5. ConclusionsWe have introduced a

5. Conclusions
We have introduced a data mining model based on dynamics stability that allows mining ‘‘dynamics systems” from the given dataset. The overall approach is based on a single pendulum dynamics model, whose various aspects capture the spending behavior of a customer.
We firstly predefine some dynamics parameters about the given domain. And then, by classifying the given dataset into different sub-clusters, we conduct a stability data mining on each sub-clus¬ter to optimize the dynamics parameter, where different records in each sub-cluster is regarded the sampling data related with the segment at different time, i.e., record t is regarded as the sampling data at time t, record t + 1 is regarded the sampling data at time t + 1, and so on. By doing so, a differential equation model (state space model) can be performed. Finally, we synthesize the local patterns of stability data mining into an integrated pattern by a weighting method. For constructing the whole dynamics model, we have also introduced several main algorithms to handle the gi¬ven dataset step by step.
Three experiments conducted on the distributed network, which are FoodMart dataset, Stock experimental dataset and air-craft dataset, and the experimental results show that the proposed model has potential value for mining the association rules with low support and high confidence.
Although we use the priori knowledge of certain domain to en¬hance the conviction of mined rules, there are still deeper valida¬tions for such dynamics model. We will attack the problem in the future work.

Results (Indonesian) 1:

5. kesimpulanKami telah memperkenalkan sebuah data model pertambangan yang didasarkan pada stabilitas dinamika yang memungkinkan pertambangan '' dinamika sistem"dari dataset tertentu. Keseluruhan pendekatan ini didasarkan pada model dinamika pendulum tunggal, berbagai aspek yang menangkap perilaku pengeluaran pelanggan.Kami pertama-tama Tentukan dulu kata beberapa parameter dinamika tentang domain yang diberikan. Dan kemudian, dengan mengelompokkan dataset tertentu dalam berbagai sub kelompok, kami melakukan penggalian data stabilitas pada masing-masing sub-clus¬ter untuk mengoptimalkan dinamika parameter, dimana berbagai catatan di setiap sub-cluster adalah dianggap sampling data terkait dengan segmen pada waktu yang berbeda, yaitu, Rekam t yang dianggap sebagai sampling data pada waktu t, catatan t + 1 dianggap data sampel pada waktu t + 1 , dan sebagainya. Dengan demikian, model persamaan diferensial (negara ruang model) dapat dilakukan. Akhirnya, kami mensintesis pola lokal stabilitas data pertambangan ke dalam sebuah pola yang terintegrasi dengan metode bobot. Untuk membangun model seluruh dinamika, kami juga telah memperkenalkan beberapa algoritma utama untuk menangani gi¬ven dataset langkah demi langkah.Tiga percobaan yang dilakukan pada jaringan didistribusikan, yang FoodMart dataset, saham eksperimental dataset, dan udara-kerajinan dataset, dan hasil percobaan menunjukkan bahwa model yang diusulkan memiliki nilai potensial untuk pertambangan aturan Asosiasi dengan rendah dukungan dan keyakinan tinggi.Meskipun kita menggunakan pengetahuan priori domain tertentu ke en¬hance keyakinan ditambang aturan, ada masih lebih dalam valida¬tions untuk model dinamika tersebut. Kami akan menyerang masalah di masa depan bekerja.

Results (Indonesian) 2:

5. Kesimpulan
Kami telah memperkenalkan model data mining berdasarkan stabilitas dinamika yang memungkinkan pertambangan '' sistem dinamika "dari dataset yang diberikan. Pendekatan keseluruhan didasarkan pada dinamika pendulum model tunggal, yang aspek berbagai menangkap perilaku belanja pelanggan.
Kami pertama predefine beberapa dinamika parameter tentang domain yang diberikan. Dan kemudian, dengan mengklasifikasikan dataset diberikan ke sub-cluster yang berbeda, kami melakukan data stabilitas pertambangan pada setiap sub-clus¬ter untuk mengoptimalkan parameter dinamika, di mana catatan yang berbeda di masing-masing sub-cluster dianggap data sampel terkait dengan segmen pada waktu yang berbeda, yaitu, catatan t dianggap sebagai data sampling pada waktu t, rekor t + 1 dianggap data sampling pada waktu t + 1, dan sebagainya. Dengan demikian, model persamaan diferensial (Model ruang negara) dapat dilakukan. Akhirnya, kita mensintesis pola lokal stabilitas data mining menjadi pola terintegrasi dengan metode pembobotan. Untuk membangun seluruh dinamika model, kita juga memperkenalkan beberapa algoritma utama untuk menangani langkah dataset gi¬ven demi langkah.
Tiga percobaan yang dilakukan pada jaringan terdistribusi, yang dataset FoodMart, Stok dataset eksperimental dan dataset udara-kerajinan, dan eksperimental Hasil penelitian menunjukkan bahwa model yang diusulkan memiliki potensi nilai untuk pertambangan aturan asosiasi dengan dukungan rendah dan kepercayaan diri yang tinggi.
Meskipun kami menggunakan pengetahuan apriori dari domain tertentu untuk en¬hance keyakinan aturan ditambang, ada valida¬tions masih lebih dalam untuk dinamika seperti model. Kami akan menyerang masalah dalam pekerjaan di masa depan.