7. ConclusionMost existing methods

7. Conclusion
Most existing methods in the group ranking problem focus on generating a total ordering list from users’ ranking data. Unfortu¬nately, when users have no consensus or only little consensus on items, this approach would mislead decision makers. Therefore, this work rejected the forced agreement of all items. Instead, we defined a new concept, maximum consensus sequences. The pro-posed algorithm, MCS, is developed to find the maximum consen¬sus sequences from users’ ranking data and identified conflict items that needed further negotiation. Extensive experiments were also carried out to examine this algorithm’s performances. Several synthetic data sets were used in our performance analyses and sca¬lability tests. Also, we discuss how the consensus mining approach can find various interesting patterns by setting different minimum comply and maximum conflict supports. Finally, we use a case study to show how the identified consensus sequences and conflict items information can be used in practice.
The algorithm developed in this paper represents a new deci-sion making methodology. This work can be further extended to mine consensus sequences from other types of user preference data by setting parameters (comply support and conflict support) properly. For example, we could represent a user’s item preference

Results (Indonesian) 1:

7. kesimpulanKebanyakan metode yang ada dalam kelompok peringkat masalah fokus pada menghasilkan total memesan daftar dari data peringkat pengguna. Unfortu¬nately, ketika pengguna memiliki konsensus tidak ada atau hanya sedikit konsensus pada item, pendekatan ini akan menyesatkan pengambil keputusan. Oleh karena itu, pekerjaan ini menolak perjanjian paksa dari semua item. Sebaliknya, kita mendefinisikan konsep baru, konsensus maksimum urutan. Algoritma pro-berpose, MCS, dikembangkan untuk mencari urutan consen¬sus maksimum dari data peringkat pengguna dan konflik diidentifikasi item yang diperlukan lebih lanjut negosiasi. Percobaan ekstensif juga dilakukan untuk memeriksa algoritma ini pertunjukan. Beberapa set data sintetis yang digunakan dalam analisis kinerja dan sca¬lability tes. Juga, kita membahas bagaimana pendekatan pertambangan konsensus yang dapat menemukan berbagai pola menarik oleh pengaturan berbeda minimal mematuhi dan mendukung konflik maksimum. Akhirnya, kami menggunakan studi kasus untuk menunjukkan bagaimana urutan diidentifikasi konsensus dan konflik item informasi dapat digunakan dalam praktek.Algoritma yang dikembangkan dalam karya tulis ini mewakili sebuah metodologi membuat permohonan-sion baru. Karya ini dapat diperluas lagi dengan saya konsensus urutan dari jenis data preferensi pengguna lain dengan menetapkan parameter (comply dukungan dan dukungan konflik) dengan benar. Sebagai contoh, kita bisa mewakili pengguna item preferensi

Results (Indonesian) 2:

7. Kesimpulan
Kebanyakan metode yang ada dalam kelompok peringkat masalah fokus pada menghasilkan daftar pemesanan jumlah dari data peringkat pengguna. Unfortu¬nately, ketika pengguna tidak memiliki konsensus atau hanya sedikit konsensus tentang item, pendekatan ini akan menyesatkan para pengambil keputusan. Oleh karena itu, karya ini menolak perjanjian paksa dari semua item. Sebaliknya, kita mendefinisikan konsep baru, urutan konsensus maksimum. Algoritma pro-berpose, MCS, dikembangkan untuk menemukan urutan consen¬sus maksimum dari data peringkat pengguna dan item konflik diidentifikasi yang diperlukan negosiasi lebih lanjut. Eksperimen yang luas juga dilakukan untuk memeriksa kinerja algoritma ini. Beberapa set data sintetik yang digunakan dalam analisis kinerja kami dan tes sca¬lability. Juga, kita membahas bagaimana pendekatan pertambangan konsensus dapat menemukan berbagai pola yang menarik dengan menetapkan minimum yang berbeda sesuai dan konflik maksimal mendukung. Akhirnya, kami menggunakan studi kasus untuk menunjukkan bagaimana mengidentifikasi urutan konsensus dan item konflik informasi dapat digunakan dalam praktek.
Algoritma yang dikembangkan dalam tulisan ini merupakan metodologi membuat deci-sion baru. Karya ini dapat diperpanjang untuk urutan konsensus saya dari jenis data preferensi pengguna dengan menetapkan parameter (memenuhi dukungan dan dukungan yang bertentangan) dengan benar. Sebagai contoh, kita bisa mewakili preferensi pengguna barang