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
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.
80
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 preprocessor 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
http://www.cs.ualberta.ca/~jcheng/bnsoft.htm.
download
pada
alamat
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.
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. Cuplikan tampilan antar muka GeNie/SMILE dapat dilihat pada Gambar A.2.
82
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.
83
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.
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()
Public
showMenu()
public
showFormUtama
Public
showFormKonfigurasi ( FormKonfigurasi frmkonfig)
Public
showFormVisualisasi (FormVisualisasiBN frmVis)
Public
showFormPrediksi ( FromPrediksiKelas frmPrediksi)
Public
C.2.
Daftar atribut dan Operasi Kelas FormKonfigurasi Nama Atribut
Tipe
Visibility
NeighborHoodNode
Private
Collection
AllAdjacencyPathNode
Private
Collection
CutSet
Private
Collection
strConnection
Private
String
ListArc
Private
Collection
ListArcAdjacency
Private
Collection
TotalRecord
Private
Integer
IntPairNode
Private
Integer
TargetClass
Private
String
Nodes[]
Private
String
TableName
Private
String
Threshold
Private
Double
FieldCollection
Private
Collection
PairsNode[]
Private
PairNode
Nama Operasi
Visibility
Return Type
CI_XXX(vStrSQL : String, vTotalRecord : Integer)
Private
Single
AdjacencyPath(vNodeA:String,vNodeB:String)
Private
Boolean
ExistsAllAdjacencyPathNode(vA:String, vB:String)
Private
Boolean
FindNeighborNode(vNode : String)
Private
Collection
IsExistNode(list : Collection, vNode : String)
Private
Boolean
SetAdjacencyAndNeighbor(L1:Collection,L2:Collection) Private
Collection
EdgeNeeded_H(C :Collection,Tres :Double, vNodeA:
Private
Boolean
TraceAdjacencyPath(vNodeA : String, vNodeB:String)
Private
Boolean
SetPairsNode()
Private
StepONE_TPDA()
Private
StepTWO_TPDA()
Private
SetArrayField( vTabelName : String )
Private
String, vNodeB : String)
C.3.
Daftar atribut dan Operasi Kelas FormVisBNChart Nama Atribut
Visibility
Tipe
ListNode
Private
Collection
Node
Private
NodeBN
Nama Operasi
Visibility
showBayesNetBarchart()
Private
showCPT(Child : NodeBN, Parent :NodeBN)
Private
C.4.
Return Type CPT
Daftar atribut dan Operasi Kelas FormVisBNCircle Nama Atribut
Visibility
Tipe
ListNode
Private
Collection
Node
Private
NodeBN
Nama Operasi
Visibility
showBayesNetCircleNode()
Private
showCPT(Child : NodeBN, Parent :NodeBN)
Private
C.5.
Return Type CPT
Daftar atribut dan Operasi Kelas FormPrediksiKelas Nama Atribut
Data
Visibility Private
Nama Operasi
Visibility
setPrediction()
Private
getPrediction()
Private
Tipe TableBank
Return Type
86
C.6.
Daftar atribut dan Operasi Kelas NodeBN Nama Atribut
Visibility
Tipe
NodeName
Private
String
NodeModel
Private
Boolean
NodeParentName[]
Private
String
NodeChildName[]
Private
String
intParent
Private
Integer
intChild
Private
Integer
Data
Private
NodeStateProb
mCPT
Private
CPT
Nama Operasi
Visibility
setCPT
Private
<
> ParentCount(i : Integer)
Private
<> ParentCount()
Private
<> ParentName(i : Integer, s String)
Private
<> ParentCount()
Private
<> ChildCount(i : Integer)
Private
<> ChildCount()
Private
<> ChildName(i : Integer, s String)
Private
<> ChildCount()
Private
<<Set>> DataNode(f : NodeStateProb)
Private
<> DataNode()
Private
<> Name ( s : String)
Private
<> Name()
Private
<> BarModel( bar : Boolean)
Private
<> BarModel()
Private
C.7.
Return Type
Integer
Integer
Integer
Integer
NodeStateProb
String
Boolean
Daftar atribut dan Operasi Kelas NodeStateProb Nama Atribut
Visibility
Tipe
Name
Private
String
intState
private
Integer
intRec
Private
Integer
State[]
Private
String
Prob[]
Private
Single
87
Nama Operasi
Visibility
<> ArraySize( I : Integer )
Private
<> ArraySize()
Private
<> TotalRecState(I : Integer, jlRec: Integer)
Private
<> TotalRecState(i:Integer) : Integer
Private
<> ProbabilityState(I : Integer, Prob : Single)
Private
<> ProbabilityState(I : Integer)
Private
<> StateValue(I : Integer, Value : String)
Private
<> StateValue(I : Integer)
Private
C.8.
Return Type Integer
Integer
Single
Daftar atribut dan Operasi Kelas DataTabel Nama Atribut
Tipe
Visibility
Sex
Private
String
Age
private
String
Salary
private
String
Balance_Q1
private
String
Balance_Q2
private
String
Balance_Q3
private
String
Balance_Q1
private
String
Productive
private
String
Trans_Q1
private
String
Trans _Q2
private
String
Trans_Q3
private
String
Trans _Q1
private
String
Active
private
String
C.9.
Daftar atribut dan Operasi Kelas CPT Nama Atribut
Visibility
Tipe
ParentName
Private
String
ChildName
Private
String
ParentState
Private
String
intParentState
Private
Integer
ChildState
Private
String
intChildState
Private
Integer
88
Probability
Private
Nama Operasi
Visibility
<> ParentNode(s : String)
Private
<> ParentNode()
Private
<> ChildNode(s : String)
Private
<> ChildNode()
Private
<> StateParentCount(i : Integer)
Private
<> StateParentCount()
Private
<> StateParent(i : Integer, s : String)
Private
<> StateParent(i : Integer)
Private
<> StateChildCount(i : Integer)
Private
<> StateChildCount()
Private
<> StateChild(i : Integer, s : String)
Private
<> StateChild(i : Integer)
Private
SIngle
Return Type String
String
Integer
String
Integer
String
C.10. Daftar atribut dan Operasi Kelas Temp_PairNode Nama Atribut
Visibility
Tipe
NodeA
Public
String
NodeB
Public
String
ArcKey
Public
String
Flag
Public
Boolean
C.11. Daftar atribut dan Operasi Kelas PairNode Nama Atribut
Visibility
Tipe
NodeA
Private
String
NodeB
private
String
ExistEdge
private
Boolean
CI
private
Single
89
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.
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
91
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 atributattribut yang terdapat pada FormPrediksiKelas.
92
Lampiran E. Rancangan Antar Muka E.1.
Rancangan Antar Muka Form Konfigurasi.
E.2.
Rancangan Antar Muka Form Utama dan Menu
E.3.
Rancangan Antar Muka Form Visualisasi BN Circle Node
E.4.
Rancangan Antar Muka Form Visualisasi BN Bar chart Node
E.5.
Rancangan Antar Muka Form CPT untuk setiap Node
E.6.
Rancangan Antar Muka Form untuk memprediksi kelas target.
