Page 72 - Trends in Science and Technology fo Sustainable Living
P. 72

Trends in Science and Technology   33
                                                   for Sustainable Living


                algoritma data filling approach for incomplete N-soft sets (Fatimah,
                2018). Sehingga data yang kosong pada item kriteria tertentu tidak
                harus dibuang. Untuk atribut yang mendapatkan nilai negatif dan
                positif secara bersamaan maka pengambilan keputusan ECV dan
                EWCV mengalami penyesuaian untuk menentukan urutan prioritas
                objek yang dievaluasi (Kamacı & Petchimuthu, 2020).
                     Sementara itu, untuk atribut atau parameter yang tidak
                terlalu penting atau bukan menjadi prioritas utama pertimbangan
                keputusan maka dapat menggunakan revisi dari dua algoritma
                ECV dan EWCV sebelumnya (Akram et al., 2020). Konsep reduksi
                parameter berdasarkan  rough  sets tidak tepat digunakan pada
                konteks N-soft sets karena dapat mengurangi keunikan himpunan
                atribut atau parameter yang merupakan ciri khas dari teori N-soft
                sets yaitu kemampuan merepresentasikan semua keunikan
                atribut. Disisi lain, penggunaan reduksi melalui pendekatan rough
                sets berdampak pada hasil rekomendasi alternatif optimal akan
                bervariasi sesuai dengan pilihan reduksi. Reduksi parameter juga
                merupakan solusi untuk data yang besar ataupun sangat bervariasi
                seperti ditemui pada bidang data mining.

                2.   Pengambilan Keputusan Menggunakan Data Mining
                     Pada  era digital  saat ini,  data yang  tersebar  semakin
                banyak dan beragam. Organisasi di berbagai sektor menghadapi
                tantangan dalam mengelola volume data yang semakin besar dan
                kompleks. Data yang besar (big data) telah menjadi tren baru yang
                memiliki potensi besar untuk digali. Penggalian data (data mining)
                adalah proses ekstraksi informasi yang berharga dan bermanfaat
                dari berbagai database yang terkait dengan menggunakan teknik
                statistik, matematika,  artificial  intelligent  dan  machine  learning
                (Surbakti, 2021). Tujuan utama dari data mining adalah menemukan
                hubungan atau pola di dalam data yang mungkin memberikan
                indikator yang berharga (Syahril, Erwansyah, & Yetri, 2020).  Data
                mining melibatkan penggunaan berbagai teknik dan algoritma
                komputasional untuk menganalisis data dan mengidentifikasi pola
   67   68   69   70   71   72   73   74   75   76   77