Penelitian Jurnal Internasional Information Communication Technology

PERCOBAAN DAN HASIL

Menjalankan berbagai pluralitas suara penggolong dari tiga dasar belajar algoritma yang dihasilkan dari kombinasi dari lima algoritma pada data set tersebut menyebabkan satu set data yang keluar ke tiga kelompok, kinerja akurasi menengah, dan kinerja akurasi baik yang dilakukan dengan membagi rentang antara angka akurasi terendah dan angka akurasi tertinggi dalam tiga kelompok.
Karena tujuan utama adalah untuk melampirkan kinerja akurasi yang baik dengan karakteristik data spesifik menetapkan jenis, yang akurasi data yang baik adalah salah satu analisis cluster yang dilakukan dalam percobaan.
Hasil dari data akurasi data yang buruk menunjukkan bahwa semua kombinasi algoritma dilakukan dengan buruk tingginya jumlah kelas, ini lebih terekspos bahkan di set akurasi data media dan baik, umumnya sebagai jumlah kelas penurunan kinerja meningkatkan akurasi. 4.0.1 Hasil dari eksperimen awal dari algoritma k-means mengisyaratkan antara 3 dan 6 cluster, sehingga jumlah dari cluster adalah diatur ke Penayangan pertama pengelompokan jelas menunjukkan bahwa jumlah kasus adalah satu-satunya yang menonjol pada variabel yang digunakan dalam menentukan cluster seperti terlihat pada putaran 1 clustering .

Arti penting dari variabel lainnya dapat terpapar dengan mengeluarkan variabel utama (jumlah contoh) dari berjalan berikutnya eksperimental clustering. Tingkat berikutnya berjalan mengekspos pentingnya lainnya variabel yang dibayangi dengan jumlah kasus pada penayangan pertama.
Penayangan kedua pengelompokan mengungkapkan bahwa jumlah atribut adalah penentu terbesar dari kelompok sebagai ditampilkan dalam Tabel IX, X, XI dan XII. Analisis menunjukkan bahwa Bayes menggabungkan baik dengan KNN untuk agak rendah jumlah kelas, kombinasi dengan algoritma berdasarkan aturan membawa turun kinerja akurasi apakah jumlah atribut rendah atau tinggi, dan kombinasi dengan pohon-pohon keputusan umumnya tidak memiliki pengaruh besar pada kinerja kombinasi akurasi.
Seperti yang terlihat dalam Tabel IX, X, XI dan XII, sebagian besar pengamatan jatuh ke dalam cluster 1 dan 2 didominasi oleh Bayes / KNN kombinasi, dengan akurasi tertinggi dan akurasi pusat juga berada dalam kelompok. Hal ini juga dapat mengamati bahwa Bayes / KNN kombinasi dibawa turun ketika semakin banyak atribut dan juga saat dikombinasikan dengan aturan algoritma berbasis . Hal ini juga dapat dengan jelas dicatat bahwa kombinasi yang memiliki pelabuhan C45Tree/Tree tidak ada perubahan yang signifikan dalam performa akurasi.

KESIMPULAN DAN KERJA MASA DEPAN
Penemuan pertama dari pembagian pengelompokan data yang dihasilkan menjadi kelompok-kelompok adalah bahwa terlepas dari set kombinasi akurasi kinerja terburuk itu dipamerkan dalam set data yang memiliki sejumlah besar kelas untuk diprediksi. Ini adalah implikasi bahwa semakin tinggi jumlah kelas untuk prediksi dalam suatu kumpulan data, semakin sulit untuk belajar dari set data.
Karena jumlah contoh adalah variabel menonjol hanya sebelum pengecualian dari clustering percobaan dengan variabel lain muncul sebagai yang signifikan, maka jumlah kasus tidak berguna menentukan cluster akhirnya, kemudian rendering tidak meta sangat relevan-pengetahuan untuk penggolong kombinasi.
Temuan utama adalah bahwa jumlah atribut dalam kumpulan data muncul sebagai penentu paling signifikan kinerja untuk kombinasi berbagai classifier.
Dari hasil itu adalah menyindir bahwa kombinasi dari Bayesian dan K-Nearest Neighbor algoritma menghasilkan substansial kinerja yang baik, bagaimanapun, kinerja menurunkan dengan jumlah kelas. Hasil lebih lanjut mengekspos bahwa kombinasi yang mencakup Aturan algoritma dilakukan berdasarkan rata-rata buruk. Temuan lain adalah bahwa kombinasi dengan dua metode pohon keputusan tidak secara signifikan mengubah performa yang dihasilkan dari kombinasi ditetapkan.
Untuk evaluasi pekerjaan di masa depan temuan dari analisis clustering akan dilakukan dan dibandingkan dengan lainnya kombinasi set tanpa informasi clustering apriori. Dalam pencarian untuk hasil yang lebih pragmatis, percobaan akan di masa akan datang dilakukan dengan menggunakan domain yang spesifik data set dunia dan nyata berbagai karakteristik data akan diperluas dalam rangka untuk menemukan pola lebih bermakna.

RESEARCH CAPACITY

Tidak adanya penelitian asli yang berarti dapat berakar kecuali dan sampai ada kapasitas untuk mendukungnya. Kapasitas ini terdiri dari personil lokal dengan bunga yang cukup mendalam untuk memulai penelitian dan juga pendanaan peneliti baik oleh lembaga atau lembaga donor lainnya. Pendanaan datang menjadi dua bentuk. Pertama dalam waktu yang diberikan kepada peneliti dan yang kedua adalah dana yang sebenarnya untuk membeli yang dibutuhkan sumber daya untuk penelitian. Banyak rekan dari Afrika bahwa saya memiliki kesempatan untuk berbicara dengan memberikan kurangnya kapasitas penelitian sebagai alasan mengapa Afrika adalah menemukan begitu sulit untuk bootstrap yang asli sendiri penelitian. Mereka menyatakan bahwa untuk sementara dikendalikan di sana, investasi waktu, pada individu peneliti, dan uang untuk membeli sumber daya yang dibutuhkan tidak tersedia secara lokal di sejumlah negara.

BENEFITS OF RESEARCH

Karena penelitian asli sebagian besar didorong oleh keinginan sendiri, biasanya sulit, terutama untuk pendanaan lembaga, untuk membenarkan pengeluaran dalam hal uang dan waktu dan untuk menunjukkan efektivitas penelitian. Namun, dengan fokus pada kekurangan ini mengurangi manfaat yang sangat besar asli penelitian pada institusi, industri dan negara, jika tidak benua. Untuk institusi pendidikan tinggi, manfaat yang besar termasuk:
• membawa uang dari lembaga riset eksternal. Uang ini dapat digunakan dalam berbagai cara di dalam institusi tersebut.
• mendapatkan pengakuan internasional dari kecakapan lembaga penelitian melalui filling paten, dan jurnal dan buku publikasi.
• dapat mengakibatkan pengaturan dari inkubator bisnis lokal start-up perusahaan terkemuka untuk menciptakan kerja.

Di Afrika untuk menyalakan arti riset asli dan memeliharanya, ia harus menghentikan ke
menjamurnya penelitian bayangan dengan menghentikan membayar "peneliti" biaya fasilitasi untuk menghadiri lokal konferensi, makalah ini, dan benar-benar "melakukan" penelitian. Ada kasus di mana para donor telah diberi uang untuk institusi pendidikan tinggi Afrika membanggakan penelitian hanya untuk dibagi antara fakultas anggota atau lelang kepada penawar tertinggi dengan kertas palsu hanya ditulis untuk tujuan akuntabilitas dana.
Saya menyerukan kepada semua akademisi Afrika dan peneliti untuk datang ke piring, mengembangkan keinginan untuk riset asli dan mengikuti hati mereka apakah ada uang atau tidak. Mari kita gunakan kebaruan ICT dan menemukan semangat baru untuk ICT untuk mempercepat pengembangan dan kapasitas bangunan melalui riset asli ICT.
Sekali lagi biarkan aku menyelesaikan dengan menyebut peneliti Afrika untuk mempertimbangkan mengajukan kertas Anda penelitian, dengan aplikasi ICT untuk isu-isu masa depan jurnal ini. Kami berkomitmen untuk membawa keluar yang terbaik dari Afrika ke arena global peneliti. Journal, seperti konferensi adik, The Konferensi Internasional Tahunan Komputasi dan Riset ICT, akan menerima surat-surat di komputer ilmu, komputer rekayasa, rekayasa perangkat lunak, komunikasi data dan jaringan komputer, sistem informasi, teknologi informasi dan TIK untuk pembangunan berkelanjutan dan lainnya yang terkait daerah.


Referensi
http://www.ijcir.org/volume1-number2/IJCIR%20IssueN2.pdf