Partisi Data Secara Vertikal Untuk Menentukan Aturan Asosiasi Item Set Data Cuaca

Abstract

Abstract

This paper discussed about association rule mining among item sets of weather records, where observation results are distributed from data source and partitioned in order to create an optimal rule pattern. We use decision tree classifiers as method for data partitioning, which each item set has several attributes and these item sets are used to identify the valid global association rule, but did not disclose the items set individual transaction data. The final results of this study was to partition the data to generate a frequency associated items set weather data with the minimal level of support without revealing the value of the item set of individuals. Frequency value associated items set the partition of this data can be used for weather prediction simulations whether there will be rain or no rain.

Keywords: association rule mining, item set, weather records, partition,                       decision tree classifiers

Abstrak

Makalah ini membahas aturan penambangan asosiasi (association rule mining) antar item set data cuaca dimana data hasil pemantauan didistribusikan dari sumber data dan dipartisi untuk memperoleh pola aturan yang optimal. Metoda yang akan digunakan untuk partisi data adalah pengklasifikasian pohon keputusan (decision tree classifiers) yaitu setiap item set memegang beberapa atribut dan item set tersebut mengidentifikasi aturan asosiasi global yang valid, namun item set tidak mengungkapkan data transaksi individu. Hasil akhir dari penelitian ini adalah partisi data untuk menghasilkan frekuensi asosiasi item set data cuaca dengan tingkat dukungan minimal tanpa mengungkapkan nilai item set individu. Nilai frekuensi asosiasi item set hasil partisi data ini dapat digunakan untuk simulasi prediksi cuaca apakah akan terjadi hujan atau tidak hujan.

Kata-kuci : aturan penambangan asosiasi, item set, data cuaca,                              partisi, pengklasifikasian pohon