In this paper we introduce a method

In this paper we introduce a method called CL.E.D.M. (CLassification through ELECTRE and Data Mining), that employs aspects of the methodological framework of the ELECTRE I outranking method, and aims at increasing the accuracy of existing data mining classification algorithms. In particular, the method chooses the best decision rules extracted from the training process of the data mining classification algorithms, and then it assigns the classes that correspond to these rules, to the objects that must be classified. Three well known data mining classification algorithms are tested in five different widely used databases to verify the robustness of the proposed method.

Results (Indonesian) 1:

Dalam makalah ini kami memperkenalkan metode yang disebut CL.E.D.M. (klasifikasi melalui ELECTRE dan Data Mining), yang mempekerjakan aspek metodologis kerangka ELECTRE saya outranking metode, dan bertujuan untuk meningkatkan akurasi ada data pertambangan klasifikasi algoritma. Secara khusus, metode memilih aturan keputusan terbaik yang diekstraksi dari proses pelatihan data pertambangan klasifikasi algoritma, dan kemudian menetapkan kelas yang sesuai dengan aturan-aturan ini, benda-benda yang harus digolongkan. Tiga terkenal data pertambangan klasifikasi algoritma yang diuji dalam lima yang berbeda secara luas digunakan database untuk memverifikasi kekokohan metoda yang diusulkan.

Results (Indonesian) 2:

Dalam tulisan ini kami memperkenalkan metode yang disebut CL.EDM (klasifikasi melalui ELECTRE dan Data Mining), yang mempekerjakan aspek kerangka metodologis dari ELECTRE metode yang saya outranking, dan bertujuan untuk meningkatkan keakuratan algoritma klasifikasi data mining yang ada. Secara khusus, metode memilih aturan keputusan terbaik yang diambil dari proses pelatihan dari algoritma klasifikasi data mining, dan kemudian memberikan kelas yang sesuai dengan aturan-aturan ini, dengan benda-benda yang harus diklasifikasikan. Tiga terkenal algoritma klasifikasi data mining diuji dalam lima database yang digunakan secara luas yang berbeda untuk memverifikasi ketahanan dari metode yang diusulkan.