Model Optimization in The Discovery of The Rule Time Series Data Mining

Abstract

This research is motivated by the abundance of abundant time series data found, often regarded as trash and neglected due to the inability to find knowledge or interesting patterns from the data stack. Time series data mining has become very important and there is an increasing trend as objects and current research studies to find new techniques in managing data stacks. Time series is one topic that is often associated with forecasting through a series of data that depends on a period of time. The fundamental problem in time series data mining is how to present the knowledge contained in it, then how to find rules from periodic data and how to optimize the decision of time series data generated by data mining and create optimization models to optimize data mining decisions. The basic idea in the proposed method is to do periodic discretization for the formation of sub-sequences, then the sub-sequences are grouped through a measure of similarity with distance using euclidean. The model found is RBT (Rule Best Time Series), then rules are applied to obtain hidden rules in temporal patterns and to do J-measure cracking. From the results of this study, time series data can be optimized, new knowledge or trends and patterns in the time series database can be generated which are uncertain and previously unknown. Decisions or information can be used to make decisions, or forecasting in the future with a mean absolute deviation (MAD) model accuracy of 73%, forecasting accuracy of squared deviation (MSD) 87% and percentage error mean absolute percentage error MAPE of 4 , 7%.

Penelitian ini dilatarbelakangi oleh banyaknya dijumpai tumpukan data time series yang melimpah, sering dianggap sebagai sampah dan terabaikan karena ketidakmampuan menemukan pengetahuan atau pola menarik dari tumpukan data tersebut. Time series data mining menjadi sangat penting dan terjadi peningkatan trend sebagai objek dan kajian penelitian saat ini untuk menemukan teknik baru dalam mengelola tumpukan data. Time series salah satu topik yang sering dikaitkan dengan peramalan melalui sederetan data yang bergantung pada periode waktu. Persoalan mendasar dalam time series data mining adalah bagaimana menyajikan pengetahuan yang terkandung didalamnya, maka bagaimana menemukan rule dari data deret berkala dan bagaimana mengoptimalkan keputusan data time series yang dihasilkan oleh data mining serta membuat model optimasi untuk mengoptimalkan keputusan data mining. Ide dasar dalam metode yang diajukan adalah melakukan diskritisasi deret berkala untuk pembentukan sub-sikuen, kemudian sub-sikuen ini dikelompokkan melalui ukuran similaritas dengan jarak menggunakan euclidean. Model yang ditemukan adalah RBT(Rule Best Time Series), kemudian diterapkan penemuan aturan untuk memperoleh aturan tersembunyi pada pola temporal dan melakukan perengkingan dengan J-measure. Dari hasil penelitian ini dapat dioptimalkan data time series, dapat dihasilkan pengetahuan baru atau trend dan pola dalam database time series yang sifatnya tidak tentu dan sebelumnya tidak diketahui. Keputusan atau informasi tersebut dapat digunakan untuk mengampil keputusan, atau peramalan dimasa yang akan datang dengan tingkat akurasi model mean absolute deviation(MAD) sebesar , akurasi forecasting mean squared deviation (MSD) dan persentase error mean absolute percentage error MAPE sebesar 4,7%.