PENERAPAN ALGORITMA
TREE AUGMENTED NAIVE BAYESIAN
PADA PENENTUAN PEUBAH PENTING
PINGKAN AWALIA
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011
ABSTRAK
PINGKAN AWALIA. Penerapan Algoritma Tree Augmented Naive Bayesian pada Penentuan Peubah Penting. Dibimbing oleh AJI HAMIM WIGENA dan ANANG KURNIA.
Peningkatan kinerja produk sangat penting di era persaingan pasar bebas. Salah satu cara untuk mengoptimalkan peningkatan kinerja suatu produk, produsen harus mengetahui tingkat kepentingan peubah dari produknya. Metode statistika yang sering digunakan untuk menentukan tingkat kepentingan suatu produk adalah analisis regresi berganda. Metode ini memiliki kelemahan dalam hal asumsi yang mengikat. Permasalahan itu akan diselesaikan menggunakan metode Bayesian Network. Ada beberapa algoritma untuk menyusun Bayesian Network. Penelitian ini lebih menekankan penggunaan algoritma Tree Augmented Naive Bayesian dan Naive Bayesian karena sederhana dalam komputasi dan menghasilkan tingkat akurasi yang baik. Hasil penelitian ini menunjukkan bahwa metode Bayesian Network menggunakan algoritma Tree Augmented Naive Bayesian lebih baik daripada Naive Bayesian dengan nilai keakuratan klasifikasi sebesar 83%. Peubah yang paling penting untuk ditingkatkan adalah kekuatan rasa setelah dirasakan. Analisis perubahan peubah penjelas menunjukkan bahwa saat presentase kategori sangat suka sekali pada peubah penjelas ditingkatkan menjadi 100% maka persentase kategori sangat suka sekali pada peubah respon mengalami peningkatan.
Kata kunci : Bayesian network, algoritma naive Bayesian, algoritma tree augmented naive Bayesian
PENERAPAN ALGORITMA
TREE AUGMENTED NAIVE BAYESIAN
PADA PENENTUAN PEUBAH PENTING
PINGKAN AWALIA
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika pada
Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011
Judul Skripsi : Penerapan Algortima Tree Augmented Naive Bayesian pada Penentuan Peubah Penting
Nama : Pingkan Awalia
NRP : G14070009
Disetujui
Pembimbing I Pembimbing II
Dr. Ir. Aji Hamim Wigena, M.Sc Dr. Anang Kurnia
NIP. 195209281977011001 NIP. 197308241997021001
Diketahui
Ketua Departemen Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor
Dr. Ir. Hari Wijayanto, M.Si NIP. 196504211990021001
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala rahmat dan karunia-Nya sehingga tulisan ini berhasil diselesaikan. Tulisan ini merupakan hasil penelitian penulis dalam rangka memenuhi tugas akhir yang merupakan salah satu syarat untuk memperoleh gelar Sarjana Statistika di Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor.
Terimakasih penulis ucapkan kepada Bapak Dr. Ir. Aji Hamim Wigena, M.Sc dan Bapak Dr. Anang Kurnia selaku pembimbing dan Bapak Dr. Ir. Kusman Sadik, M.Si, yang telah memberikan arahan dan masukan yang membangun kepada penulis dalam meyelesaikan penelitian. Terima kasih juga penulis sampaikan kepada orang tua dan keluarga tercinta atas doa dan dukunganya serta semua pihak yang telah membantu penulis dalam menyelesaikan tulisan ini.
Semoga tulisan ini dapat bermanfaat.
Bogor, September 2011
RIWAYAT HIDUP
Penulis dilahirkan di kota Kebumen pada tanggal 11 Juni 1989 dari pasangan Dady Supeno dan Pujiati. Penulis merupakan anak pertama dari dua bersaudara. Penulis telah berhasil menyelesaikan pendidikannya di Sekolah Dasar Negeri (SDN) 1 Jatimulyo pada tahun 2001. Jenjang pendidikan selanjutnya penulis tempuh di Sekolah Menengah Pertama Negeri (SMPN) 1 Karanganyar dan lulus tahun 2004. Penulis menamatkan pendidikannya di Sekolah Menengah Atas Negeri (SMAN) 1 Gombong pada tahun 2007 dan pada tahun yang sama penulis diterima sebagai mahasiswa Departemen Statistika, Institut Pertanian Bogor (IPB) melalui Undangan Seleksi Masuk IPB (USMI).
Selama mengikuti perkuliahan, penulis aktif dalam kepengurusan Himpunan Keprofesian Gamma Sigma Beta (GSB) periode 2010 sebagai staf biro Kestari. Tahun 2008 penulis menjadi juara 1 dalam lomba Engineering Science Competition. Selain itu, penulis pernah menjadi asisten praktikum Metode Statistika dan Analisis Regresi 1. Penulis melaksanakan praktik lapang pada tanggal 07 Februari sampai 01 April 2011 di PT Ipsos Indonesia, Jakarta Pusat.
DAFTAR ISI
Halaman
DAFTAR TABEL ... vii
DAFTAR GAMBAR ... vii
DAFTAR LAMPIRAN ... vii
PENDAHULUAN Latar Belakang ... 1
Tujuan ... 1
TINJAUAN PUSTAKA Tingkat Kepentingan Peubah ... 1
Bayesian Network ... 1
METODOLOGI Data ... 4
Metode ... 4
HASIL DAN PEMBAHASAN Eksplorasi Data ... 4
Algoritma TAN ... 6
Algoritma NB ... 8
Penentuan Parameter BN ... 8
Analisis Perubahan Peubah Penjelas ... 8
Analisis Perubahan Peubah Respon ... 9
KESIMPULAN DAN SARAN Kesimpulan ... 12
Saran ... 12
DAFTAR PUSTAKA ... 12
DAFTAR TABEL
Halaman
1 Kategori peubah penjelas dan peubah respon ... 4
2 Dugaan klasifikasi menggunakan akar warna produk ... 7
3 Dugaan klasifikasi menggunakan akar kekuatan aroma produk ... 8
4 Dugaan klasifikasi menggunakan algoritma NB ... 8
5 Perubahan persentase peubah respon saat persentase kategori sangat suka (8) dan sangat suka sekali (9) pada peubah warna produk, kekuatan aroma produk, dan semua peubah penjelas ditingkatkan menjadi 100% ... 9
6 Kontribusi peubah penjelas ... 9
DAFTAR GAMBAR
Halaman 1 Directed Acylic Graph ... 22 Struktur NB ... 2
3 Struktur TAN ... 3
4 Persentase masing-masing kategori peubah penjelas dan peubah respon... 5
5 Struktur BN menggunakan akar warna produk ... 7
6 Ukuran tingkat kepentingan peubah penjelas menggunakan akar warna produk ... 7
7 Struktur BN menggunakan akar kekuatan aroma produk... 7
8 Ukuran tingkat kepentingan peubah penjelas menggunakan akar kekuatan aroma produk .. 7
9 Struktur BN menggunakan algoritma NB ... 8
10 Kondisi awal (%) peubah penjelas dan peubah respon ... 10
11 Kondisi (%) peubah penjelas saat kategori sangat suka sekali (9) pada tingkat kesukaan (Y) ditingkatkan menjadi 100% ... 10
12 Kondisi (%) peubah penjelas saat kategori sangat suka (8) pada tingkat kesukaan (Y) ditingkatkan menjadi 100% ... 11
13 Perubahan (%) yang terjadi pada peubah respon saat kategori sangat suka sekali (9) pada peubah penjelas ditingkatkan menjadi 100%. ... 11
DAFTAR LAMPIRAN
Halaman 1 Peluang bersyarat masing-masing peubah menggunakan algoritma TAN ... 142 Peluang bersyarat masing-masing peubah menggunakan algoritma NB ... 17
3 Struktur BN dan tingkat kepentingan peubah dengan berbagai kemungkinan akar ... 19
4 Dugaan klasifikasi algoritma TAN dengan berbagai kemungkinan akar ... 21
5 Perubahan persentase peubah respon saat persentase setiap kategori pada peubah penjelas ditingkatkan menjadi 100% ... 23
6 Kondisi peubah penjelas saat kategori lumayan suka (7) pada tingkat kesukaan (Y) ditingkatkan menjadi 100% (dalam persen) ... 24
PENDAHULUAN Latar Belakang
Perbaikan kualitas sangat penting dilakukan oleh setiap produsen secara kontinu agar konsumen tidak beralih ke produk lain. Peningkatan kualitas akan efektif jika produsen mengetahui prioritas atribut produk yang disukai oleh konsumen yang lebih dikenal dengan tingkat kepentingan peubah.
Banyak metode yang dapat digunakan untuk menentukan tingkat kepentingan peubah. Metode statistika yang selama ini sering digunakan oleh perusahaan riset pemasaran adalah analisis regresi berganda. Namun demikian, salah satu masalah dalam penerapan analisis regresi linier berganda adalah asumsi yang mengikat. Sejumlah asumsi harus dipenuhi ketika menggunakan analisis regresi berganda seperti hubungannya linier, sisaan adalah peubah acak yang bebas terhadap nilai peubah penjelas, sisaan menyebar normal dengan rataan nol dan ragam yang konstan, homogen, dan antar sisaan tidak saling berkorelasi. Hal ini menyebabkan analisis regresi berganda menjadi kurang tepat diterapkan karena asumsi tersebut sulit dipenuhi terlebih dalam banyak aplikasinya peubah respon diukur dalam skala ordinal. Salah satu alternatif yang dilakukan untuk mengatasi kendala tersebut menggunakan metode Bayesian network (BN).
BN merupakan salah satu metode model peluang grafis yang digunakan untuk klasifikasi, pemeringkatan, dan prediksi (Friedman et al. 1997). Metode ini cocok diterapkan pada data diskrit. Manfaat metode BN pada bidang statistika adalah mampu menggambarkan hubungan ketergantungan suatu peubah dari peubah yang lain sehingga dapat digunakan untuk mempelajari hubungan sebab akibat antar peubah.
Metode BN selain diterapkan pada bidang pemasaran juga diterapkan di data mining, bidang kesehatan, dan meteorologi. Aplikasi dalam bidang kesehatan digunakan untuk menentukan peluang seseorang mengalami suatu penyakit. Bidang meteorologi digunakan untuk menghasilkan prakiraan peluang kejadian hujan di suatu stasiun. Bidang demografi untuk penentuan daerah tertinggal serta untuk memprediksi pemenang pilkada.
Ada beberapa algoritma untuk menyusun BN. Algoritma yang paling sederhana adalah
naive Bayesian (NB). Algoritma ini
mengasumsikan antar peubah penjelas tidak ada korelasi. Selain itu algoritma tree
augmented naive Bayesian (TAN) yang
merupakan pengembangan dari metode NB. Algoritma ini bisa mengakomodir korelasi antar peubah penjelas (Friedman et al. 1997).
Tujuan Tujuan dari penelitian ini adalah :
1. Menerapkan algoritma TAN pada BN dalam penentuan tingkat kepentingan peubah penjelas.
2. Membandingkan algoritma TAN dan NB. 3. Menganalisis perubahan peubah penjelas
akibat perubahan peubah respon.
TINJAUAN PUSTAKA Tingkat Kepentingan Peubah Tingkat kepentingan peubah penjelas berguna untuk mengindikasikan tingkat kepentingan relatif dari masing-masing peubah dalam menduga model. Nilai yang digunakan merupakan nilai relatif. Tingkat kepentingan peubah tidak berhubungan dengan akurasi model. Tingkat kepentingan berhubungan dengan kepentingan peubah penjelas dalam memprediksi model (Friedman
et al. 1997).
Perhitungan tingkat kepentingan peubah lebih lama daripada pembentukan model, terlebih jika menggunakan data dengan jumlah yang besar. Tingkat kepentingan peubah berhubungan dengan peubah penjelas yang mereduksi keragaman dari peubah respon.
Bayesian Network
Bayesian network (BN) adalah suatu
metode yang didasarkan atas teorema Bayes. Teorema Bayes menyatakan jika S suatu ruang contoh dan 𝑋1, ., 𝑋𝑛 merupakan sekatan S dengan syarat P(𝑋𝑖) ≠ 0, dan i = 1,....,n. Jika Y merupakan suatu kejadian pada ruang contoh S dengan syarat P(Y)≠ 0, maka secara matematis kaidah peluang Bayes dapat dituliskan sebagai berikut :
P(𝑋𝑖 𝑌 = 𝑃 𝑌 𝑋𝑖 𝑃(𝑋𝑖) 𝑃 𝑋𝑖 𝑃(𝑌|𝑋𝑖) 𝑛 𝑖=1 ...(1) (Nasoetion 1984).
BN dapat memberikan informasi yang sederhana dan padat mengenai informasi peluang. BN berdasarkan komponennya terdiri dari struktur Bayesian dan parameter Bayesian. Struktur Bayesian merupakan sebuah Directed Acyclic Graph (DAG) yang menggambarkan hubungan ketergantungan antar peubah. Parameter Bayesian merupakan
2
himpunan dari parameter setiap peubah berdasarkan graf tersebut. Struktur Bayesian terdiri dari simpul yang merepresentasikan peubah-peubah dan sisi yang merepresentasikan hubungan ketergantungan antar simpul. Setiap simpul yang dihubungkan menunjukkan hubungan ketergantungan. Misalkan himpunan dari simpul dinyatakan dengan X1, … . , Xn . Jika terdapat sisi dari simpul Xj ke simpul Xk, dikatakan bahwa Xj adalah parent dari Xk dan Xkadalah child bagi Xj . Himpunan parent dari simpul 𝑋𝑖 dinotasikan sebagai Π𝑖. Contoh dapat dilihat pada Gambar 1 parent untuk 𝑋2 adalah 𝑋1 dan
child untuk Y adalah X2 dan X1.
Gambar 1 Directed Acylic Graph.
Hasan (2007) menyatakan bahwa BN merupakan pasangan dari (G,P) dengan G=(N,E) adalah DAG atau graf berarah yang tidak memiliki siklus dengan simpul (N) sebagai peubah dan sisi (E) sebagai penghubung kebebasan bersyarat antar peubah, sedangkan P adalah sebaran peluang bersyarat yang disebut parameter Bayesian.
Parents didefinisikan sebagai simpul yang
dijadikan syarat dan child adalah simpul yang diberikan syarat.
BN merupakan suatu metode berdasarkan teorema Bayes yang menggambarkan hubungan bersyarat :
𝑃 𝑋 𝑌 =𝑃 𝑌 𝑋 𝑃(𝑋)
𝑃(𝑌) ...(2) dengan P X Y disebut peluang posterior adalah peluang X setelah Y terjadi. P Y X
disebut likelihood adalah peluang Y terjadi setelah X terjadi. P X disebut juga prior adalah peluang kejadian X. P Y adalah peluang kejadian Y dan P Y ≠ 0.
Ada beberapa algoritma penyusun BN yaitu naive Bayesian dan semi naive Bayesian. Penelitian ini menggunakan algoritma TAN dan NB karena alasan keefektifan dan kesederhanaannya.
Pembuatan model dalam BN melibatkan dua langkah yaitu:
1. Membuat struktur jaringan.
Struktur jaringan dalam BN dibentuk dalam suatu graf. Sebuah graf terdiri dari kumpulan simpul dan sisi. Sisi merupakan garis yang menghubungkan titik simpul tersebut.
2. Menduga nilai peluang setiap simpul.
Semi Naive Bayesian
Metode semi naive Bayesian secara garis besar terdiri dari dua kelompok. Kelompok pertama membangun BN menggunakan sekumpulan peubah baru yang dihasilkan dari proses deleting attributes dan joining
attributes. Kelompok yang kedua membangun
metode semi naive Bayesian dari struktur garis penghubung secara jelas di antara peubah-peubah penjelas yang menunjukkan hubungan ketidakbebasan (saling mempengaruhi) antar peubah penjelas (Zheng & Webb 2005).
Tree Augmented Naive Bayesian
NB merupakan salah satu algoritma pembangun struktur BN dengan mengasumsikan antar peubah penjelas saling bebas. Cara kerja metode ini sangat sederhana yaitu menghubungkan semua peubah penjelas ke peubah respon.
TAN dikembangkan sebagai modifikasi dari metode Bayesian sederhana. Hal ini memungkinkan tiap peubah penjelas terhubung dengan peubah penjelas yang lain. Hal ini dapat meningkatkan keakuratan klasifikasinya. TAN (Friedman et al. 1997) menunjukan kinerja yang baik meskipun sederhana. Misal Ω= {X1, … . . Xm} sebagai domain diskrit, X1, … . . Xm sebagai atribut dalam domain Ω. DAG menggambarkan hubungan bebas bersyarat. Tiap peubah
Xibebas dari bukan keturunannya berdasarkan dari parents yang digunakan.
TAN disusun menggunakan Weighted
Maximum Spanning Tree (WMST). Metode
ini menghubungkan masing-masing sisi dengan memanfaatkan informasi antar peubah. Saat matriks pembobotnya dibuat, algoritma MWST menghubungkan pohon yang dihubungkan dengan pilihan akar yang digunakan. Perbedaan antara NB dan TAN dapat dilihat pada Gambar 2 dan Gambar 3.
Gambar 2 Struktur NB. 𝑋2 𝑋1 Y Y 𝑋3 𝑋2 𝑋1
Gambar 3 Struktur TAN.
Penentuan akar sangat penting untuk meningkatkan keakuratan klasifikasi. Penentuan akar didasarkan pada peubah yang memiliki informasi bersama yang maksimum dirumuskan (Friedman et al. 1997)
𝑋𝑟𝑜𝑜𝑡 = arg max 𝐼𝑝 (𝑋𝑖, 𝑌)
dengan 𝑋𝑟𝑜𝑜𝑡 adalah peubah yang menjadi akar, 𝐼𝑝(𝑋𝑖, 𝑌) adalah mutual information. Langkah kerja algoritma TAN adalah sebagai berikut (Chow & Liu 1968) :
1. Menentukan data, peubah respon, dan peubah penjelas. Seluruh peubah dalam keadaan diskrit.
2. Membuat struktur pohon menggunakan algoritma penyusun strukturnya.
Langkah pembentukan struktur TAN sebagai
a. Hitung 𝐼 𝑋𝑖, 𝑋𝑗 𝑌 , 𝑖 = 1, . . , 𝑛, 𝑗 =
1, . . , 𝑛, 𝑖 ≠ 𝑗 antar masing-masing
pasangan peubah.
b. Gunakan algoritma Prim untuk
menyusun WMST dengan
pembobotnya dari hubungan antarsisi
nya 𝑋𝑖 dengan 𝑋𝑗 melalui 𝐼 𝑋𝑖, 𝑋𝑗 𝑌 .
Langkah–langkah penyusunan algoritma Prim (Prim 1957)
b.1. Memilih peubah yang dijadikan sebagai input, dalam hal ini yang dipilih yaitu peubah respon.
b.2. Mencari peubah dengan bobot maksimal lalu hubungkan. Bobot maksimal dihitung menggunakan conditional mutual information.
b.3. Proses ini diulang sampai semua peubah dihubungkan.
c. Menambahkan peubah respon sebagai parent untuk masing-masing
𝑋𝑖 dengan 1≤ 𝑖 ≤ 𝑛, n adalah jumlah peubah penjelas yang digunakan. 3. Mentransformasi hasil pohon yang belum
berarah menjadi pohon berarah dengan
memilih X1 sebagai root dan panah mengarah ke peubah penjelas.
4. Menghitung peluang bersyarat masing-masing peubah.
Weighted Maximum Spanning Tree
Weighted Maximum Spanning Tree
(WMST) merupakan bagian dari graf G yang tidak memiliki siklus namun memiliki simpul yang sama seperti G (Munir 2003). Syarat dalam membangun WMST adalah semua simpul terhubung dan memiliki bobot. Pembobot yang digunakan adalah conditional
mutual information. Ada dua jenis algoritma
dalam menyusun WMST yaitu algoritma Prim dan Kruskal. Penelitian ini menggunakan algoritma Prim.
Mutual information (Friedman et al. 1997)
disebut juga ukuran kedekatan dalam mengaproksimasi 𝑋𝑖dengan 𝑋𝑗 yang merupakan dasar dari I(𝑋𝑖, 𝑋𝑗) adalah perbedaan antara informasi yang terkandung dalam 𝑋𝑖 dan 𝑋𝑗. Informasi bersama antara dua node 𝑋𝑖dan 𝑋𝑗dirumuskan
𝐼 𝑋𝑖, 𝑋𝑗 = 𝑥𝑖,𝑥𝑗Pr(𝑥𝑖, 𝑥𝑗)log(
Pr 𝑥𝑖,𝑥𝑗
Pr 𝑥𝑖 Pr 𝑥𝑗) ...(3).
Informasi bersama yang dibentuk digantikan oleh conditional mutual information antara dua peubah penjelas dan target (peubah respon) yang digunakan. Rumus yang digunakan adalah 𝐼 𝑋𝑖, 𝑋𝑗|𝑌 = Pr(𝑥𝑖, 𝑥𝑗, 𝑦𝑘) 𝑥𝑖,𝑥𝑗 ,𝑦𝑘 log( Pr 𝑥𝑖, 𝑥𝑗|𝑦𝑘 Pr 𝑥𝑖|𝑦𝑘 Pr 𝑥𝑗|𝑦𝑘 )
rumus ini menunjukkan informasi bersama antara 𝑋𝑖 dan 𝑋𝑗 jika Y diketahui.
Evaluasi Klasifikasi Bayesian Network Klasifikasi merupakan penerapkan kaidah Bayes dengan memprediksi peluang posterior terbesar. Evaluasi klasifikasi BN dilakukan dengan membandingkan hasil nilai prediksi struktur dengan nilai aktualnya. Jika nilai
𝑃 𝑋𝑘 𝑌 untuk semua k=1,2,3,...,n diperoleh maka peluang masuk kategori ke-k adalah peluang terbesar dari dugaan klasifikasi. Rumus yang digunakan adalah
𝑃 𝑋𝑘 𝑌 = 𝑎𝑟𝑔 𝑚𝑎𝑥 𝑃 𝑌 𝑋𝑖 𝑃(𝑋𝑖) ...(5). Evaluasi klasifikasi struktur BN menghasilkan tingkat keakuratan yang dihitung dengan cara membandingkan nilai hasil prediksi dengan nilai aktual (Purwadi 2009).
Y
𝑋3
𝑋2
4
Rumus perhitungannya sebagai berikut
Tingkat keakuratan =prediksi sesuai
prediksi total ...(6).
METODOLOGI Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang didapatkan dari perusahaan riset pemasaran tahun 2011. Data ini merupakan data kesediaan responden membeli suatu produk makanan ringan. Data terdiri dari satu produk makanan dengan jumlah responden sebanyak 200 yang merupakan anak-anak dengan kriteria umur 8-13 tahun. Data yang digunakan terdiri dari delapan peubah. Masing-masing peubah terdiri dari sembilan kategori. Keterangan kategori peubah respon dan peubah penjelas dapat dilihat pada Tabel 1.
Tabel 1 Kategori peubah penjelas dan peubah respon
Kode Keterangan
1 Sama sekali tidak suka
2 Sangat tidak suka
3 Lumayan tidak suka
4 Agak tidak suka
5 Biasa saja
6 Agak suka
7 Lumayan suka
8 Sangat suka
9 Sangat suka sekali
Peubah yang digunakan adalah : 1. Keseluruhan kesukaan (Y) 2. Warna produk (X1)
3. Kekuatan aroma produk (X2) 4. Ketebalan produk (X3) 5. Kelembutan produk (X4) 6. Rasa Asin pada produk (X5) 7. Kekuatan rasa susu produk (X6) 8. Kelezatan produk (X7)
9. Kekuatan rasa produk setelah dirasakan (X8).
Metode
Metode penelitian dilakukan dengan cara membangun struktur BN menggunakan dua buah algoritma. Algoritma yang digunakan adalah NB dan TAN. Kedua struktur BN akan dihitung tingkat keakuratan klasifikasi. Tahap-tahap yang dilakukan adalah :
1. Menentukan peubah yang akan digunakan, jika peubah berupa data kontinu perlu didiskritkan terlebih dahulu.
2. Menyusun struktur BN menggunakan algoritma TANuntuk menentukan ukuran tingkat kepentingan dan algoritma NB. 3. Menentukan parameter BN menggunakan
algoritma TAN dan NB.
4. Menghitung nilai keakuratan klasifikasi metode TAN dan NB.
5. Menyusun dan menentukan parameter untuk tiap-tiap akar yang dipilih.
6. Menganalisis perubahan peluang peubah respon berdasarkan perubahan peluang yang terjadi pada setiap peubah penjelas dan sebaliknya berdasarkan struktur BN yang terbaik.
HASIL DAN PEMBAHASAN Eksplorasi Data Peubah Respon
Peubah respon dalam penelitian ini adalah keseluruhan kesukaan. Kategori yang terdapat pada peubah respon menunjukkan semakin tinggi nilainya semakin tinggi tingkat kesukaan responden. Gambar 4a memperlihatkan bahwa sebesar 73.5% responden sangat suka dengan keseluruhan tampilan maupun rasa dari produk. Sebanyak 16.5% sangat suka sekali, 1.5% menyatakan agak suka, 0.8% menyatakan lumayan suka, dan 0.5% menyatakan agak tidak suka. Peubah Penjelas
Peubah penjelas yang digunakan sebanyak delapan peubah. Peubah-peubah ini merupakan aspek-aspek yang nilainya mengukur tingkat kesukaan responden. Semakin tinggi kategori yang dipilih semakin suka responden dengan produk yang ditawarkan. Delapan aspek yang diukur adalah warna yang ditawarkan, kekuatan aroma, tingkat ketebalan, tingkat kelembutan, rasa asin, kekuatan rasa susu, tingkat kelezatan, dan kekuatan rasa.
Gambar 4b memperlihatkan sebesar 0.5% responden menyatakan biasa saja dengan warna produk yang ditawarkan, sebanyak 3% menyatakan agak suka, sebanyak 33% menyatakan lumayan suka, 59% menyatakan sangat suka dengan warna produk, dan 4.5% sangat suka sekali. Gambar 4b menunjukkan bahwa sebagian besar responden suka dengan tampilan warna produk.
Gambar 4 Persentase masing-masing kategori peubah penjelas dan peubah respon. Gambar 4c memperlihatkan sebanyak
0.5% responden menyatakan biasa saja dengan kekuatan aroma produk. Sebanyak 2.5% menyatakan agak suka, 28% menyatakan lumayan suka, sebanyak 62% responden menyatakan sangat suka, dan 7% menyatakan sangat suka sekali dengan kekuatan aroma produk. Gambar 4c menunjukkan responden sudah menyukai kekuatan aroma dari produk yang dicobakan.
Gambar 4d memperlihatkan sebanyak 0.5% responden sangat tidak suka dengan tingkat ketebalan produk, sebanyak masing-masing 1% menganggap biasa saja dan agak suka dengan tingkat ketebalan. Sebanyak 29% menyatakan lumayan suka, 57% menyatakan sangat suka sedangkan sebanyak 11.5% sangat suka sekali dengan tingkat ketebalannya. Gambar 4d menujukkan
sebagian besar responden suka dengan tingkat ketebalan dari produk yang dicobakan.
Gambar 4e menunjukkan bahwa sebanyak 1.5% responden agak suka dengan kelembutan tekstur, 28.5% menyatakan lumayan suka, 52.5% menyatakan sangat suka, dan sebesar 17.5% menyatakan sangat suka sekali dengan kelembutan tekstur produkya. Gambar 4e menujukkan bahwa sebagian besar responden suka dengan tingkat kelembutan produk yang dicobakan.
Gambar 4f memperlihatkan bahwa sebanyak masing-masing 1% responden menyatakan agak tidak suka dan biasa saja dengan tingkat keasinan produk, 2.5% menyatakan agak suka, 24.5% menyatakan lumayan suka, 54.5% menyatakan sangat suka, dan 16% menyatakan sangat suka sekali.
0,5% 1,5% 0,8% 73,5% 16,5% 4 6 7 8 9 y (a) 0,5% 3% 33% 59% 4,5% 5 6 7 8 9 x1 (b) 0,5% 2,5% 28% 62% 7% 5 6 7 8 9 x2 (c) 0,5% 1% 1% 29% 57% 11,50 % 2 5 6 7 8 9 x3 (d) 1,5 % 28,5 % 52,5 % 17,5 % 6 7 8 9 x4 (e) 1% 1% 2,5% 24,5% 54,5% 16% 4 5 6 7 8 9 x5 (f) 1,5%0,5% 1% 2% 9% 9,5% 37% 32% 7,5% 1 2 3 4 5 6 7 8 9 x6 (g) 1% 2% 26,5 % 57,5 % 13% 5 6 7 8 9 x7 (h) 3% 36 % 50 % 11 % 6 7 8 9 x (i)
6
Gambar 4g memperlihatkan sebanyak 1.5% responden menyatakan sama sekali tidak suka dengan kekuatan rasa susu, sebanyak 0.5% menyatakan sangat tidak suka, 1% menyatakan lumayan tidak suka, 2% menyatakan agak tidak suka, 9% menyatakan biasa saja, 9.5% menyatakan agak suka, 37% menyatakan lumayan suka, 32% menyatakan sangat suka, dan 7.5% menyatakan sangat suka sekali dengan kekuatan rasa susu yang terkandung pada produk. Secara keseluruhan responden suka dengan rasa susu dari produk yang dicobakan.
Gambar 4h memperlihatkan sebanyak 1% responden menyatakan biasa saja, 2% responden menyatakan agak suka, 26.5% menyatakan lumayan suka, 57.5% menyatakan sangat suka, dan 13% menyatakan sangat suka sekali dengan kelezatan produknya. Hal ini menujukkan bahwa sebagian responden sudah merasa suka dengan tingkat kelezatan produknya.
Gambar 4i memperlihatkan sebanyak 3% responden menyatakan agak suka dengan kekuatan rasanya, 36% menyatakan lumayan suka, 50% menyatakan sangat suka, dan 11% menyatakan sangat suka sekali dengan kekuatan rasa produk setelah dirasakan.
Gambar 4 secara keseluruhan menunjukkan bahwa responden suka dengan produk yang dicobakan. Akan tetapi persentase ini belum mampu menemukan peubah yang harus ditingkatkan dan peubah yang tidak perlu ditingkatkan. Analisis lanjutan perlu dilakukan untuk mengetahui tingkat kepentingan peubah.
Korelasi menunjukkan hubungan keeratan antar peubah yang berupa hubungan linier. Korelasi yang digunakan adalah korelasi Spearman karena skala pengukuran peubah respon dan peubah penjelas berupa ordinal. Jika nilai korelasi antar peubah positif berarti kedua peubah memiliki hubungan searah. Jika salah satu peubah nilainya naik maka peubah yang lain juga naik. Jika nilai korelasi negatif berarti jika salah satu nilai peubah naik maka peubah yang lain turun.
Nilai korelasi yang paling besar adalah korelasi antara kelezatan produk dengan kekuatan rasa setelah dirasakan, yaitu sebesar 0.652. Korelasi paling kuat ini mengindikasikan bahwa peubah kelezatan produk berhubungan erat dengan kekuatan rasa produk setelah dirasakan. Korelasi lain yang kuat adalah antara tingkat kelezatan dan rasa asin pada produk yaitu sebesar 0.536.
Peubah yang memiliki nilai korelasi terkecil adalah antara kekuatan rasa susu dan
kelezatan produk, yaitu sebesar 0.089. Hal ini menunjukkan antar kedua peubah memiliki hubungan yang tidak terlalu erat.
Algoritma TAN Membangun Struktur BN
Algoritma TAN merupakan
pengembangan dari algoritma NB. Algoritma NB mengasumsikan antar peubah penjelas tidak berkorelasi. Pada penelitian ini terdapat korelasi antar peubah penjelas. Hal ini terlihat dari nilai korelasi Spearman hampir semua peubah memiliki hubungan yang erat.
Struktur algoritma TAN dibangun menggunakan weighted maximum spanning tree. WMST dalam membangun pohonnya menggunakan algoritma Prim. Algoritma yang digunakan mensyaratkan akar dan peubah respon panahnya mengarah ke peubah penjelas. Pemilihan akar yang digunakan tertera di metode. Penentuan hubungan antar peubah penjelas dengan cara memaksimumkan conditional mutual
information antar peubah penjelas bersyarat
peubah respon.
Gambar 5 memperlihatkan struktur BN yang dibangun menggunakan algoritma TAN. Algoritma ini mensyaratkan hubungan tidak membentuk siklus. Peubah respon yang digunakan adalah keseluruhan kesukaan, peubah yang lain sebagai peubah penjelas. Peubah yang menjadi parent untuk semua peubah adalah peubah respon. Peubah yang menjadi akar (root) adalah peubah X1 yaitu warna produk. Jika kita mengubah akarnya maka tingkat akurasi akan berubah.
Rumus perhitungan manual untuk penentuan tingkat kepentingan peubah belum tersedia. Hal ini karena waktu yang dibutuhkan untuk perhitungan lebih lama daripada penyusunan model.
Gambar 6 memperlihatkan ukuran tingkat kepentingan dari peubah penjelas terhadap peubah respon. Gambar 6 memperlihatkan bahwa peubah yang paling mempengaruhi keseluruhan kesukaan dan yang harus ditingkatkan adalah kekuatan rasa produk setelah dirasakan.
Peringkat kedua yang perlu ditingkatkan adalah tingkat kelembutan produk. Urutan ketiga adalah tingkat kelezatan produk. Produk yang dicobakan mungkin sudah lezat namun perlu ditingkatkan lagi komposisi bahan-bahan penambah kelezatan. Urutan keempat adalah tingkat kekuatan aroma produk. Urutan kelima adalah kekuatan rasa susu.
Gambar 5 Struktur BN menggunakan akar warna produk.
Ada sebagian besar resonden yang suka bila kandungan susu ditingkatkan. Ada pula yang tidak suka dengan kandungan susu pada produk yang dicobakan.
Urutan keenam adalah tingkat keasinan produk. Ketujuh adalah tingkat ketebalan produknya. Tingkat kepentingan paling rendah terhadap peubah respon adalah warna dari produk. Warna produk yang ditawarkan ternyata tidak dipentingkan oleh responden. Hal ini dikarenakan responden sudah puas dengan tingkat warna pada produk. Tingkat kepentingan ini menunjukkan semakin ke bawah tingkat kepentingannya semakin kecil.
Tabel 2 memperlihatkan dugaan klasifikasi menggunakan algoritma TAN dengan pemilihan akar adalah warna produk.Tingkat keakuratan yang dicapai sebesar 79%.
Penentuan akar dari perangkat lunak yang digunakan adalah X1. Tahap selanjutnya mengganti akarnya menggunakan peubah penjelas yang lain untuk meningkatkan tingkat akurasinya.
Struktur Bayesian yang terbentuk dan peubah yang penting dari peubah penjelas selain warna produk dapat dilihat pada Lampiran 3. Tingkat akurasi struktur BN mencapai nilai tertinggi saat akar yang digunakan adalah kekuatan aroma produk. Gambar 7 dari struktur BN menggunakan akar kekuatan aroma produk.
Tabel 2 Dugaan klasifikasi menggunakan akar warna produk Aktual Total 4 6 7 8 9 duga an 4 1 0 0 0 0 1 6 0 2 0 0 0 2 7 0 0 3 3 1 7 161 29 8 0 1 12 134 14 9 0 0 1 10 18 total 1 3 16 147 33 200
Gambar 6 Ukuran tingkat kepentingan peubah penjelas menggunakan akar warna produk.
Gambar 8 memperlihatkan bahwa peubah yang penting atau yang harus ditingkatkan sama dengan struktur BN dengan akar warna produk. Tingkat kepentingan peubah yang paling kecil adalah kekuatan rasa susu. Tingkat kepentingan relatif sama menggunakan akar warna produk.
Gambar 7 Struktur BN menggunakan akar kekuatan aroma produk.
Gambar 8 Ukuran tingkat kepentingan peubah penjelas menggunakan akar kekuatan aroma produk.
8
Tabel 3 memperlihatkan dugaan klasifikasi menggunakan algoritma TAN dengan pemilihan akar adalah kekuatan aroma produk. Pemilihan akar berdasarkan tingkat akurasi yang dihasilkan. Tingkat keakuratan yang dicapai sebesar 83%. Dugaan klasifikasi menggunakan akar peubah penjelas yang lain dapat dilihat di Lampiran 4.
Tabel 3 Dugaan klasifikasi menggunakan akar kekuatan aroma produk
Aktual Total 4 6 7 8 9 duga an 4 1 0 0 0 0 1 6 0 3 1 1 0 5 7 0 0 10 6 0 16 146 32 8 0 0 5 130 11 9 0 0 0 10 22 total 1 3 16 147 33 200 Algoritma NB
Algoritma NB merupakan salah satu metode pengklasifikasian. Metode ini berdasarkan penerapan teorema Bayes dengan asumsi antar peubah saling bebas. Peluang prior yang digunakan adalah frekuensi masing-masing kategori untuk peubah respon. Arah panah target menuju ke peubah penjelas.
Gambar 9 Struktur BN menggunakan algoritma NB.
Tingkat keakuratan klasifikasi untuk algoritma NB sebesar 71.5% dengan nilai dugaannya dapat dilihat pada Tabel 4. Tabel 4 Dugaan klasifikasi menggunakan
algoritma NB Aktual Total 4 6 7 8 9 duga an 4 1 0 0 0 0 1 6 0 2 0 0 0 2 7 0 0 8 17 2 27 135 35 8 0 1 7 114 13 9 0 0 1 16 18 total 1 3 16 147 33 200 Penentuan Parameter BN Peluang prior yang dipilih pada penelitian ini adalah frekuensi dari masing-masing kategori pada peubah respon. Parameter dalam BN berupa peluang bersyarat antara
parents dan child.
Contoh peluang bersyarat untuk peubah warna produk adalah kategori 5 dengan syarat kategori 4 peluang bersyaratnya 0, berturut-turut untuk kategori 6, 7, 8, dan 9 nilainya adalah 0, 1, 0, dan 0. Peluang bersyarat ini diperoleh menggunakan rumus yang terdapat pada Persamaan 1. Peluang bersyarat pada X1 merupakan peluang X1 dengan syarat Y sedangkan peubah yang lain yang menjadi
parents adalah X1 dan Y. Nilai peluang
bersyarat untuk peubah yang lain pada algoritma TAN dapat dilihat pada Lampiran 1. Parameter dari algoritma NB dapat dilihat pada Lampiran 2.
Analisis Perubahan Peubah Penjelas Model dugaan klasifikasi BN dapat digunakan untuk melihat perubahan peluang yang terjadi pada peubah respon ketika peluang pada peubah penjelas berubah. Hal ini dilakukan dengan cara mengubah peluang pada kategori-kategori peubah penjelas dan dilihat sejauh mana perubahan peluang yang terjadi pada peubah respon. Struktur BN yang digunakan adalah struktur yang memiliki tingkat akurasi yang tertinggi yaitu TAN dengan akar kekuatan aroma produk.
Pembahasan selanjutnya difokuskan pada analisis perubahan persentase pada kategori sangat suka (8) dan sangat suka sekali (9), baik pada peubah penjelas maupun peubah respon. Tabel 5 memperlihatkan contoh perubahan yang terjadi pada peubah tingkat kesukaan (Y) saat persentase kategori pada peubah kekuatan aroma produk (X1), warna produk (X2), dan semua peubah penjelas ditingkatkan menjadi 100%. Jika kategori sangat suka (8) pada peubah penjelas ditingkatkan menjadi 100% berakibat peningkatan persentase kategori sangat suka (8) dan persentase kategori sangat suka sekali (9) pada tingkat kesukaan (Y). Saat persentase kategori sangat suka sekali (9) pada peubah penjelas ditingkatkan menjadi 100% berakibat pada penurunan persentase kategori sangat suka (8) dan peningkatan persentase sangat suka sekali (9) pada peubah tingkat kesukaan (Y). Perubahan yang terjadi pada setiap peubah penjelas selengkapnya disajikan pada Lampiran 5.
Perubahan persentase kategori-kategori peubah respon saat kategori sangat suka sekali
(9) pada setiap peubah penjelas ditingkatkan menjadi 100% dapat dilihat pada Gambar 13.
Besarnya kontribusi peubah penjelas terhadap perubahan persentase kategori sangat suka sekali (9) pada tingkat kesukaan (Y) disajikan pada Tabel 6. Nilai tersebut diperoleh dari selisih persentase kategori sangat suka sekali (9) pada peubah respon saat persentase kategori sangat suka sekali (9) dan sangat suka (8) peubah penjelas ditingkatkan menjadi 100%.
Tabel 6 memperlihatkan bahwa peubah penjelas yang memiliki kontribusi paling besar adalah peubah kekuatan rasa setelah dirasakan dengan kontribusi sebesar 22.95%.
Peubah rasa susu merupakan peubah yang memiliki kontribusi terkecil terhadap persentase kategori sangat suka sekali (9) yaitu sebesar -1.31%. Peubah rasa susu bernilai negatif, artinya saat kategori sangat suka (8) ditingkatkan menjadi kategori sangat suka sekali (9) kategori sangat suka sekali (9) pada peubah tingkat kesukaan (Y) mengalami penurunan.
Analisis Perubahan Peubah Respon Analisis perubahan peubah penjelas terhadap respon sudah dijelaskan pada pembahasan sebelumnya. Adapun analisis perubahan peubah respon meneliti kondisi-kondisi peubah penjelas yang dapat menyebabkan peubah respon berada pada kondisi tertentu.
Kondisi ini memperlihatkan bahwa konsumen sangat menyukai produk yang ditawarkan oleh produsen. Gambar 11 memperlihatkan kondisi peubah-peubah
penjelas saat kategori sangat suka sekali (9) ditingkatkan menjadi 100%.
Perubahan persentase terbesar setelah kategori sangat suka sekali (9) ditingkatkan menjadi 100% terjadi pada peubah rasa asin pada produk (X6), yaitu sebesar 48.48%. Hal ini menunjukkan bahwa peubah penjelas tersebut cukup sensitif terhadap perubahan pada peubah respon.
Peubah yang paling kecil pengaruhnya jika kategori sangat suka sekali pada peubah respon ditingkatkan menjadi 100% adalah rasa susu. Persentase kondisi kategori sangat suka (8) pada tingkat kesukaan (Y) mencapai 100% peubah yang memiliki persentase kategori sangat suka (8) terbesar adalah aroma dari produk. Peubah yang paling kecil pengaruhnya adalah rasa susu. Perubahan presentase pada kategori lumayan suka dapat dilihat di Lampiran 6.
Tabel 6 Kontribusi peubah penjelas Peubah Penjelas Persentase
Kontribusi Kekuatan rasa produk
setelah dirasakan 22.95
Warna produk 16.35
Rasa asin produk 15.09
Ketebalan produk 13.94
Kelezatan produk 12.03
Kelembutan produk 10.08
Kekuatan aroma produk 9.67
Rasa susu produk -1.31
Tabel 5 Perubahan persentase peubah respon saat persentase kategori sangat suka (8) dan sangat suka sekali (9) pada peubah warna produk, kekuatan aroma produk, dan semua peubah penjelas ditingkatkan menjadi 100%
Tingkat Kesukaan (Y) (%)
Sangat suka (8) Sangat suka sekali (9)
Kondisi awal 73.5 16.5
Ditingkatkan menjadi 100% Warna Produk
Sangat suka (8) 79.66ꜛ 16.95ꜛ
Sangat suka sekali (9) 44.44ꜜ 55.56ꜛ
Kekuatan aroma produk
Sangat suka (8) 81.45ꜛ 12.9ꜜ
Sangat suka sekali (9) 50ꜜ 42.86ꜛ
Semua Peubah Penjelas
Sangat suka (8) 95.41ꜛ 4.05ꜜ
10
Gambar 10 Kondisi awal (%) peubah penjelas dan peubah respon.
Gambar 11 Kondisi (%) peubah penjelas saat kategori sangat suka sekali (9) pada tingkat kesukaan (Y) ditingkatkan menjadi 100%.
Gambar 12 Kondisi (%) peubah penjelas saat kategori sangat suka (8) pada tingkat kesukaan ditingkatkan menjadi 100%.
Gambar 13 Perubahan (%) yang terjadi pada peubah respon saat kategori sangat suka sekali (9) pada masing-masing peubah penjelas ditingkatkan menjadi 100%.
KESIMPULAN DAN SARAN Kesimpulan
Tingkat keakuratan algoritma TAN lebih tinggi daripada algoritma NB sehingga algoritma TAN lebih tepat digunakan.
Pemilihan akar yang memberikan tingkat keakuratan paling tinggi adalah kekuatan aroma produk dan rasa asin. Peubah yang paling penting untuk ditingkatkan adalah kekuatan rasa setelah dirasakan dan tingkat kepentingan paling rendah adalah rasa susu.
Jika presentase kategori sangat suka sekali pada peubah penjelas ditingkatkan menjadi 100% maka presentase kategori sangat suka sekali pada peubah respon mengalami peningkatan tinggi.
Saran
Algoritma yang digunakan pada penelitian ini merupakan salah satu dari algoritma untuk membangun BN. Penelitian lebih lanjut diperlukan untuk membandingkan antara algoritma TAN dengan SuperParent TAN dan kategorisasi tiga skala.
DAFTAR PUSTAKA
Chow CK, Liu CN. 1968. Approximating discrete probability distributions with dependence trees. IEEE Transections on
12
Friedman N, Geiger D, Goldszmidt M. 1997. Bayesian network classifiers. Machine
Learning, 29, 131-136.
Hassan A. 2007. A probabilistic relaxation framework for learning bayesian network structures from data [tesis]. Kairo: Faculty Of Engineering, Cairo University.
Munir R. 2003. Matematika Diskrit. Ed- ke2. Bandung : Informatika.
Nasoetion AH, Rambe A. 1984. Teori
Statistika untuk Ilmu-Ilmu Kuantitatif. Ed
ke-2. Bharata Karya Aksara, Jakarta. Neapolitan RE. 2004. Learning Bayesian
Network. Northeast Ilinois University
Chicago : Pearson Prentice Hall.
Purwadi I. 2009. Penerapan bayesian network dalam penetapan daerah tertinggal [skripsi]. Bogor: Departemen Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Prim RC. 1957. Shortest connection networks and some generalisations. Bell System
Technical Journal 36: 1389-1401.
Zheng F, Webb GI. 2005. A comparative study of semi-naive bayes methods in classification learning. Di dalam Simoff SJ, Williams GJ, Galloway J, Kolyshkina I (Eds.). Proceedings of Fourth Australasian Data Mining Conference
(AusDM05); Sydney, Australia. Sydney:
14
Lampiran 1 Peluang bersyarat masing-masing peubah menggunakan algoritma TAN Peluang bersyarat untuk peubah respon
Peluang
4 6 7 8 9
0.005 0.015 0.08 0.735 0.165
Peluang bersyarat untuk kekutan aroma
parents Peluang kesukaan 5 6 7 8 9 4 0 1 0 0 0 6 0.333 0 0.333 0.333 0 7 0 0 0.562 0.375 0.062 8 0 0.027 0.238 0.687 0.047 9 0 0 0.333 0.484 0.181
Peluang bersyarat untuk warna produk parents kesukaan Peluang aroma 5 6 7 8 9 4 6 0 0 1 0 0 6 5 0 0 1 0 0 6 7 0 1 0 0 0 6 8 0 0 1 0 0 7 7 0 0 0.777 0.222 0 7 8 0 0 0.666 0.333 0 7 9 0 0 1 0 0 8 6 0 0.75 0.25 0 0 8 7 0.028 0.028 0.542 0.4 0 8 8 0 0.009 0.227 0.742 0.019 8 9 0 0 0 0.714 0.285 9 7 0 0 0.545 0.363 0.09 9 8 0 0 0.125 0.812 0.062 9 9 0 0 0 0.5 0.5
Peluang bersyarat untuk ketebalan produk
parents peluang kesukaan aroma 2 5 6 7 8 9 4 6 1 0 0 0 0 0 6 5 0 0 0 1 0 0 6 7 0 1 0 0 0 0 6 8 0 0 0 0 1 0 7 7 0 0 0 0.888 0.111 0 7 8 0 0 0 0.166 0.833 0 7 9 0 0 0 0 1 0 8 6 0 0 0.5 0.5 0 0 8 7 0 0.028 0 0.428 0.542 0 8 8 0 0 0 0.257 0.643 0.099 8 9 0 0 0 0 0.714 0.285 9 7 0 0 0 0.272 0.636 0.09 9 8 0 0 0 0.125 0.375 0.5 9 9 0 0 0 0 0.666 0.333
Peluang bersyarat untuk kelembutan produk parents peluang kesukaan aroma 6 7 8 9 4 6 1 0 0 0 6 5 0 0 1 0 6 7 0 1 0 0 6 8 0 0 1 0 7 7 0 0.777 0.222 0 7 8 0 0.166 0.833 0 7 9 0 0 1 0 8 6 0.25 0.75 0 0 8 7 0 0.285 0.657 0.057 8 8 0 0.287 0.534 0.178 8 9 0 0.142 0.571 0.285 9 7 0.09 0.181 0.363 0.363 9 8 0 0.187 0.312 0.5 9 9 0 0 0.833 0.166
Peluang bersyarat untuk rasa asin
parents peluang kesukaan aroma 4 5 6 7 8 9 4 6 1 0 0 0 0 0 6 5 0 0 0 1 0 0 6 7 0 1 0 0 0 0 6 8 0 0 0 0 1 0 7 7 0 0 0.111 0.555 0.333 0 7 8 0 0 0 0.666 0.333 0 7 9 0 0 0 0 0 1 8 6 0 0 0.5 0.25 0.25 0 8 7 0 0.009 0.028 0.457 0.485 0 8 8 0.009 0 0.009 0.178 0.683 0.118 8 9 0 0 0 0.142 0.285 0.571 9 7 0 0 0 0.272 0.181 0.545 9 8 0 0 0 0 0.687 0.312 9 9 0 0 0 0 0.166 0.833
Peluang bersyarat untuk kelezatan produk
parents peluang kesukaan aroma 5 6 7 8 9 4 6 1 0 0 0 0 6 5 0 0 1 0 0 6 7 0 1 0 0 0 6 8 0 0 0 1 0 7 7 0 0 0.666 0.222 0.111 7 8 0 0 0.5 0.5 0 7 9 0 0 1 1 0 8 6 0 0 0.5 0.5 0 8 7 0.028 0.028 0.542 0.4 0 8 8 0 0.019 0.148 0.712 0.118 8 9 0 0 0.142 0.571 0.285 9 7 0 0 0.363 0.363 0.272 9 8 0 0 0.062 0.562 0.375 9 9 0 0 0.166 0.5 0.333
16
Peluang bersyarat untuk rasa susu parents kesukaan peluang aroma 1 2 3 4 5 6 7 8 9 4 6 0 0 0 1 0 0 0 0 0 6 5 0 0 0 0 0 0 1 0 0 6 7 0 0 0 0 0 0 1 0 0 6 8 0 0 0 0 0 0 1 0 0 7 7 0 0 0 0 0 0.333 0.666 0 0 7 8 0 0 0 0 0.166 0 0.666 0.166 0 7 9 0 0 0 0 0 0 0 0 1 8 6 0 0 0 0 0 0.25 0.75 0 0 8 7 0.028 0 0 0.085 0.028 0.2 0.542 0.057 0.057 8 8 0 0 0 0 0.148 0.059 0.287 0.435 0.069 8 9 0 0 0 0 0 0 0.142 0.571 0.285 9 7 0.181 0 0 0 0.09 0.181 0.181 0.363 0 9 8 0 0.062 0.125 0 0 0 0.312 0.437 0.062 9 9 0 0 0 0 0 0 0.333 0.333 0.333
Peluang bersyarat kekuatan rasa setelah dirasakan
parents peluang kesukaan aroma 6 7 8 9 4 6 1 0 0 0 6 5 0 1 0 0 6 7 0 1 0 0 6 8 0 0 1 0 7 7 0.111 0.666 0.222 0 7 8 0 0.5 0.5 0 7 9 0 0 0 1 8 6 0.25 0.5 0.25 0 8 7 0 0.657 0.342 0 8 8 0.019 0.306 0.623 0.049 8 9 0 0.285 0.571 0.142 9 7 0.09 0.09 0.363 0.454 9 8 0 0.062 0.562 0.375 9 9 0 0.166 0.166 0.666
Lampiran 2 Peluang bersyarat masing-masing peubah menggunakan algoritma NB Peluang bersyarat untuk peubah respon
y=4 y=6 y=7 y=8 y=9
0.005 0.015 0.08 0.735 0.165 Peluang bersyarat untuk warna produk
y x1=5 x1=6 x1=7 x1=8 x1=9 4 0 1 0 0 0 6 0 0.333 0.667 0 0 7 0 0 0.75 0.25 0 8 0.0068 0.034 0.2925 0.6395 0.0272 9 0 0 0.2424 0.6061 0.1515
Peluang bersyarat untuk kekuatan aroma produk
y x2=5 x2=6 x3=7 x2=8 x2=9 4 0 1 0 0 0 6 0.333 0 0.333 0.333 0 7 0 0 0.5625 0.375 0.0625 8 0 0.0272 0.2381 0.6871 0.0476 9 0 0 0.333 0.4848 0.1818
Peluang bersyarat untuk ketebalan produk
y x3=2 x3=5 x3=6 x3=7 x3=8 x3=9 4 1 0 0 0 0 0 6 0 0.333 0 0.333 0.333 0 7 0 0 0 0.5625 0.4375 0 8 0 0.0068 0.0136 0.2925 0.6054 0.0816 9 0 0 0 0 0.5152 0.333
Peluang bersyarat untuk keembutan produk
y x4=6 x4=7 x4=8 x4=9 4 1 0 0 0 6 0 0.333 0.667 0 7 0 0.5 0.5 0 8 0.0068 0.2925 0.551 0.1497 9 0.0303 0.1515 0.4242 0.3939
18
Peluang bersyarat untuk rasa asin
y x5=4 x5=5 x5=6 x5=7 x5=8 x5=9 4 1 0 0 0 0 0 6 0 0.333 0 0.333 0.333 0 7 0 0 0.0625 0.5625 0.3125 0.0625 8 0.0068 0.0068 0.0272 0.2449 0.6054 0.1088 9 0 0 0 0.0909 0.4242 0.4848
Peluang bersyarat untuk rasa susu
y x6=1 x6=2 x6=3 x6=4 x6=5 x6=6 x6=7 x6=8 x6=9 4 0 0 0 1 0 0 0 0 0 6 0 0 0 0 0 0 1 0 0 7 0 0 0 0 0.0625 0.1875 0.625 0.0625 0.0625 8 0.0068 0 0 0.0204 0.1088 0.0952 0.3537 0.3401 0.0748 9 0.0606 0.0303 0.0606 0 0.0303 0.0606 0.2727 0.3939 0.0909 Peluang bersyarat untuk kelezatan produk
y x7=5 x7=6 x7=7 x7=8 x7=9 4 1 0 0 0 0 6 0 0.333 0.333 0.333 0 7 0 0 0.5625 0.375 0.0625 8 0.0068 0.0204 0.2517 0.6259 0.0952 9 0 0 0.1818 0.4848 0.333
Peluang bersyarat untuk kekuatan rasa setelah dirasakan
y x8=6 x8=7 x8=8 x8=9 4 1 0 0 0 6 0 0.667 0.333 0 7 0.0625 0.5625 0.3125 0.0625 8 0.0204 0.3946 0.5442 0.0408 9 0.0303 0.0909 0.4242 0.4545
Lampiran 3 Struktur BN dan tingkat kepentingan peubah dengan berbagai kemungkinan akar Akar adalah tingkat ketebalan
Akar adalah kelembutan produk
20
Akar adalah kekuatan rasa susu
Akar adalah kelezatan produk
Lampiran 4 Dugaan klasifikasi algoritma TAN dengan berbagai kemungkinan akar Akar yang digunakan adalah ketebalan produk
Aktual Total 4 6 7 8 9 D uga a n 4 6 1 0 0 3 0 1 0 1 0 0 1 5 7 0 0 7 14 0 21 8 0 0 7 128 13 148 9 0 0 1 4 20 25 Total 1 3 16 147 33 200
Tingkat keakuratan klasifikasi sebesar 79.5% Akar adalah kelembutan produk
Aktual Total 4 6 7 8 9 D uga a n 4 6 1 0 0 2 0 0 0 0 0 0 1 2 7 0 0 8 13 0 21 8 0 0 6 123 9 139 9 0 1 2 11 24 37 Total 1 3 16 147 33 200
Tingkat keakuratan klasifikasi sebesar 79% Akar yang digunakan adalah rasa asin
Aktual Total 4 6 7 8 9 D uga a n 4 1 0 0 0 0 1 6 0 3 1 1 0 5 7 0 0 8 6 0 14 8 0 0 7 135 14 156 9 0 0 0 5 19 24 Total 1 3 16 147 33 200
Tingkat keakuratan klasifikasi sebesar 83%. Akar yang digunakan adalah rasa susu
Aktual Total 4 6 7 8 9 D uga a n 4 6 1 0 0 2 0 0 0 0 0 0 1 2 7 0 0 9 13 0 22 8 0 1 7 125 9 142 9 0 0 0 9 24 33 Total 1 3 16 147 33 200
22
Akar yang digunakan adalah tingkat kelezatan Aktual Total 4 6 7 8 9 D uga a n 4 6 1 0 0 2 0 0 0 0 0 0 1 2 7 0 0 6 7 1 14 8 0 1 9 130 12 152 9 0 0 1 10 20 31 Total 1 3 16 147 33 200
Tingkat keakuratan klasifikasi sebesar 79.5%
Akar yang digunakan adalah kekuatan rasa setelah dirasakan Aktual Total 4 6 7 8 9 D uga a n 4 6 1 0 0 3 0 1 0 1 0 0 1 5 7 0 0 9 12 0 21 8 0 0 6 130 14 150 9 0 0 0 4 19 23 Total 1 3 16 147 33 200
Lampiran 5 Perubahan persentase peubah respon saat persentase setiap kategori pada peubah penjelas ditingkatkan menjadi 100%
Tingkat Kesukaan (Y) (%) Agak tidak suka (4) Agak suka (6) Lumayan suka (7) Sangat suka (8) Sangat suka sekali (9) Kondisi awal 0.5 1.5 8 73.5 16.5 Ditingkatkan menjadi 100% W ar na P rodu k Biasa saja(5) 0ꜜ 0ꜜ 0ꜜ 100ꜛ 0ꜜ Agak suka (6) 0ꜜ 16.67ꜛ 0ꜜ 83.33ꜛ 0ꜜ Lumayan suka (7) 1.52ꜛ 3.03ꜛ 18.18ꜛ 65.15ꜜ 12.12ꜜ Sangat suka (8) 17.15ꜛ 17.69ꜛ 21.19ꜛ 43.96ꜜ 16.95ꜛ Sangat suka sekali (9) 0ꜜ 0ꜜ 0ꜜ 44.44ꜜ 55.56ꜛ
K ekua ta n ar o m a p rodu k Biasa saja(5) 0ꜜ 100ꜛ 0ꜜ 0ꜜ 0ꜜ Agak suka (6) 20ꜛ 0ꜜ 0ꜜ 80ꜛ 0ꜜ Lumayan suka (7) 0ꜜ 1.79ꜛ 16.07ꜛ 62.5ꜜ 19.64ꜛ Sangat suka (8) 0ꜜ 0.81ꜜ 4.48ꜜ 81.45ꜛ 12.9ꜜ Sangat suka sekali (9) 0ꜜ 0ꜜ 7.14ꜜ 50ꜜ 35.71ꜛ
K et eb al an P rodu k
Sangat tidak Suka (2) 100ꜛ 0ꜜ 0ꜜ 0ꜜ 0ꜜ
Biasa saja (5) 0ꜜ 50ꜛ 0ꜜ 50ꜜ 0ꜜ
Agak suka (6) 0ꜜ 0ꜜ 0ꜜ 100ꜛ 0ꜜ
Lumayan suka (7) 0ꜜ 1.72ꜛ 15.52ꜛ 74.14ꜜ 8.62ꜜ Sangat suka (8) 0ꜜ 0.88ꜜ 6.14ꜜ 78.08ꜛ 14.91ꜛ
Sangat suka sekali (9) 0ꜜ 0ꜜ 0ꜜ 52.17ꜜ 47.83ꜜ
K el em -bua ta n Agak suka (6) 33.33ꜛ 0ꜜ 0ꜜ 32.33ꜜ 33.33ꜛ Lumayan suka (7) 0ꜜ 1.75ꜛ 14.04ꜛ 75.44ꜛ 8.77 Sangat suka (8) 0ꜜ 1.9ꜛ 7.62ꜜ 77.14ꜛ 13.33ꜜ Sangat suka sekali (9) 0ꜜ 0ꜜ 0ꜜ 62.86ꜜ 37.14ꜛ
R as a A si n
Agak tidak suka (4) 50ꜛ 0ꜜ 0ꜜ 50ꜜ 0ꜜ
Biasa saja (5) 0ꜜ 50ꜛ 0ꜜ 50ꜜ 0ꜜ
Agak suka (6) 0ꜜ 0ꜜ 20ꜛ 80ꜛ 0ꜜ
Lumayan suka (7) 0ꜜ 2.04ꜛ 18.37ꜛ 73.47ꜜ 6.12ꜜ Sangat suka (8) 0ꜜ 0.92ꜜ 4.59ꜜ 81.65ꜛ 12.84ꜜ Sangat suka sekali (9) 0ꜜ 0ꜜ 3.03ꜜ 48.48ꜜ 48.48ꜛ
K ekua ta n R as a S u su
Sama sekali tidak suka (1)
0ꜜ 0ꜜ 0ꜜ 33.33ꜜ 66.67
Sangat tidak suka (2) 0ꜜ 0ꜜ 0ꜜ 0ꜜ 100ꜛ
Lumayan tidak suka (3)
0ꜜ 0ꜜ 0ꜜ 0ꜜ 100ꜛ
Agak tidak suka (4) 25ꜛ 0ꜜ 0ꜜ 75ꜛ 0ꜜ
Biasa saja (5) 0ꜜ 0ꜜ 5.56ꜜ 88.89ꜛ 5.56ꜜ
Agak suka (6) 0ꜜ 0ꜜ 15.79ꜛ 73.68ꜛ 10.53ꜜ
Lumayan suka (7) 0ꜜ 4.05ꜛ 13.51ꜛ 70.27ꜜ 12.16ꜜ
Sangat suka (8) 0ꜜ 0ꜜ 1.56ꜜ 78.13ꜛ 20.31ꜛ
Sangat suka sekali (9) 0ꜜ 0ꜜ 6.67ꜜ 73.33ꜜ 20ꜛ
K el ez at an P rodu k Biasa saja (5) 50ꜛ 0ꜜ 0ꜜ 50ꜜ 0ꜜ Agak suka (6) 0ꜜ 25ꜛ 0ꜜ 75ꜛ 0ꜜ Lumayan suka (7) 0ꜜ 1.89ꜛ 16.98ꜛ 69.81ꜜ 11.32ꜜ Sangat suka (8) 0ꜜ 0.87ꜜ 5.22ꜜ 80ꜛ 13.91ꜜ
Sangat suka sekali (9) 0ꜜ 0ꜜ 3.85ꜜ 53.85ꜜ 42.31ꜛ
K ekua ta n R as a S et el ah di ra sa ka n Agak suka (6) 16.67ꜛ 0ꜜ 16.67ꜛ 50ꜜ 13.91ꜜ Lumayan suka (7) 0ꜜ 2.78ꜛ 12.5ꜛ 80.56ꜛ 4.17ꜜ Sangat suka (8) 0ꜜ 1ꜜ 5ꜜ 80ꜛ 14ꜜ
24
Lampiran 6 Kondisi peubah penjelas saat kategori lumayan suka (7) pada tingkat kesukaan (Y) ditingkatkan menjadi 100% (dalam persen)
