Teori rough set adalah pendekatan matematika baru untuk pendekatan analisis data intelegen dan data mining. Setelah hampir 20 tahun mengupayakan teori rough set dan aplikasinya, pendekatan mencapai sebuah tingkat kematangan tertentu. Dalam beberapa tahun terakhir ini, kami menyaksikan pertumbuhan pesat akan ketertarikan pada teori rough set dan aplikasinya di seluruh dunia. Banyak workshop internasional, konferensi dan seminar menyertakan rough set dalam programnya. Hingga saat ini, 2000 paper dan beberapa buku telah mempublikasikan berbagai macam aspek rough set.
Filosofi rough set didirikan pada asumsi bahwa dengan setiap objek wacana alam semesta kita mengasosiasikan beberapa informasi (data, pengetahuan). Sebagai contoh, jika objek adalah pasien yang menderita penyakit tertentu, gejala dai penyakit tersebut merupakan informasi tentang pasien. Objek ditandai oleh informasi yang sama yang indiscernible (similar) mengingat informasi yang tersedia pada objek tersebut. Hubungan indiscernibility yang dihasilkan dengan cara ini adalah dasar matematika teori rough set. Himpunan dari seluruh obyek indiscernible (similar) yang disebut elementary set, dan membentuk granul dasar (atom) dari pengetahuan tentang alam semesta. serikat pekerja dari beberapa elementary set dirujuk sebagai satu set crisp (tepat) – dengan kata lain set tersebut rough. Setiap rough set memiliki masalah garis batar (boundary-line), yaitu objek yang tidak dapat diklasifikasikan dengan pasti, dengan menggunakan pengetahuan yang ada, karena member dari set tersebut atau objek complement. Tentunya rough set, berbeda dengan precise set, tidak dapat dicirikan dalam hal informasi tentang elemen mereka. Dengan rough set, sepasang precise set — menyebutkan aproksimasi bawah dan atas dari rough set berasosiasi. Aproksimasi bawah (lower approximation) terdiri dari semua objek yang tentu saja termasuk set dan upper approximation berisi semua objek yang mungkin termasuk set. Perbedaan antara aproksimasi atas dan bawah membentuk daerah batas (boundary region) rough set. Aproksimasi adalah dua operasi dasar pada teori rough set.
Pendekatan rough set tampaknya menjadi dasar yang penting untuk AI dan ilmu kognitif, khususnya pada area machine learning, akuisisi pengetahuan, decision analysis, penemuan pengetahuan dari database, sistem pakar, penalaran induktif dan pengenalan pola. Teori rough set telah berhasil diterapkan dalam banyak masalah kehidupan nyata dalam kedokteran, farmakologi, teknik, perbankan, keuangan, analisis pasar, pengelolaan lingkungan dan lain-lain.
Pendekatan roughset untuk analisis data memiliki banyak kelebihan utama. Diantaranya adalah
- menyediakan algoritma efisien untuk menemukan pola yang tersembunyi dalam data;
- menemukan set minimal data (reduksi data);
- mengevaluasi signifikansi data;
- menghasilkan set decision rule dari data;
- menawarkan interpretasi langsung dari hasil yang diperoleh;
- sebagian besar algoritma didasarkan pada teori roughset sangat cocok untuk pemrosesan paralel;
- mudah untuk dipahami.
Sumber :derienct.wordpress.com
