22
mengenali
kunci_
variabel
dan ffilai
yang
kemudian
akan
menjadi
dasar
untuk rr.£mbuat perkiraan
ketika rnembaca data batu.
2.
Unsupervised
Tid.ak
melibatkan
fase
pdatihan,
tetapi tergantu.'1g pada
penggunaan
algoritma,
yang
mendeteksi
semua
ben.tu.\:., seperti
asosiasi
dan
rangkaian
di
mana
te:jadi
di
atas
kriteria
yang spesif.J>:
di
dalam
mem.asuk:kan data.
Pendekatan
ini
mernhawa
kepada
generasr
Yfu""l.g
mempunyai
btmyak
peraturan
yang
menggolongken
penemllil.J."'l
asosiasi,
duster,
dan
segmen.
Pera'rnran
i.J.Li
kemudian
akan
mda1.--ukan
penganalisaan
untu..l.:.. menentukan
memiliki
ketertari.\;:an yang
signilikan.
3. Reinforcement
\Vahmpunjamng
drgunukan
d7ba.nd:ing
den.gan
metode
yang
1aii1,
tetapi
merrri!iki
aphkasi
untuk
me:r..goptimalkan
Nflktu dan.
penyesuaia:n
kcntrol.
Pdatiha.n
reitiforcemenJ:
l:ni
sa.ngat
mirip
dengac1 kenyataan
hidup. Karcna
proses pdatiha.u relt!forcement
ini
tidak
merryediakan
digunakan
unlu.k memec.ahk.a.r.;.
sebagian
masalah
ketergantungan
wak:tu
yang sangat suliL
Di
samping mode
pelatili.an, ada
cam
di
mana teknik
data
mining
dapat
dikategorikan. Kategori dari
teknik data mining dapat dibagi menjadi
:
l
_
Represen.lasi
rnOOd
d.au ha8il
(cmrtoh
:
pollon
keput J."ill.n, pemtu.raJJ:.,
e.sosiasi, ch.""\iasi, korelasi}
 |