Perpustakaan Digital ITB

Pada Tugas Akhir ini dilakukan parameter learning Bayesian Network (BN) yang mengakomodasi permasalahan missing values atau data tidak lengkap dengan menggunakan metode Robust Association Rules (RAR). RAR merupakan metode penanganan missing values pada association rule mining. Metode ini telah berhasil diterapkan pada algortima TPDA* untuk melakukan structure learning pada BN. BN merupakan model grafis untuk menggambarkan hubungan kausalitas. Parameter learning pada Tugas Akhir ini dilakukan dengan menggunakan algoritma active learning dan memanfaatkan struktur network hasil implementasi TPDA*. Setelah parameter BN dibangun, kemudian dikembangkan aplikasi klasifikasi dengan teknik BN. Proses parameter learning dimulai dengan menganalisis konsep BN serta algoritma active learning untuk melakukan parameter learning pada BN. Selanjutnya dilakukan analisis untuk mengidentifikasi modifikasi algoritma active learning sehingga dapat mengakomodasi permasalahan missing values dalam proses parameter learning BN. Setelah itu, dilakukan analisis proses klasifikasi dengan teknik BN. Hasil analisis kemudian dimplementasikan ke dalam sebuah perangkat lunak bernama BROMOclassifier. Hasil implementasi kemudian diujikan dengan menggunakan dataset Fire Network, Asia Network, dan Alarm Network yang mengandung missing values dalam jumlah 5%, 10%, 20%, 30%, 40%, dan 50%. Hasil pengujian menunjukkan bahwa fungsionalitas perangkat lunak berjalan dengan baik serta rata-rata akurasi hasil klasifikasi pada kasus uji berkisar antara 62,5%-100%. Hal yang dapat disimpulkan dari pengerjaan Tugas Akhir ini adalah bahwa penerapan metode RAR pada proses parameter learning BN untuk penanganan missing values memberikan hasil klasifikasi yang cukup baik.