Bayers Vej 7, DK 9220 Aalborg ø, Denmark

(1)

DAFTAR PUSTAKA

[BEK05] Rahel Bekele, Computer-Assisted Learner Group Formation Based on Personality Traits ( 2005), Dissertationsschrift zur Erlangung des Grades eines Doktors der Naturwissenschaften am Fachbereich Informatik der Universität Hamburg.

[FAY02] Usama Fayyad et al. Information Visualization in Data Mining and Knowledge Discovery Edited by Usama Fayyad et el.(2002), Academic Press, USA.

[FRI97] Nir Friedman et al. Bayesian Networks Classifier (1997),. Stanford University, Dept of Computer Science, Stanford

[GRO06] Thomas Groppo Parisi, Learning Bayesian Networks Skeleton : A Comparison TPDA dan PMMS Algorithm ( 2006 ), Instito Tecnologico De Buenos Aires, Universidad Privada, Argentina [HEC95a] Heckerman, D, et al., Learning Bayesian Networks : The

Combination of Knowledge and Statistical Data (1995) . Technical Report MSR-TR-94-09. Microsoft Research.

[HEC95b] Heckerman, D., A Tutorial on Learning Bayesian Networks (1995). Technical Report MSR-TR 95-06. Microsof Research.

[HAN01] Han, Jiawei dan Micheline Kamber.. Data Mining: Concept and Techniques (2001). Morgan Kaufmann Publishers.

[HUNG99] Chih-Hung Chiang, et al. Visualizing Graphical Probabilistic Models, Departement of Computer Science (1999), University of Massachusetts Lowell, Lowell, MA01854.

[JIE97] Jie Cheng, et al. An Algorithm for Bayesian Belief Network Construction from Data (1997), School of Information and Software Engineering University of Ulster at Jordanstown, Northern Ireland, UK, BT37 0QB

[JIE98] Jie Cheng, et al. Learning Bayesian Networks from data : An Efficient Approach Based On Information Theory (1998), Dept. of Computing Science, University of Alberta

[JIE01] Jie Cheng, et al. Learning Bayesian Networks from data : An Information-Theory Based Approach (2001), Department of

(2)

80 Computing Science, University of Alberta., Faculty of Informatics, University of Ulster. Toronto,Canada

[JEN96] Jensen, V.Finn, An Intoduction to Bayesian Networks (1996), Springer

[JEN99] Jensen,V.Finn, Bayesian Networks Basics ( 1999 ), Department Mathematics and Computers Science,Aalborg University, Fredik

Bayers Vej 7, DK 9220 Aalborg

ø

, Denmark

[LIU68] Chow, C.K and Liu, C.N., Approximating Discrete Probability Distribution With Dependence Trees (1968), IEEE Transactions on Information Theory, 14, 462-467.

[MON98] Moninder Singh, Learning Bayesian Networks For Solving Real Worl Problem (1998), A Disertation in Informatic and Computer Science, University of Pennsylvania

[NEA04] Richard E. Neapolitan, Learning Bayesian Networks (2004), Prentice Hall Series in Artificial Intelligence, Pearson, USA.

[PRES05] Roger S. Pressman,Ph.D., Software Engineering, A Practitioner’s Approach,Sixth Edition (2005), Mc Graw Hill, USA.

[RUM99] Rumbaugh, J., Jacobson, I., Booch, G., The Unified Modeling Language Reference Manual,(1999), Addison-Wesley.

[TAN06] Tan, Pang-Ning, et al. Introduction to Data Mining (2006). Pearson Education.

(3)

Lampiran A. Aplikasi Bayesian Networks

A.1. Paket Aplikasi BN PowerSoft

BN PowerSoft merupakan aplikasi data mining yang terdiri dari beberapa aplikasi yaitu :

1. BN PowerConstructor yang digunakan untuk membangun struktur dan memvisualisasikan struktur Bayesian Networks.

2. BN PowerPredictor, aplikasi yang dapat digunakan untuk melakukan prediksi kelas berdasarkan struktur Bayesian Networks yang dihasilkan.

3. Data Pre-Processor, aplikasi yang digunakan untuk melakukan pre-processor training data sebelum data tersebut digunakan pada BN PowerConstructor dan BN PowerPredictor.

Paket aplikasi ini merupakan implementasi dari algoritma TPDA node ordering dan node without ordering. Aplikasi ini dikembangkan oleh [JIE01] dan

bersifat free yang dapat di download pada alamat

http://www.cs.ualberta.ca/~jcheng/bnsoft.htm. Beberapa fitur-fitur yang terdapat pada aplikasi ini antara lain :

1. Antar muka yang user friendly dengan memakai GUI sebagai antar muka.

2. Mendukung beberapa format basis data seperti Ms-Acces, dBase, Foxpro, Paradox, Excel, Oracle, SQL-server melalui ODBC, dan juga mendukung basis data dalam bentuk format file text.

3. Mendukung domain knowledge seperti : node ordering yang lengkap dan parsial ordering serta dalil sebab akibat untuk mempercepat proses pembangunan struktur Bayesian Networks.

Cuplikan antar muka aplikasi BN PowerSoft (BN PowerConstructor) dapat dilihat pada Gambar A.1.

(4)

82 Gambar A.1. Tampilan Visualisasi Struktur BN pada BN PowerConstructor

A.2. GeNie/Smile

GeNie/Smile merupakan salah satu aplikasi yang dapat digunakan untuk membangun dan memvisualisasikan struktur Bayesian Networks. Aplikasi ini bersifat free dan dapat di download pada alamat website http://genie.sis.pitt.edu. Beberapa fitur yang dimiliki oleh GeNie/SMILE antara lain :

1. Antar muka yang user friendly dengan memakai GUI.

2. Visualisasi distribusi probabilitas pada node menggunakan bar chart, sehingga dapat menampilkan distribusi probabilitas untuk semua node dapat dilihat secara garis besar, selain itu distribusi probabilitas dapat ditampilkan juga dalam bentuk pie chart untuk atribut tertentu yang dipilih.

3. Dapat menampilkan conditional probabilities tables untuk setiap node.

(5)

83 Gambar A.2. Visualisasi pada Genie/SMILE untuk distribusi probabilitas

Informasi lebih lengkap mengenai aplikasi ini dapat di lihat pada alamat website yang telah di sebutkan di atas.

(6)

Lampiran B. Skenario Use Case

B.1. Skenario Use Case untuk Konfigurasi

Skenario Normal :

User memasukkan konfigurasi parameter untuk membangun Bayesian Networks _{Sistem akan menyimpan informasi konfigurasi.}

Skenario Alternatif :

User tidak memasukkan konfigurasi parameter untuk membangun Bayesian Networls _{Sistem akan meminta agar user memasukkan konfigurasi} parameter untuk membangun Bayesian Networks.

B.2. Skenario Use Case untuk Bangun Struktur BN

User meminta untuk melakukan proses pembangunan struktur Bayesian Networks Sistem akan melakukan proses pembangunan struktur Bayesian Networks berdasarkan konfigurasi parameter yang telah dimasukkan.

B.3. Skenario Use Case untuk Visualisasi Struktur Bayesian Networks

User meminta untuk untuk menampilkan struktur Bayesian Networks Sistem akan menampilkan struktur Bayesian Networks berupa diagram yang terdiri dari node-node yang berbentuk bar chart beserta CPT-nya dalam bentuk tabular.

(7)

Lampiran C. Daftar Atribut dan Operasi Kelas

C.1. Daftar atribut dan Operasi Kelas FormUtama

Nama Atribut Visibility Tipe

Nama Operasi Visibility Return Type

createMenu() showMenu() showFormUtama

showFormKonfigurasi ( FormKonfigurasi frmkonfig) showFormVisualisasi (FormVisualisasiBN frmVis) showFormPrediksi ( FromPrediksiKelas frmPrediksi)

Public public Public Public Public Public

C.2. Daftar atribut dan Operasi Kelas FormKonfigurasi

NeighborHoodNode AllAdjacencyPathNode CutSet strConnection ListArc ListArcAdjacency TotalRecord IntPairNode TargetClass Nodes[] TableName Threshold FieldCollection PairsNode[] Private Private Private Private Private Private Private Private Private Private Private Private Private Private Collection Collection Collection String Collection Collection Integer Integer String String String Double Collection PairNode

CI_XXX(vStrSQL : String, vTotalRecord : Integer) AdjacencyPath(vNodeA:String,vNodeB:String) ExistsAllAdjacencyPathNode(vA:String, vB:String) FindNeighborNode(vNode : String) Private Private Private Private Single Boolean Boolean Collection

(8)

86 IsExistNode(list : Collection, vNode : String)

SetAdjacencyAndNeighbor(L1:Collection,L2:Collection) EdgeNeeded_H(C :Collection,Tres :Double, vNodeA: String, vNodeB : String)

TraceAdjacencyPath(vNodeA : String, vNodeB:String) SetPairsNode()

StepONE_TPDA() StepTWO_TPDA()

SetArrayField( vTabelName : String )

Private Private Private Private Private Private Private Private Boolean Collection Boolean Boolean

C.3. Daftar atribut dan Operasi Kelas FormVisBNChart

ListNode Node Private Private Collection NodeBN

showBayesNetBarchart()

showCPT(Child : NodeBN, Parent :NodeBN)

Private

Private CPT

C.4. Daftar atribut dan Operasi Kelas FormVisBNCircle

ListNode Node Private Private Collection NodeBN

showBayesNetCircleNode()

showCPT(Child : NodeBN, Parent :NodeBN)

Private

Private CPT

C.5. Daftar atribut dan Operasi Kelas FormPrediksiKelas

Data Private TableBank

setPrediction() getPrediction()

Private Private

(9)

87 C.6. Daftar atribut dan Operasi Kelas NodeBN

NodeName NodeModel NodeParentName[] NodeChildName[] intParent intChild Data mCPT Private Private Private Private Private Private Private Private String Boolean String String Integer Integer NodeStateProb CPT

setCPT

<<Let>> ParentCount(i : Integer) <<Get>> ParentCount()

<<Let>> ParentName(i : Integer, s String) <<Get>> ParentCount()

<<Let>> ChildCount(i : Integer) <<Get>> ChildCount()

<<Let>> ChildName(i : Integer, s String) <<Get>> ChildCount()

<<Set>> DataNode(f : NodeStateProb) <<Get>> DataNode()

<<Let>> Name ( s : String) <<Get>> Name()

<<Let>> BarModel( bar : Boolean) <<Get>> BarModel() Private Private Private Private Private Private Private Private Private Private Private Private Private Private Private Integer Integer Integer Integer NodeStateProb String Boolean

C.7. Daftar atribut dan Operasi Kelas NodeStateProb

Name intState intRec State[] Prob[] Private private Private Private Private String Integer Integer String Single

(10)

88

<<Let>> ArraySize( I : Integer ) <<Get>> ArraySize()

<<Let>> TotalRecState(I : Integer, jlRec: Integer) <<Get>> TotalRecState(i:Integer) : Integer

<<Let>> ProbabilityState(I : Integer, Prob : Single) <<Get>> ProbabilityState(I : Integer)

<<Let>> StateValue(I : Integer, Value : String) <<Get>> StateValue(I : Integer)

Private Private Private Private Private Private Private Private Integer Integer Single

C.8. Daftar atribut dan Operasi Kelas DataTabel

Sex Age Salary Balance_Q1 Balance_Q2 Balance_Q3 Balance_Q1 Productive Trans_Q1 Trans _Q2 Trans_Q3 Trans _Q1 Active Private private private private private private private private private private private private private String String String String String String String String String String String String String

C.9. Daftar atribut dan Operasi Kelas CPT

ParentName ChildName ParentState intParentState ChildState intChildState Private Private Private Private Private Private String String String Integer String Integer

(11)

89

Probability Private SIngle

<<Let>> ParentNode(s : String) <<Get>> ParentNode()

<<Let>> ChildNode(s : String) <<Get>> ChildNode()

<<Let>> StateParentCount(i : Integer) <<Get>> StateParentCount()

<<Let>> StateParent(i : Integer, s : String) <<Get>> StateParent(i : Integer)

<<Let>> StateChildCount(i : Integer) <<Get>> StateChildCount()

<<Let>> StateChild(i : Integer, s : String) <<Get>> StateChild(i : Integer)

Private Private Private Private Private Private Private Private Private Private Private Private String String Integer String Integer String

C.10. Daftar atribut dan Operasi Kelas Temp_PairNode

NodeA NodeB ArcKey Flag Public Public Public Public String String String Boolean

C.11. Daftar atribut dan Operasi Kelas PairNode

NodeA NodeB ExistEdge CI Private private private private String String Boolean Single

(12)

Lampiran D. Sequence Diagram

D.1. Sequence Diagram untuk Use Case BangunStrukturBN

Sequence diagram diatas menggambarkan Sequence diagram untuk Use Case Bangun Struktur Bayes. Setelah FrmKonfigurasi di inisiasi, selanjutnya FormKonfigurasi mengirim pesan yaitu dengan menginisiasi beberapa PairNode dan Temp_PairNode yang akan menampung field-field yang ada pada DataTabel dan menerima masukkan nilai threshold. Selanjutnya FormKonfigurasi akan membangun struktur Bayesian Networks. Setelah FrmKonfigurasi mengetahui struktur Bayes, frmKonfigurasi akan membuat menginisiasi node-node kelas NodeBN sesuai dengan struktur Bayes yang telah dihasilkan oleh frmKonfigurasi.

(13)

91 D.2. Sequence Diagram untuk Use Case Visualisasi Struktur Bayes

Setelah dilakukan sequence untuk Bangun Struktur Bayes, untuk use case Visualisasi Struktur Bayes, FormUtama akan mengirim pesan ke FormVisBNChart untuk menampilkan struktur Bayesian Networks pada FormUtama. FormUtama juga akan menerima nilai-nilai atribut yang terdapat pada FormKonfigurasi yang akan dijadikan dasar untuk membangun struktur Bayesian Networks. Nilai yang diterima seluruh attribut Node-Node yang telah dibangun menjadi struktur Bayesian Networks pada FormKonfigurasi.

Sequence diagram ini, berlaku juga untuk sequence diagram Visualisasi Struktur Bayes dengan Node dalam bentuk Circle, perbedaan hanya pada kelas FrmVisBNChart diganti dengan kelas frmVisBNCircle

(14)

92 D.3. Sequence Diagram untuk Use Case Prediksi Kelas

Setelah dilakukan sequence untuk Bangun Struktur Bayes, untuk use case Prediksi Kelas, FormUtama akan mengirim pesan ke FormPrediksi untuk ditampilkan pada FormUtama. FormUtama juga akan menerima nilai-nilai atribut yang terdapat pada FormKonfigurasi yang akan dijadikan dasar untuk membangun struktur Bayesian Networks. Nilai yang diterima seluruh attribut Node-Node yang telah dibangun menjadi struktur Bayesian Networks pada FormKonfigurasi, selanjutnya FormPrediksiKelas melakukan prediksi kelas sesuai dengan atribut-attribut yang terdapat pada FormPrediksiKelas.

(15)

Lampiran E. Rancangan Antar Muka

E.1. Rancangan Antar Muka Form Konfigurasi.

(16)

E.3. Rancangan Antar Muka Form Visualisasi BN Circle Node

(17)

E.5. Rancangan Antar Muka Form CPT untuk setiap Node