1.3. ContributionsSince dynamics ha

1.3. Contributions
Since dynamics has been used in data mining as priori knowl¬edge, we can also construct a customer retention model to maxi¬mize the potential benefits for the companies. Further, it is interesting to note that, data mining based on dynamics can form different movements such as lightly damped vibration, over damped vibration, critical damped vibration, and so on.
Therefore, the main contributions of the dynamics model for data mining are: (1) Mining ‘‘system” from dataset. Traditionally, data mining can discover rules, patterns, trends, and so on, but it cannot discover entire ‘‘system” from the dataset. In our work, by predefining dynamics system parameters, we can discover or opti¬mize an entire ‘‘system” which consists of a series of parameters.
(2) Target customer classification. For example, for the supermar¬ket customers living nearby, their spending behaviors can be prox¬imately modeled into the lightly damped vibration of a single pendulum; for the temporary customers of supermarket, their spending behaviors can be proximately modeled into the over damped vibration of a single pendulum; and for the hesitating cus¬tomers of supermarket, the spending behaviors can be proximately modeled into the critical damped vibration of a single pendulum.
(3) Stability analysis for dynamical data mining. For the complex dataset with changing scale, how to find valuable patterns and how to find stable laws are big issues. By constructing the dynam¬ics model for data mining, we may find some solutions about these from the viewpoint of dynamics theory.

Results (Indonesian) 1:

1.3. kontribusiKarena dinamika telah digunakan dalam penggalian data sebagai priori knowl¬edge, kita juga dapat membangun model retensi pelanggan untuk maxi¬mize potensi manfaat bagi perusahaan-perusahaan. Lebih lanjut, hal ini menarik untuk dicatat bahwa, penggalian data berdasarkan dinamika dapat membentuk gerakan yang berbeda seperti ringan teredam getaran, teredam getaran, getaran teredam kritis, dan sebagainya.Oleh karena itu, kontribusi utama dari dinamika model untuk data pertambangan adalah: (1) pertambangan '' sistem"dari dataset. Tradisional, penggalian data dapat menemukan aturan, pola, tren, dan sebagainya, tapi tidak bisa menemukan seluruh '' sistem"dari dataset. Dalam pekerjaan kami, predefining dinamika sistem parameter, kita dapat menemukan atau opti¬mize seluruh '' sistem"yang terdiri dari serangkaian parameter.(2) target pelanggan klasifikasi. Misalnya, untuk pelanggan supermar¬ket yang tinggal di sekitar, perilaku pengeluaran mereka dapat prox¬imately model ke getaran ringan teredam bandul tunggal; untuk pelanggan sementara supermarket, perilaku pengeluaran mereka dapat proximately dimodelkan ke atas damped getaran pendulum tunggal; dan untuk cus¬tomers hesitating dari supermarket, perilaku pengeluaran dapat proximately dimodelkan ke getaran teredam kritis pendulum tunggal.(3) stabilitas analisis dinamik data pertambangan. Dataset kompleks dengan mengubah skala, bagaimana untuk menemukan pola-pola yang berharga dan bagaimana menemukan undang-undang yang stabil adalah masalah besar. Dengan membangun model dynam¬ics untuk data pertambangan, kita mungkin menemukan beberapa solusi tentang ini dari sudut pandang teori dinamika.

Results (Indonesian) 2:

1.3. Kontribusi
Sejak dinamika telah digunakan dalam data mining sebagai priori knowl¬edge, kami juga dapat membangun sebuah model retensi pelanggan untuk maxi¬mize potensi manfaat bagi perusahaan. Selanjutnya, adalah menarik untuk dicatat bahwa, data mining berdasarkan dinamika dapat membentuk gerakan yang berbeda seperti getaran ringan teredam, lebih getaran teredam, getaran teredam kritis, dan sebagainya.
Oleh karena itu, kontribusi utama dari model dinamika untuk data mining adalah: (1) Pertambangan '' sistem "dari dataset. Secara tradisional, data mining dapat menemukan aturan, pola, tren, dan sebagainya, tetapi tidak dapat menemukan seluruh '' sistem "dari dataset. Dalam pekerjaan kami, dengan penentuan terlebih dinamika parameter sistem, kita dapat menemukan atau opti¬mize seluruh '' sistem "yang terdiri dari serangkaian parameter.
(2) Targetkan klasifikasi pelanggan. Misalnya, untuk pelanggan supermar¬ket tinggal di dekatnya, perilaku belanja mereka dapat prox¬imately dimodelkan ke dalam getaran ringan teredam dari pendulum tunggal; untuk pelanggan sementara supermarket, perilaku belanja mereka dapat proxima dimodelkan ke atas teredam getaran bandul tunggal; dan untuk cus¬tomers ragu-ragu dari supermarket, perilaku belanja dapat proxima dimodelkan ke dalam getaran teredam kritis dari pendulum tunggal.
(3) Analisis stabilitas untuk dinamik data mining. Untuk dataset kompleks dengan mengubah skala, bagaimana menemukan pola yang berharga dan bagaimana menemukan hukum yang stabil adalah masalah besar. Dengan membangun model dynam¬ics untuk data mining, kita dapat menemukan beberapa solusi tentang ini dari sudut pandang teori dinamika.