Prediksi Kecenderungan Tingkah Laku Data Berdasar Penggalian Pola Kerap dengan Menggunakan Metode Transformasi Item Vertikal

BASKORO, ROBBI (2009) Prediksi Kecenderungan Tingkah Laku Data Berdasar Penggalian Pola Kerap dengan Menggunakan Metode Transformasi Item Vertikal. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 2207205727-Master_thesis.pdf Restricted to Repository staff only Download (38MB)

Abstract

Dewasa ini mulai muncul ketertarikan untuk melakukan analisis kombinasi event yang terjadi pada game, khususnya pada game online berbasis web yang mempunyai catatan komprehensif mengenai apa yang dilakukan pemain. Kombinasi event ini bisa dimanfaatkan untuk banyak hal, beberapa contoh pemanfaatannya adalah kecerdasan buatan yang berkembang berdasar kecenderungan cara bermain dari komunitas dan pola penawaran iklan yang tersegmentasi berdasar kecenderungan tingkah laku pemain. Salah satu sifat pola yang dicari adalah kejadian di mana runtutan aksi sering terjadi dalam tingkah laku pemain dalam bermain game, sifat pola yang demikian ini disebut dengan frequent pattern atau pola kerap. Untuk mendapatkan tingkat kekerapan dari suatu pola diperlukan pendekatan teknik penggalian data tertentu. Metode yang sering digunakan dalam pencarian pola kerap adalah metode Apriori ataupun FP-Growth. Kedua metode tersebut mempunyai kelemahan yaitu dalam hal kemampuan penggunaan kembali jika ditentukan parameter pencarian yang berbeda, di mana sebagian besar tahapan harus diulangi dari awal. Kelemahan lainnya adalah ketidakmampuan kedua teknik tersebut untuk menentukan kekerapan suatu pola secara cepat yang menjadikan metode tersebut tidak mungkin digunakan pada sistem real-time. Dengan harapan menutup kedua kelemahan tersebut, dikembangkan suatu pendekatan penyelesaian yang dinamakan metode transformasi item. Metode ini mencoba menyelesaikan permasalahan penggalian pola kerap dengan mengubah dataset menjadi suatu set biner yang dapat ditransformasikan menjadi set biner lainnya yang merupakan representasi kombinasi semua pola dalam bentuk biner. Representasi pola tersebut kemudian dimodelkan dalam sebuah struktur data dalam bentuk tabel yang mendukung, baik untuk penambahan data maupun perubahan parameter penghitungan. Dalam penelitian ini ditunjukkan suatu versi baru dari metode transformasi item dalam penggalian pola kerap yang memberikan contoh bagaimana kecenderungan pada data didapatkan dari beberapa dataset. Metode ini melakukan pendekatan berbeda untuk mendapatkan kekerapan dari suatu pola dengan menghitung kekerapan pola spesifik terlebih dahulu sebelum menyusun struktur data secara keseluruhan. Dengan menghitung kekerapan pola terlebih dahulu, memungkinkan implementasi prinsip Apriori dalam metode transformasi item, di mana superset dari pola yang bukan pola kerap juga bukan merupakan pola kerap. Pendekatan ini memungkinkan peningkatan efektivitas algoritma dari segi waktu eksekusi untuk kasus data spesifik tanpa mengorbankan kelebihan metode transformasi item dibanding metode FP-Growth dan Apriori.
==================================================================================================================================
Today, the industry has started to show interest in analyzing event combinations occurring in games, especially in web-based online games where a comprehensive event pattern log can be obtained. Knowledge about event patterns is often correlated with community-centered, self-evolving game artificial intelligence and UI design analysis. One of the pattern characteristics frequently studied is when a player behavior pattern shows high occurrences, a condition defined as a frequent pattern. To obtain occurrences for each desired pattern, a specific data mining method is required. Two of the most commonly used methods to mine frequent patterns are Apriori and FP-Growth. However, both have weaknesses in reusability under different parameters, requiring all steps to be repeated for different search parameters. Another limitation is that both methods require a relatively long time to obtain frequent patterns, making them unsuitable for real-time environments. For these reasons, the item transformation method is proposed. Item transformation offers a novel approach to overcome these issues by transforming datasets into binary sets, thereby allowing further binary transformations into datasets containing all possible patterns in binary form. This dataset is then represented with a table-structured data model that enables insert, update, and parameter modifications for frequent patterns. In our study, a proposed modification to the item transformation method provides a comprehensive picture of how data behavior is obtained from several datasets. The method uses a different approach to obtain pattern occurrences by computing specific pattern occurrences first before building the entire data structure. Such an approach enables incorporating the Apriori principle into the item transformation algorithm—where supersets of non-frequent patterns are not counted. This approach further reduces running time for specific cases without sacrificing the original method's advantages over FP-Growth and Apriori.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Data Mining, Frequent Pattern Mining, Item Transformation
Subjects:	Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science)
Divisions:	Faculty of Electrical Technology > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	magang .
Date Deposited:	28 Sep 2026 06:12
Last Modified:	28 Sep 2026 06:12
URI:	http://repository.its.ac.id/id/eprint/144954

Actions (login required)

View Item