Judul Buku : Data Mining – Mengolah Data Menjadi Informasi Menggunakan Matlab – Bonus CD
Pengarang : Eko Prasetyo
Penerbit : ANDI
Cetakan : Ke – 1
Tahun Terbit : 2014
Bahasa : Indonesia
Jumlah Halaman : 360
Kertas Isi : HVS
Cover : Soft
Ukuran : 20 x 28
Berat : 900
Kondisi : Baru
Harga : Rp129.000 diskon 20%
Bayar : Rp103200
DAFTAR ISI
BABI PENDAHULUAN
1.1 Pengertian Data Mining dan Bukan Data Mining
1.2 Pekerjaan dalam Data Mining
1.3 Proses Data Mining
1.4 Set Data
1.5 Konsep Klasifikasi
1.6 Konsep, Cluster
BAB II PEMROSESAN AWAL
2.1 Pembuangan Outlier
2.2 Normalisasi Data
2.3 Data yang Salah
2.4 Pemilihan Fitur Berbasis Statistik
2.4.1 Pengujian Hipotesis dengan T-Test
2.4.2 Fisher’s Discriminant Ratio
2.5 Pengukuran Kelas yang Dapat Dipisahkan
2.5.1 Thornton’s Separable Index
2.5.2 Direct Class Separability Measure
BAB III FITUR
3.1 Tipe Fitur
3.2 Konsep Kedekatan
3.3 Ukuran Kedekatan Nilai Kontinyu
3.3.1 Ukuran Ketidakmiripan
3.3.2 Ukuran Kemiripan
3.4 Ukuran Kedekatan Nilai Diskret
3.4.1 Ukuran Ketidakmiripan
3.4.2 Ukuran Kemiripan
3.5 Ukuran Kedekatan Vektor dengan Fitur Campuran
3.6 Ukuran Ketidakiniripan Vektor dengan Himpunan
3.7 Ukuran Ketidakmiripan Himpunan dengan Himpunan
BAB IV KLASIFIKASI BERBASIS DECISION TREE
4.1 Konsep Decision Tree
4.2 Algoritma ID3
4.3 Algoritnia, C4.5
4.4 Implementasi Decision Tree di MATLAB
4.5 Isu Terkait Decision Tree
BAB V KLASIFIKASI BERBASIS ARTIFICIAL NEURAL NETWORK
5.1 Konsep Artificial Neural Network
5.2 ANN Perceptron
5.2.1 Konsep ANN Perceptron
5.2.2 Implementasi ANN Perceptron di MATLAB
5.3 ANN Error Backpropagation
5.3.1 Konsep Multilayer Perceptron
5.3.2 Cara Pelatihan MLP Backpropagation
5.3.3 Implementasi MLP Backpropagation. di MATLAB
5.4 ANN Learning Vector Quantization
5.4.1 Konsep Learning Vector Quantization
5.4.2 Cara Pelatihan Learning Vector Quantization
5.4.3 Implementasi ANN LVQ di MATLAB
5.5 Isu Terkait ANN
BAB VI KLASIFIKASI SUPPORT VECTOR MACHINE
6.1 Konsep SVM
6.1.1 SVM Linear
6.1.2 Hyperplane SVM
6.1.3 SVM Nonlinear
6.2 Implementasi SVM di MATLAB
6.3 SVM Multikelas
6.4 Isu Terkait SVM
BAB VII KLASIFIKASI BERBASIS NEAREST NEIGHBOR
7.1 Konsep Nearest Neighbor
7.2 K-Nearest Neighbor
7.3 Template Reduction K-Nearest Neighbor
7.4 Support Vector K-Nearest Neighbor Classifier
7.5 K-Support Vector Nearest Neighbor
7.6 Weight K-Support Vector Nearest Neighbor
7.6.1 Pelatihan Model WK-SVNN
7.6.2 Prediksi Menggunakan Model WK-SVNN
BAB VIII ANALISIS CLUSTER BERBASIS PARTISI
8.1 K-Means
8.2 K-Harmonic Means
8.3 K-Modes
8.4 Fuzzy C-Means
BAB IX ANALISIS CLUSTER BERBASIS HIERARKI
9.1 Konsep Pengelompokan Berbasis Hierarki
9.2 Metode-Metode Terkait AHC
9.3 Implementasi AHC di MATLAB
BAB X EVALUASI SISTEM KLASIFIKASI
10.1 Pengukuran Kiner a Klasifikator
10.1.1 Akurasi
1.2 Sensitivitas dan Spesifisitas
10.1.3 Precision dan Recall
10.2 Metode Evaluasi Klasifikator
10.2.1 Hold-Out
10.2.2 Random Subsampling
10.2.3 K-Fold Cross Validation
10.2.4 Bootstrap
10.2.5 Teknik Partisi Set Data di MATLAB
10.3 Metode Pembandingan Klasifikator
10.3.1 Perkiraan Interval Kepercayaan Akurasi
10.3.2 Pembandingan Kiner a Dua Model
10.3.3 Pembandingan Kiner a Dua Klasifikator
BAB XI VALIDITAS CLUSTER
11.1 Validitas Internal
11.1.1 Davies-Bouldin Index
11.1.2 Silhouette Index
11.1.3 Dunn Index
1.4 Validitas Fuzzy Clustering
11.2 Validitas Eksternal
11.2.1 Validitas Berorientasi Klasifikasi
11.2.2 Validitas Berorientasi Kemiripan
DAFTAR PUSTAKA
LAMPIRAN A
LAMPIRAN B
LAMPIRAN C
GLOSARIUM
INDEKS
TENTANG PENULIS
KEMBALI KE HALAMAN AWAL
Share This Article
0 comments:
Posting Komentar