Knowledge Discovery in Databases (K

Knowledge Discovery in Databases (KDD) covers various processes of exploring useful information from voluminous data. These data may contain several inconsistencies, missing records or irrelevant features, which make the knowledge extraction, a difficult process. So, it is essential to apply pre-processing techniques to these data in order to enhance its quality. Detailed description of data cleaning, imbalanced data handling and dimensionality reduction pre-processing techniques are depicted in this paper. Another important aspect of Knowledge Discovery is to filter, integrate, visualize and evaluate the extracted knowledge. In this paper, several visualization techniques such as scatter plots, parallel co-ordinates and pixel oriented technique are explained. The paper also includes detail descriptions of three visualization tools which are DBMiner, Spotfire and WinViz along with their comparative evaluation on the basis of certain criteria. It also highlights the research opportunities and challenges of Knowledge Discovery process.

Quality of data plays important role in information -oriented organizations, where the knowledge is extracted from data. Consistency, completeness, accuracy, validity and timeliness are the important characteristics of quality data.So, i t is important to obtain quality data for knowledge extraction. Data Cleaning is an important step of KDD process in order to recognize any inconsistency and incompleteness in the dataset and to improve its quality

Results (Indonesian) 1:

Penemuan pengetahuan dalam database (KDD) mencakup berbagai proses menjelajahi informasi dari data yang produktif. Data ini mungkin berisi beberapa inkonsistensi, kehilangan data atau fitur yang tidak relevan, yang membuat pengetahuan ekstraksi, sebuah proses yang sulit. Jadi, sangat penting untuk menerapkan teknik-teknik pra-pemrosesan data tersebut untuk meningkatkan kualitasnya. Penjelasan rinci tentang data cleaning, penanganan data yang seimbang dan teknik pra-pemrosesan pengurangan dimensi digambarkan dalam makalah ini. Aspek penting lain dari penemuan pengetahuan adalah untuk menyaring, mengintegrasikan, memvisualisasikan dan mengevaluasi pengetahuan diekstrak. Dalam tulisan ini, beberapa teknik visualisasi seperti plot bubar, paralel kordinat dan teknik pixel berorientasi dijelaskan. Karya ini juga mencakup deskripsi rinci dari tiga alat visualisasi yang DBMiner, Spotfire dan WinViz bersama dengan evaluasi perbandingan mereka berdasarkan kriteria tertentu. Ini juga menyoroti penelitian peluang dan tantangan dari proses penemuan pengetahuan.Kualitas data memainkan peran penting dalam informasi-berorientasi organisasi, mana pengetahuan diekstrak dari data. Konsistensi, kelengkapan, akurasi, validitas dan ketepatan waktu adalah karakteristik penting kualitas data. Jadi, aku t penting untuk mendapatkan kualitas data untuk pengetahuan ekstraksi. Data Cleaning merupakan langkah penting proses KDD untuk mengenali setiap inkonsistensi dan ketidaklengkapan dalam dataset dan memperbaiki kualitasnya

Results (Indonesian) 2:

Knowledge Discovery di Database (KDD) meliputi berbagai proses mengeksplorasi informasi yang berguna dari data tebal. Data ini mungkin berisi beberapa inkonsistensi, catatan hilang atau fitur yang tidak relevan, yang membuat ekstraksi pengetahuan, proses yang sulit. Jadi, adalah penting untuk menerapkan teknik pra-pengolahan data ini dalam rangka meningkatkan kualitasnya. Penjelasan rinci data pembersihan, penanganan data seimbang dan pengurangan dimensi teknik pra-pengolahan digambarkan dalam makalah ini. Aspek penting lain dari Knowledge Discovery adalah untuk menyaring, mengintegrasikan, memvisualisasikan dan mengevaluasi pengetahuan diekstrak. Dalam tulisan ini, beberapa teknik visualisasi seperti plot pencar, paralel koordinat dan teknik berorientasi pixel dijelaskan. Makalah ini juga termasuk detil deskripsi dari tiga alat visualisasi yang DBMiner, Spotfire dan WinViz bersama dengan evaluasi komparatif mereka atas dasar kriteria tertentu. Hal ini juga menyoroti peluang penelitian dan tantangan dari proses Knowledge Discovery. Kualitas data memainkan peran penting dalam informasi organisasi berorientasi, di mana pengetahuan diekstrak dari data. Konsistensi, kelengkapan, akurasi, validitas dan ketepatan waktu adalah karakteristik penting dari kualitas data.So, penting untuk mendapatkan data berkualitas untuk ekstraksi pengetahuan. Data Membersihkan merupakan langkah penting dari proses KDD untuk mengenali setiap inkonsistensi dan ketidaklengkapan dalam dataset dan untuk meningkatkan kualitas