0.1. Tabel 6. CARs 4 Frequent Ruleitem saat minsup = 0.1 dan mincof=0.1 Faktor Faktor Faktor Kelas a.lambat aw.banyak e.tinggi berawan a.lambat e.tinggi aw.banyak berawan a.lambat e.tinggi s.normal gelap a.lambat l.kering aw.banyak berawan a.lambat l.kering s.normal gelap a.lambat s.normal aw.banyak berawan a.lambat s.normal l.kering gelap a.lambat u.rendah aw.banyak berawan a.lambat u.rendah l.kering gelap aw.banyak a.lambat e.tinggi berawan aw.banyak e.tinggi a.lambat berawan aw.banyak l.kering a.lambat berawan aw.banyak s.normal a.lambat berawan aw.banyak u.rendah a.lambat berawan e.tinggi a.lambat aw.banyak berawan e.tinggi a.lambat s.normal gelap e.tinggi aw.banyak a.lambat berawan e.tinggi l.kering a.lambat berawan e.tinggi l.kering s.normal gelap e.tinggi s.normal a.lambat berawan e.tinggi s.normal l.kering gelap e.tinggi u.rendah a.lambat berawan
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2013) 1-6 e.tinggi l.kering l.kering l.kering l.kering l.kering l.kering l.kering l.kering l.kering s.normal s.normal s.normal s.normal s.normal s.normal s.normal s.normal s.normal u.rendah u.rendah u.rendah u.rendah u.rendah u.rendah u.rendah u.rendah u.rendah
u.rendah a.lambat a.lambat aw.banyak e.tinggi e.tinggi s.normal s.normal u.rendah u.rendah a.lambat a.lambat aw.banyak e.tinggi e.tinggi l.kering l.kering u.rendah u.rendah a.lambat a.lambat aw.banyak e.tinggi e.tinggi l.kering l.kering s.normal s.normal
l.kering aw.banyak s.normal a.lambat a.lambat s.normal a.lambat e.tinggi a.lambat e.tinggi aw.banyak l.kering a.lambat a.lambat l.kering a.lambat e.tinggi a.lambat e.tinggi aw.banyak l.kering a.lambat a.lambat l.kering a.lambat e.tinggi a.lambat e.tinggi
gelap berawan gelap berawan berawan gelap berawan gelap berawan gelap berawan gelap berawan berawan gelap berawan gelap berawan gelap berawan gelap berawan berawan gelap berawan gelap berawan gelap
5 telah dilakukan. Minimum Support 0.2 0.2 0.1 0.1 0.1
Pada Tabel 8 menampilkan nilai akurasi dari uji coba yang
Akurasi 60 60 17.54 2.27 50
VI. KESIMPULAN Algoritma CBA mengintegrasikan teknik klasifikasi dengan teknik asosiasi dalam data mining untuk menemukan rule yang menarik. Banyak rule yang ditemukan tergantung pada minimum support dan minimum confidence. Semakin rendah minimum support dan minimum confidence semakin banyak pula rule yang akan ditemukan. Tetapi semakin banyak jumlah rule yang ditemukan akan membuat nilai akurasi dari klasifikasi akan semakin kecil. Implementasi algoritma CBA dengan Matlab R2010 membutuhkan waktu komputasi yang lama saat menggenerate rule dibandingkan saat melakukan proses preprocessing data mentah menjadi data yang bisa digunakan.
Pada Tabel 7 menampilkan CARs dengan 5 frequent ruleitem pada saat minsup 0.1 dan mincof 0.1. Tabel 7. CARs 5 Frequent Ruleitem saat minsup = 0.1 dan mincof=0.1 Faktor Faktor Faktor Faktor Kelas a.lambat aw.banyak e.tinggi l.kering berawan a.lambat e.tinggi u.rendah l.kering gelap a.lambat l.kering u.rendah e.tinggi gelap a.lambat s.normal u.rendah e.tinggi gelap a.lambat u.rendah s.normal e.tinggi gelap e.tinggi a.lambat u.rendah l.kering gelap e.tinggi l.kering a.lambat u.rendah gelap e.tinggi l.kering s.normal a.lambat gelap e.tinggi s.normal a.lambat u.rendah gelap e.tinggi s.normal l.kering a.lambat gelap e.tinggi u.rendah a.lambat s.normal gelap e.tinggi u.rendah l.kering a.lambat gelap l.kering a.lambat u.rendah e.tinggi gelap l.kering e.tinggi a.lambat u.rendah gelap l.kering e.tinggi s.normal a.lambat gelap l.kering s.normal a.lambat u.rendah gelap l.kering s.normal e.tinggi a.lambat gelap l.kering u.rendah a.lambat s.normal gelap l.kering u.rendah e.tinggi a.lambat gelap s.normal a.lambat u.rendah e.tinggi gelap s.normal e.tinggi a.lambat u.rendah gelap s.normal e.tinggi l.kering a.lambat gelap s.normal l.kering a.lambat u.rendah gelap s.normal l.kering e.tinggi a.lambat gelap s.normal u.rendah a.lambat l.kering gelap s.normal u.rendah e.tinggi a.lambat gelap u.rendah a.lambat s.normal e.tinggi gelap u.rendah e.tinggi a.lambat s.normal gelap u.rendah e.tinggi l.kering a.lambat gelap u.rendah l.kering a.lambat s.normal gelap u.rendah l.kering e.tinggi a.lambat gelap u.rendah s.normal a.lambat l.kering gelap u.rendah s.normal e.tinggi a.lambat gelap
Tabel 8. Nilai Akurasi dari Uji Coba Minimum Jumlah Rule Confidence 0.1 20 0.2 20 0.1 114 0.2 176 0.3 8
DAFTAR PUSTAKA [1]
[2] [3]
[4] [5]
[6] [7]
[8]
[9]
[10]
[11] [12] [13] [14]
R. Agrawal and R. Srikant, " Fast Algorithm for Mining Association Rules, " 20th Very Large Data Bases Conference, Santiago, Chile (1994). J. P. Azevedo, "A Data Structure to Represent Association Rules based Classifiers, ” Universidade do Minho Braga, Portugal Dr. S. S. Baboo and I. K. Shereef. “ Applicability of Data Mining Techniques for Climate Prediction – A Survey Approach “. International Journal of Computer Science and Information Security Volume 8 Nomor 1 April 2010 (2010) 203-206. W. Hsu, L. M. Lee and J. Wang. Temporal and Spatio-Temporal Data Mining, IGI Global., Hershey and London (2008). M. Iqbal. “ Peningkatan Efisiensi Pruning Pada Algoritma CBS Menggunakan Algoritma FEAT,” Thesis Magister Matematika, Institut Teknologi Sepuluh Nopember (2012). T. Mitsa. Temporal Data Mining, A Chapman & Hall/CRC., New York (2010) S. Mujiasih. “Pemanfaatan Data Mining Untuk Prakiraan Cuaca”. Jurnal Meteorologi dan Geofisika Volume 12 Nomor 2 – September 2011 (2011) 189-195 S. Nandagopal, S. Karthik, V. P. Arunachalam. “ Mining of Meteorological Data Using Modified Apriori Algorithm “. European Journal of Scientific Research, Volume 47 No 2 (2010) 295-308 M. Nofal, S. Bani-Ahmad. “ Classification Based On Association-Rule Mining Techniques: A General Survey And Empirical Comparative Evaluation “. Department of Information Technology, Al-Balqa Applied University, Jordan. F. Olaiya. “ Application of Data Mining Techniques in Weather Prediction and Climate Change Studies “. Journal Modern Education and Computer Science PRESS, Volume 1, I.J. Information Engineering and Electronic Business (2012) 51-59 K. P. Senthil. “ Association Rule Based Classification “. Thesis Master of Science in Computer Science, Worcester Polytechnic Institute (2006) B. Santosa. Data Mining : Teknik Pemanfaatan Data untuk Keperluan Bisnis, Teori & Aplikasi . Graha Ilmu, Yogyakarta. (2007) N. P. Tan, M. Steinbach and V. Kumar. Introduction to Data Mining, Pearson Addison Weasly., New York (2006) B. Liu, W. Hsu and Y. Ma. “ Integrating Classification and Association Rule Mining,“ KDD-98, New York, Aug 27-31.Department of
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2013) 1-6 Information System, and Computer Science National University of Singapore (1998). [15] AccuWeather, Inc. (February, 2013). Cuaca Per Jam Surabaya. Available : http://www.accuweather.com/id/id/surabaya/203449/hourlyweather-forecast/203449
6