WEKA

1.Definisi Weka
Weka ( Waikato Environment for Knowladge Analysis ) adalah aplikasidata mining open
source berbasis Java. Aplikasi ini dikembangkan pertama k a l i o l e h
Universitas Waikato di Selandia Baru. Weka terdiri dari
k o l e k s i algoritma machine  learning yang  dapat  digunakan  untuk
melakukangeneralisasi / formulasi dari sekumpulan data sampling [http://pentaho.phi-
integration.com].Algoritma ini bisa diterapkan secara langsung ke dalam dataset ataubisa
juga dipanggil dari kode java kita sendiri. Weka memiliki tools untuk datapre-processing,
classification, regression, clustering, association rules, dan visualization.Weka
mengorganisasi kelas-kelas ke dalam paket-paket dan setiapkelas di paket
dapat mereferensi kelas lain di paket lain. Paket classifiersberisi
implementasi dari  hampir semua algoritma untuk  klasifikasi danp r e d i k s i .
Kelas yang paling penting di paket ini adalah Classifier,
y a n g mendeklarasikan struktur umum dari skema klasifikasi dan prediksi. Kelas
inimemiliki dua metoda, yaitu buildClassifier dan classifyInstance, yang
harusdiimplementasikan oleh kelas-kelas yang menginduk ke kelas ini. Semua kelasyang
mengimplementasikan  algoritma  klasifikasi  menginduk  ke  kelasClassifier, termasuk
kelas J48. J48, yang menangani himpunan data dalam format  ARFF,  tidak
mengandung  kode  untuk  mengkonstruksi  pohonkeputusan.  Kelas  ini  mereferensi  kelas-
kelas  lain,  kebanyakan  di  paketweka.classifiers.j48, yang mengerjakan semua proses
konstruksi pohon.Weka adalah software open source yang diterbitkan dibawah lisensiGNU
General Public License

Pada Weka ada beberapa metode pemilihan variabel dari

s u a t u dataset, diantaranya BestFirst, ExhautiveSearch, FCBFSearch,
GeneticSearch,GreedyStepwise,  RaceSearch,  RandomSearch,  Rankerdan RankerSearch.
2.
Penggunaan Weka
Weka digunakan dalam penelitian, pendidikan, pengetahuan danbisnis.
1)
Patient Education and Counseling
:
•
Outcomes of educational interventions in type 2 diabetes:  WEKA  data-mining  analysis  
2)
Information Sciences
:
•
Supervised ranking in the   
WEKA
  environment 
3)
Systems and Software :
•
Exploiting  idle  cycles  to  execute  data  mining  applications  on  clusters of PCs
4)
Future Generation Computer Systems :
•
Design  and  implementation  of  a  data  mining  grid-aware  architecture
•
Grid-enabling  data mining   applications with DataMiningGrid: An   architectural
perspective 
•
Webservices oriented  data mining  in knowledge architecture 
5)
Clinical Neurophysiology :
 
•
Heart rate variability: An index of brain processing in vegetative  state? An
artificial intelligence,   
data mining
  study  
6)
Expert Systems with Applications :
 
•
Intelligent  phishing  detection  system  for  e-banking  using fuzzy  data mining 
2

 
•
Mining  the  data  from a hyperheuristic approach using associative  classification
•
Data mining  approach for supply unbalance detection in induction  motor
7)
Computers And Educations
•
Data mining   in course management systems: Moodle case study   and tutorial
8)
Biomedical Informatics
•
Data Mining 
of gene expression changes in Alzheimer brain 
•
Detecting  novel  hypermethylated  genes  in  Breast  cancerbenefiting from feature selection 
•
Data Mining 
 
 
and visualization for decision support and modeling of public health-care resources
•
Integrating  domain  knowledge  with  statistical  and  data  mining  methods for
high-density genomic SNP disease association  analysis
9)
Energy Conversion and Management 
•
Prediction of thermodynamic properties of refrigerants using  data  mining
10)
Industrial Ergonomics
•
Job stress evaluation using response surface  data mining 
11)
Environmental Management 
•
A  data mining   approach to simulating farmers' crop choices for   integrated
water resources management
12)
Production Economics
•
Learning effective new single machine dispatching rules
f r o m  optimal scheduling  data 
13)
Computers & Security 
•
Classifying
Data
from protected statistical datasets
14)
Decision Support Systems:
3

 
23)
Computer Aided Chemical Engineering
•
QSAR analysis of 1,4-dihydropyridine calcium channel antogonists 
24)
Digital Investigation
•
Towards an integrated e-mail forensic analysis framework 
25)
Computational Statistics & data Analysis
•
Taxonomy for characterizing ensemble methods in classification tasks: A review
and annotated bibliography 
26)
Polymer 
•
Stochastic molecular descriptors for polymers. 4. Study of complexmixtures with
topological indices of mass spectra spiral and star networks: The blood proteome
case Source :: http://www.sciencedirect.com3.  Metode atau Teknik yang digunakan oleh
Software Data Mining WekaMetode yang digunakan Adalah Predictive dan
Descriptive karena W e k a   m e n d u k u n g   t e k n i k - t e k n i k
d a t a preprocessing,clustering,  classification,regression,  visualization, andfeature selection.
Semua teknik Weka adalah didasarkan pada asumsi bahwa data tersedia sebagai
flat filetunggal atau hubungan, di mana setiap titik data digambarkan oleh sejumlahtetap
atribut (biasanya, atribut numerik atau nominal, tetapi beberapa jenisa t r i b u t
l a i n n y a   j u g a   d i d u k u n g
) . [http://en.wikipedia.org/wiki/Weka_(machine_learning)]Algoritma yang digunakan
adalah :
1.
J48, atau kloning versi open source dari algoritma C4.5yangdapat digunakan untuk
pembentukan pohon keputusan (decision tree)
5
 
2.
Linear Regression , algoritma untuk menghasilkan formulasi numerik dengan
metode statistik regresi linear
3.
Naive Bayes, salah satu classifier numericClassification algorithmsDivided into:
•
Bayes – versions of probabilistic Bayesian methods
•
Functions – parameterized functions, linear and non-linear
•
Lazy – no parameter learning, all work done when classifying
•
Meta – committees, voting, boosting, stacking ... metamodels.
•
Misc – untypical models, fuzzy lattice, hyperpipes, voting features
•
Tree-building models, recursive partitioning
•
Rule learning modelsMetode pemilihan variabel dari suatu
dataset 
, diantaranya
BestFirst 
,
ExhautiveSearch
,
FCBFSearch
,
GeneticSearch
,
GreedyStepwise
,
RaceSearch
,
RandomSearch
,
Ranker 
dan
RankerSearch
.
4. Bentuk data input dalam Software data Mining weka.
Weka menerima input data dalam format ARFF(Attribute-Relation FileFormat). Jika kita
menggunakan format file seperti CSV ((comma separated values) atau BSI (Binary
Serialized Instances) maka kita harus mengconversifile tersebut menjadi format
ARFF.. begitu pula ketika kita menggunakan format Java kita harus menginfort
terlebih dahulu menjadi format ARFF.
a.
Format ARFF
Attribute-Relation  File  Format  (  ARFF) adalah  tipe  file  teks  yang  berisiberbagai
instance
data yang berhubungand dengan suatu set atribut data yangdideskripsikan juga dalam file
tersebut.
6
 
Dibawah  ini  terdapat  source  data  yang  diambil
dari
http://www.hakank.org/weka/contact-lenses.arff 
% 1. Title: Database for fitting contact lenses%% 2. Sources:%      (a) Cendrowska, J. "PRISM: An
algorithm for inducingmodular rules",%          International Journal of Man-Machine Studies,
1987,27, 349-370%      (b) Donor: Benoit Julien (Julien@ce.cmu.edu)%      (c) Date: 1 August
1990%% 3. Past Usage:%       1. See above.%       2. Witten, I. H. & MacDonald, B. A.
(1988). Usingconcept%          learning for knowledge acquisition. InternationalJournal of%          Man-
Machine Studies, 27, (pp. 349-370).%%  Notes:  This database is complete (all possible
combinationsof%          attribute-value pairs are represented).%%          Each instance is complete and correct.
%%          9 rules cover the training set.%% 4. Relevant Information Paragraph:%     The
examples are complete and noise free.%     The examples highly simplified the problem. Theattributes
do not%     fully describe all the factors affecting the decision asto which type,%     if any, to fit.%% 5.
Number of Instances: 24%% 6. Number of Attributes: 4 (all nominal)%% 7. Attribute
Information:%     -- 3 Classes%      1 : the patient should be fitted with hard contactlenses,%
2 : the patient should be fitted with soft contactlenses,%      1 : the patient should not be fitted
with contactlenses.%%     1. age of the patient: (1) young, (2) pre-presbyopic, (3)presbyopic%     2.
spectacle prescription:  (1) myope, (2) hypermetrope
7
 
%     3. astigmatic:     (1) no, (2) yes%     4. tear production rate:  (1) reduced, (2) normal%% 8. Number of
Missing Attribute Values:   0%% 9. Class Distribution:%    1. hard contact lenses: 4%    2.
soft contact lenses: 5%    3. no contact lenses: 15@relation contact-lenses@attribute age {young,
pre-presbyopic,presbyopic}@attribute spectacle-prescrip {myope,
hypermetrope}@ a t t r i b u t e a s t i g m a t i s m { n o ,
y e s } @attribute tear-prod-rate {reduced, normal}@attribute
c o n t a c t - l e n s e s { s o f t , h a r d , n o n e } @data%% 24 instances
%young,myope,no,reduced,noneyoung,myope,no,normal,softyoung,myope,yes,reduced,noneyoung,myope,yes,no
rmal,hardyoung,hypermetrope,no,reduced,noneyoung,hypermetrope,no,normal,softyoung,hypermetrope,yes,reduce
d,noneyoung,hypermetrope,yes,normal,hardpre-presbyopic,myope,no,reduced,nonepre-
presbyopic,myope,no,normal,softpre-presbyopic,myope,yes,reduced,nonepre-
presbyopic,myope,yes,normal,hardpre-presbyopic,hypermetrope,no,reduced,nonepre-
presbyopic,hypermetrope,no,normal,softpre-presbyopic,hypermetrope,yes,reduced,nonepre-
presbyopic,hypermetrope,yes,normal,nonepresbyopic,myope,no,reduced,nonepresbyopic,myope,no,normal,nonepr
esbyopic,myope,yes,reduced,nonepresbyopic,myope,yes,normal,hardpresbyopic,hypermetrope,no,reduced,nonepre
sbyopic,hypermetrope,no,normal,softpresbyopic,hypermetrope,yes,reduced,nonepresbyopic,hypermetrope,yes,nor
mal,none
b.
CSV to ARFF
8
 
Cara Menconversi data SCV menjadi ARFF
1.
Buka Weka GuI
2.
Pilih menu ExplorerKita Akan diarahkan menuju WEKA EXplorer
3.
Pilih menu open File
4.
Maka akan muncul tampilan seperti berikut
9
 
5.
Pilih Use Converter, Maka data kita akan di convert menjadi format Arff. 
10
Isi

Download this Document for FreePrintMobileCollectionsReport Document

ba8718575e7443

doc
This is a private document.

Info and Rating

0 5 false false 0

Radhiyatul Fajri

Share & Embed

Related Documents

PreviousNext

1.

p.

p.

p.
2.

p.

p.

p.

3.

p.

p.
 p.

4.

p.

p.

p.

5.

p.
 p.

p.

6.

p.

p.

p.
 7.

p.

More from this user

PreviousNext

1.

19 p.

Recent Readcasters

Add a Comment

ba8718575e7443

Submit
Characters: 400
document_comme
 4gen

ba8718575e7443

public - locked

Upload a Document
Search Documents

 Follow Us!
 scribd.com/scribd
 twitter.com/scribd
 facebook.com/scribd

 About
 Press
 Blog
 Partners
 Scribd 101
 Web Stuff
 Scribd Store
 Support
 FAQ
 Developers / API
 Jobs
 Terms
 Copyright
 Privacy

Copyright © 2010 Scribd Inc.

Language:
English