Perpustakaan Digital ITB

Bayesian Network (BN) Mining biasanya dilakukan dari data mentah berupa data relasional, namun pada Tugas Akhir ini dikaji bagaimana melakukan ekstraksi BN dari data multi-dimensional. BN dapat digunakan untuk melakukan fungsi prediktif pada data mining, yaitu klasifikasi. Penyimpanan data dalam model multi-dimensional semakin banyak dilakukan oleh perusahaan, salah satunya dalam bidang marketing. Proses klasifikasi dengan BN dimulai dengan mengkonstruksi struktur BN (DAG) dari data. Dari DAG yang dibangun dilakukan identifikasi markov blanket dari node kelas dan kemudian dibangun tabel nilai probabilitas (CPT) dari markov blanket tersebut. Pada bidang marketing, fungsi klasifikasi pada BN dapat digunakan untuk menentukan pemilihan media periklanan, yaitu media cetak atau media elektronik. Konstruksi struktur BN dilakukan dengan menggunakan perangkat lunak yang tersedia di Program Studi Teknik Informatika, yaitu BANETA. Namun, BANETA hanya dapat mengkonstruksi struktur BN dari data relasional saja. Oleh karena itu, data multi-dimensional yang digunakan sebagai studi kasus harus diubah dulu ke dalam data relasional. Pengubahan tersebut dapat dilakukan dengan melakukan query terhadap data yang dibutuhkan pada proses mining ke dalam sebuah tabel Microsoft Access 2003. Setelah konstruksi struktur berhasil dilakukan, dikembangkan perangkat lunak BantMart yang mampu melakukan klasifikasi pemilihan media periklanan. Data yang digunakan sebagai data masukan pada perangkat lunak yang dikembangkan pada Tugas Akhir ini berjumlah 5032 record, dan dibagi menjadi dua bagian, yaitu training set dan test set. Training set digunakan untuk pembelajaran (pembangunan DAG) dan test set digunakan untuk melakukan pengujian. Proporsi perbandingan keduanya adalah 4:1, dipilih demikian agar dapat meningkatkan kualitas pembelajaran sehingga model (DAG) yang dihasilkan dapat merepresentasikan data dengan baik. Pada pengujian, dilakukan 54 eksperimen yang merupakan jumlah seluruh kemungkinan variasi nilai masukan user pada variabel markov blanket dari kelas media. Hasil pengujian menunjukkan tingkat akurasi sebesar 90.47 %. Dari Tugas Akhir ini dapat disimpulkan bahwa dalam melakukan klasifikasi pada BN, pembangunan DAG dan CPT saja tidaklah cukup. Bagian terpenting dari klasifikasi adalah markov blanket. Melakukan ekstraksi BN dari data mentah berupa data multi-dimensional menggunakan perangkat lunak konstruksi BN yang sudah dikembangkan dapat dilakukan dengan mengubah mengubah data multi-dimensional menjadi data relasional. Tingkat akurasi pada BantMart menunjukkan bahwa BN dapat melakukan klasifikasi dengan baik