Selamat datang di toko Buku Online kami Buku Diskon,Murah Ajibayustore

Rabu, 16 Maret 2016

Data Mining.Konsep dan Aplikasi Menggunakan MATLAB,Eko Prasetyo

  Judul Buku:Data Mining – Konsep dan Aplikasi Menggunakan MATLAB

Judul Buku:Data Mining – Konsep dan Aplikasi Menggunakan MATLAB
Pengarang:Eko Prasetyo
Penerbit:ANDI
Cetakan :Edisi 1
Tahun Terbit:2012
Bahasa:Indonesia
Jumlah Halaman:360
Kertas Isi:HVS
Cover:Soft
Ukuran:19 x 23
Berat:600
Kondisi:Baru
Harga: Rp       94,000 diskon 15 %
Bayar: Rp       79,900
Stock:1

Data Mining – Konsep dan Aplikasi Menggunakan MATLAB
Pengarang : Eko Prasetyo
Penerbit : ANDI


Daftar Isi

BAB I PENDAHULUAN
1.1 Pengertian Data Mining   
1.2 Posisi Data Mining dalam Berbagai Disiplin Ilmu
1.3 Data, Informasi, dan Pengetahuan (Knowledge)
1.4 Peker aan dalam Data Mining

BAB II SET DATA
2.1 Jenis Data dalam Set Data
2.2 Jenis Set Data
2.2.1 Karakteristik Set Data
2,2.2 Data Rekord
2.3 Set Data yang Digunakan dalam Buku
2.3.1 Set Data Vertebral Column      
2.3.2 Set Data Buatan
2.3.3 Set Data Pengelompokan Dua Dimensi
2.3.4 Set Data Identitas Tubuh
2.3.5 Set Data Radial
2.4 Ukuran Kemiripan dan Ketidakmiripan Data
2.4.1 Kemiripan dan Ketidakmiripan Data Satu Atribut
2.4.2 Ketidakmiripan Data Multiatribut

BAB III PEMROSESAN AWAL DATA
  • Pemrosesan Awal
3.1.1 Agregasi
3.1.2 Penyampelan
3.1.3 Binerisasi dan Diskretisasi
3.2 Pengurangan Dimemi Data
3.2.1 Principal Component Analysis         
3.2.2 Singular Value Decomposition        

BAB IV KLASIFIKASI: METODE-METODE PILIHAN
  • Konsep Klasifikasi
4.1.1 Model
4.1.2 Pengukuran Kinerja Klasifikasi
4.2 Nearest Neighbor Classier     
4.2.1 Algoritma Nearest Neighbor         
4.2.2 Contoh Aplikasi Klmifikasi dengan Nearest Neighbor    
4.2.3 Karakteristik Klasifikasi dengan Nearest Neighbor          
4.3 Naive Bayes Classifier           
4.3.1 Teorema Bayes
4.3.2 Naive Bayes untuk Klasifikasi
4.3.3 Contoh Aphkasi Klasifikasi dengan Naive Bayes           
4.3.4 Karakteristik Naive Bayes           
4.4 Artificial Neural Network       
4.4.1 Konsep Arai ficialNeural Network    
4.4.2 Algoritma Perceptron      
4.4.3 Multilayer Perceptron dengan Algoritma Backpropagation  
4.4.4 Karakteristik MultilayerPerceptron
4.5 Support VertorMachine (SVM)
4.5.1 Konsep SVM
4.5.2 SVM Linear
4.5.3 Hyperplane SVM
4.5.4 SVM Nonlinear
4.5.5 Contoh Aplikasi Klasifikasi dengan SVM
4.5.6 Karakteristik SVM
4.6 Fuzzy K-Nearest Neighbor           
4.6.1 Konsep Fuzzy K-Nearest Neighbor      
4.6.2 Contoh Aplikasi Klasifikasi dengan FK-NN
4.7 Fuzzy K-Nearest Neighbor in Every Class           
4.7.1 Konsep Fuzzy K-Nearest Neighbor in Every, Class      
4.7.2 Contoh Aplikasi Klasifikasi dengan FK-NNC

BAB V ANALISIS KELOMPOK: METODE-METODE PILIHAN
5.1 Konsep Pengelompokan
5.1.1 Tujuan Pengelompokan
5.1.2 Jenis-Jens Pengelompokan
5.2 K-Means   
5.2.1 Konsep K-Means          
5.2.2 Contoh Aplikasi Pengelompokan dengan K-Means     
5.2.3 Karakteristik K-Means  
5.3 Pengelompokan Hierarki (Hierarchical Clustering)        
5.3.1 Konsep Pengelompokan Hierarki, Aglomeratif (Agglomerative
Hierarhical Oustezing)           
5.3.2 Metode-metode Terkait Pengelompokan Hierarki Aglomeratif
5.3.3 Contoh Aplikasi Pengelompokan dengan Pengelompokan Hierarki
Aglomeratif
5.3.4 Karakteristik Pengelompokan Hierarki Aglomeratif
5.4 DBSCAN
5.4.1 Konsep DBSCAN
5.4.2 Contoh Aplikasi Pengelompokan dengan DBSCAN
5.4.3 Karakteristik DBSCAN
5.5 Fuzzy C-Means    
5.5.1 Konsep Fuzzy C-Means
5.5.2 Contoh Aplikasi Pengelompokan dengan Fuzzy C-Means       
5.6 Self-Organizing Map        
5.6.1 Konsep Self-Organizing Map    
5.6.2 Contoh Aplikasi Pengelompokan dengan Self-Organizing Map          
5.6.3 Karakteristik Self-Organizing Map       

BAB VI DETEKSI ANOMALI
6.1 Konsep Anomah Data
6.1.1 Penerapan Teknik Anomali Data
6.1.2 Penyebab Anomah Data
6.2 K-Nearest Neighbor         
6.2.1 Konsep K-Nearest Neighbor dalam Deteksi Anomah
6.2.2 Contoh Deteksi Anomali dengan K-Nearest Neighbor
6.3 DBSCAN
6.3.1 Konsep DBSCAN dalam Deteksi Anomah
6.3.2 Contoh Deteksi Anomah dengan DBSCAN
6.4 Outlier Removal Clustering         
6.4.1 Konsep Outlier Removal Clustering dalam Deteksi Anomah
6.4.2 Contoh Deteksi Anomah dengan Outlier Removal Clustering 

BAB VII ANALISIS ASOSIASI
7.1 Konsep Analisis Asosiasi
7.1.1 Metrik Asosiasi
7.1.2 Aturan Asosiasi
7.2 Algoritma Apriori
7.2.1 Konsep Algoritma Apriori
7.2.2 Pembangkitan Itemset Frekuen
7.2.3 Pembangkitan Kandidat dan Pemangkasan
7.2.4 Penghitungan Support dengan Pohon Hash
7.2.5 Pembangkitan Aturan

DAFTAR PUSTAKA
INDEKS
LAMPIRAN
TENTANG PENULIS



Share This Article


0 comments:

Posting Komentar

Copyright © 2015. AJIBAYUSTORE - All Rights Reserved ALAMAT JALAN KEBANGKITAN NASIONAL TOKO BUKU NO.81 SOLO JAWA TENGAH KONTAK:0857 2823 4422
Creating Website Miko Bayu Saputra