ABSTRAKSI: Klasifikasi sebagai sebuah task pada data mining bertujuan memprediksi keanggotaan masing-masing instan pada data, untuk memperoleh informasi dari sekumpulan data.
Pengklasifikasian data gejala tipus pada tugas akhir ini menggunakan predictive method DeEPs (Decision making by Emerging Patterns). DeEPs merupakan metoda klasifikasi berbasis instan yang artinya setiap record pada data testing akan dibandingkan dengan data training untuk mendapatkan fungsi solusi lokal. Pencarian fungsi solusi lokal ini memanfaatkan konsep Emerging pattern. Emerging pattern marupakan itemset yang memiliki frekuensi berubah secara signifikan antara kelas pada suatu data. Khusus pada metoda klasifikasi DeEPs pola atau itemset yang diamati adalah pola yang relatif muncul hanya pada suatu kelas saja atau dikenal dengan JEP (Jumping Emerging Pattern). Setelah JEP didapatkan maka frekuensi kemunculanya dihitung dan dibandingkan untuk pengelompokan kelas.
Implemenstasi metoda DeEPs membutuhkan efesiensi untuk menekan jumlah powerset dari pola yang dicari saat operasi selisih antar maksimum representasi kelas. Hasil klasifikasi DeEPs terhadap data gejala tipus menunjukan performasi yang baik dari segi akurasi dan waktu klasifikasi.Kata Kunci : klasifikasi, predictive method, DeEPs (Decision making by Emerging Pattern), metoda klasifikasi berbasis instan, data testing, data training, fungsi solusi lokal, Emerging pattern, itemset, JEP (Jumping Emerging Pattern).ABSTRACT: Classification as one of data mining task which purpose to predict the membership each instant at data, to gain information.
Classification typhus data at this task using predictive method, which is DeEPs (Decision making by Emerging Patterns). DeEPs is an instance-based classification method which mean each record at testing data will be compared with training data to get local solution function. Emenging Pattern concepts are used to get this local solution functions. Emerging Pattern is itemset or pattern where emergence frequency change significantly between classes at data. Particularly at DeEPs classification method the observed pattern are that only appear in a class, known as JEP (Jumping Emerging Pattern). After Jumping Emerging Patterns are founded then these JEPs frequency will be counted and compared to determine the class a record belong.
Implementation of DeEPs requires some effeciency to reduce number of powerset of patterns that are searched during difference operation among maximum represention of the class. From experiment which has done DeEPs show good result in terms of accuration and time of classifaction.Keyword: predictive method, DeEPs (Decision making by Emerging Pattern), instance-based classification method, testing data, training data, local solution function, Emerging pattern, itemset, JEP (Jumping Emerging Pattern).