Penggunaan Teori Set Kasar dalam

1
Penggunaan Teori Set Kasar dalam Perlombongan
Data
Dibentangkan oleh
Noranisah Amerudin Pelajar Kerja Kursus dan
Tesis Universiti Kebangsaan Malaysia nisauum_at_hotma
il.com
2
Isi Kandungan

• Pengenalan
• Konsep asas Set Kasar
• Proses Penjanaan Petua

3
Pengenalan

• Perlombongan data
• Mencari hubungan dan corak yang wujud dalam
  pangkalan data yang tersembunyi di dalam jumlah
  data yang besar
• Membuat ramalan

4
Teknik Perlombongan Data

• Rangkaian Neural
• Evolutionary Programming
• Memory Based Reasoning
• Pohon Keputusan
• Algoritma Genetik
• Teori Set Kasar

5
Pengenalan (2)

• Teori set kasar telah diperkenalkan oleh
  Zdzislaw Pawlak pada awal tahun 1980-an.
• Matlamat utama teori ini
• menginduksi dan menggabungkan (synthesize) konsep
  penghampiran dengan data yang ada.
• membina pengkelasan yang dapat mengkelaskan
  objek yang tidak dapat dilihat dengan jelas.
• menjelaskan dan menerangkan ciri model data yang
  diperolehi.

6
Konsep asas dalam Set Kasar

• Sistem maklumat Jadual Keputusan
• Ketidakbolehbezaan (Indiscernibility)
• Penghampiran Set (Set Approximation)
• Pengurangan (Reducts and Core)
• Petua Keputusan (Decision Rules)

7
Sistem Maklumat

• Sistem maklumat terdiri daripada sepasang
  (U, A)
• U adalah set terhingga objek yang tidak kosong.
• A adalah set terhingga atribut yang tidak
  kosong dan diwakilkan sebagai
• bagi setiap
• dipanggil set nilai atribut a.

Age LEMS
x1 16-30 50 x2 16-30
0 x3 31-45 1-25 x4 31-45 1-25 x5
46-60 26-49 x6 16-30 26-49 x7
46-60 26-49

8
Jadual Keputusan

• Jadual Keputusan
• d adalah atribut keputusan dan
• A adalah atribut syarat.

Age LEMS Walk
x1 16-30 50 yes x2 16-30
0 no x3 31-45
1-25 no x4 31-45 1-25 yes x5
46-60 26-49 no x6 16-30 26-49
yes x7 46-60 26-49 no
9
Isu di dalam Jadual Keputusan

• Objek yang tidak mempunyai perbezaan yang
  nyata dipersembahkan beberapa kali.
• Sesetengah atribut berlebihan dan tidak
  dikehendaki.

10
Ketidakbolehbezaan (Indiscernibility)

• Subset tidak kosong bagi
• atribut syarat ialah Age,
• Lems dan Age,Lems.
• IND(Age) x1,x2, x6,
• x3, x4, x5, x7
• IND(Lems) x1, x2,
• x3, x4, x5, x6, x7
• IND(Age, Lems) x1,
• x2, x3,x4, x5, x7, x6

Age LEMS Walk
x1 16-30 50 yes x2 16-30
0 no x3 31-45
1-25 no x4 31-45 1-25 yes x5
46-60 26-49 no x6 16-30 26-49
yes x7 46-60 26-49 no
11
Penghampiran Set (Approximation Set)
 
A-lower approximation AX x1, x6
A-upper approximation AX x1, x3, x4, x6
A-boundary region BNA(X) AX AX x3, x4
12
Penghampiran Set (2)
A-lower approximation AX x xA ? X A-upper
approximation AX x xA ? X ? 0
13
Penghampiran Set (3)

• Jika kawasan sempadan tidak kosong, maka ia
  adalah kasar.
• Set kasar wujud apabila objek-objek berada di
  antara dua sempadan iaitu positif dan negatif.

14
Ketepatan Penghampiran
(Accuracy Approximation)

• Setelah melakukan penghampiran, kita boleh
  mengira ketepatan penghampiran yang telah dibuat.
• Formula

Di mana X mewakili kardinaliti X ? 0
Jika ?B(X) 1 adalah tepat /crisp kepada B.
Jika ?B(X) lt 1 adalah kasar /rough
kepada B.
15
Pengurangan(Reducts)

• Selalunya terdiri daripada beberapa subset
  atribut yang lebih minima dan ini dikenali
  sebagai reducts.
• Dengan kata lain membuang data yang berulang atau
  bertindan.
• Tujuan utama adalah untuk mengetahui atribut mana
  yang boleh mewakili keseluruhan atribut untuk
  mewakili data-data dalam pangkalan data dan
  kebergantungan di antara atribut-atribut.

16
Pengurangan (2)

• T (U,C,D) adalah tidak bergantung jika semua c
  ? C adalah diperlukan dalam T.
• Semua set atribut syarat diperlukan dalam T
  diwakili dengan CORE(C).
• CORE (C) ? RED (C)
• di mana RED(C) adalah semua set atribut yang
• dikurangkan daripada C.

17
Contoh Reducts CORE (3)
Reduct1 Muscle-pain,Temp.
Reduct2 Headache, Temp.
CORE Headache,Temp ?
MusclePain, Temp Temp
18
Petua Keputusan(Decision rules)

• Apabila reducts telah dijumpai, tugas membina
  petua-petua yang tepat daripada atribut keputusan
  daripada sistem maklumat boleh dilakukan.
• Petua keputusan dibuat dengan menggabungkan
  atribut-atribut reducts.
• Petua keputusan mengekstrak pengetahuan di mana
  boleh digunakan apabila mengkelaskan objek-objek
  baru dalam sistem maklumat.

19
Petua Keputusan(2)
Jadual Kesetaraan (Equivalence Class)
Petua Keputusan yang dihasilkan
Matrik Pembezaan (Discernibility Matrix)
20
Proses Penjanaan Petua
Proses penjanaan rules menggunakan pendekatan Set
Kasar
21
Matlamat

• Matlamat tesis saya seterusnya
• Menghasilkan sebuah cengkerang pakar (tool) yang
  dapat menentukan samada seseorang pesakit itu
  menghidapi penyakit Telinga, Hidung dan Tekak
  (ENT) atau tidak dengan menggunakan teknik set
  kasar.

22
Sekian, terima kasih.