Perpustakaan Digital ITB

Knowledge discovery in data (KDD) adalah proses mencari dan menemukan pengetahuan yang bermanfaat dari kumpulan data, dan data mining adalah salah satu prosesnya. Data mining adalah teknologi untuk mengekstrak pola yang bermanfaat dengan dua pendekatan yaitu prediktif dan deskriptif. Pada pendekatan prediktif, Bayesian network (BN) adalah teknik pada klasifikasi yang dibangun dengan konsep d-separation. Beberapa algoritma konstruksi struktur BN membutuhkan node ordering (NO). Pada pendekatan deskriptif, sequential pattern (SP) adalah salah satu teknik asosiasi, yang merepresentasikan urutan waktu terjadinya peristiwa. Tujuan penelitian adalah melakukan kajian korelasi SP dan NO, dan secara secara khusus pemanfaatan SP sebagai informasi NO pada algoritma konstruksi struktur BN. NO dengan notasi (n1,n2,n3,n4,...ni) dan SP dengan notasi memiliki kesamaan dalam penulisan notasi dan urutan kemunculan, yang menjadi dasar hipotesis bahwa SP dapat dimanfaatkan sebagai NO. Dalam algoritma konstruksi struktur BN, NO berperan saat menentukan cut set yang tepat sehingga jumlah pengujian conditional independency (CI test) dapat dikurangi. SP memanfaatkan konsep frequent itemset dalam menemukan sequence. Penelitian yang difokuskan pada karakteristik serta peran dari NO dan SP menunjukkan bahwa bahwa NO merepresentasikan informasi temporal dan kausalitas, sedangkan SP hanya merepresentasikan informasi temporal. SP dapat dimanfaatkan untuk mempersempit ruang pencarian dalam menentukan NO. SP dapat juga dimanfaatkan sebagai NO namun pada SP harus ditambahkan uji kausalitas sehingga SP merepresentasikan informasi temporal dan kausal. Sebagai kesimpulan, dinyatakan bahwa secara matematis SP adalah himpunan bagian dari NO. Dalam konteks konstruksi struktur BN, SP dapat dimanfaatkan sebagai NO namun tidak memadai. Penelitian lebih lanjut dapat dilakukan dalam dynamic Bayesian network yang merepresentasikan informasi temporal.