Implementasi Algoritma Konstruksi Relasi Objek Transitive Closure Berdasarkan Adjacency Hyperedges Matrix
Abstrak
Relasi antar objek dapat dihubungkan melalui satu fitur atau atribut tunggal secara individual. Namun, dalam makalah ini relasi objek berdasarkan himpunan atribut objek yang dimiliki oleh objek yang bersangkutan. Relasi objek yang ditinjau adalah suatu relasi objek yang mencakup (covers) objek lainnya dari suatu koleksi objek yang diamati berdasarkan himpunan atribut yang dimilikinya. Oleh karenanya, relasi objek-objek tersebut membentuk suatu graph koneksi objek yang bersarang (nested) dikenal sebagai partially order set atau lattice. Suatu objek dapat memiliki koneksi langsung (transitive) dan path ke objek lainnya. Konstruksi koneksi langsung semua objek merupakam suatu transitive closure. Algoritma konstruksi transitive closure yang dikembangkan penulis dalam makalah ini berdasarkan model hypergraph yaitu Adjacency Hyperedges Matrix. Dalam koleksi objek yang dievaluasi jika ada relasi objek dapat merupakan suatu graph terkoneksi, atau juga membentuk lebih dari satu forest graph.Referensi
Soetrisno, Hariadi, N., and Suhartanto, H., “Constructing Transitive Closure on Multigraph using Adjacency Hyperedges Matrix,” 2017 International Conference on Advanced Computer Science and Information Systems, Jakarta, Indonesia, 28-29 Oktober 2017.
Cahya, S., “Identifikasi Partially Similar Objects Menggunakan Adjacency Hyperedges Matrix,” Konferensi Nasional Sistem Informasi 2016, Batam Riau, Agustus 2016, pp. 624-629, ISBN: 978-602-74905-0-5.
S. Soetrisno, S., and H. Suhartanto, “Adjacency Hyperedges Matrix for Multi-Objects Connection Model on Non-uniform Object Features. International Journal of Advancements Computing Technology (IJACT). Vol. 6, No. 6, 2014, pp. 113-125.
R.T. Olszewski, “Generalized Feature Extraction for Structural Pattern Recognition in Time-Series Data,” Doctoral Philosophy Dissertation, School of Computer Science Carnegie Mellon University, Pittsburgh PA 15213. CMU-CS-01-108, 2001. pp. 1-23.
P. Ren, “Developments in Structural Learning Using Ihara Coefficients and Hypergraph Representation,” Doctor of Philosophy (Thesis), 2010. Department of Computer Science, University of York.
L. Sun, S. Ji, and J. Ye, “Hypergraph Spectral Learning for Multi-label Classification,” KDD’08. , August 24-27, 2008, Las Vegas, USA. ACM 978-1-60558-193-4/08/08.
M.O. Saliu, and G. Ruhe, G., ”Bi-Objective Release Planning for Evolving Software Systems,” ESEC/FSE’07, September 3-7, 2007, Cavtat near Dubrovnik, Croatia, ACM SIGSOFT symposium on The foundations of software engineering, ACM 978-1-59593-811-4/07/0009, pp. 105-114.
D. Zhou, J. Huang, and B. Scholkopf, ”Learning with Hypergraph: Clustering, Classification, and Embedding,” Advances in Neural Information Processing Systems, pp. 1601–1608, 2006. Accessed from http://research. microsoft.com/en-us/um/people/denzho/papers/hyper.pdf.
