PERBANDINGAN METODE NAÏVE BAYES DAN EQUIVALENCE CLASSES DALAM MENENTUKAN STRUKTUR BAYESIAN NETWORK
Main Article Content
Abstract
Bayesian Network merupakan model yang termasuk dalam klasifikasi bayes, dimana metode ini mengasumsikan bahwa nilai variabel independen memiliki ketergantungan dengan nilai variabel lain. Bayesian Network memiliki keunggulan yaitu dapat memodelkan hubungan antar variabel dengan menggunakan graf atau semacam penggambaran alur hubungan antar variabel. Terdapat beberapa metode yang digunakan untuk menentukan struktur bayesian network. Metode pembentukan struktur jaringan Bayesian network pada penelitian ini adalah metode naïve bayes dan equivalence classes. Kedua metode pembentukan struktur ini diterapkan untuk klasifikasi kelayakan peminjaman dana Usaha Kecil Mikro Menengah (UMKM). Pada struktur metode naïve bayes variabel dependen menjadi pusat dari variabel independen sedangkan pada struktur metode equivalence classes setiap variabel memiliki hubungan antar variabel lain. Hasil pengujian dari metode naïve bayes dan equivalence classes dalam pembentukan struktur Bayesian network secara rata-rata adalah metode equivalence classes 79,53% dan naïve bayes 80,93%.
Downloads
Article Details
- Hak publikasi atas semua materi naskah jurnal yang diterbitkan/dipublikasikan dalam situs e-Jurnal POSITIF ini dipegang oleh dewan redaksi dengan sepengetahuan penulis (hak moral tetap milik penulis naskah).
- Ketentuan legal formal untuk akses artikel digital jurnal elektronik ini tunduk pada ketentuan lisensi Creative Commons Attribution-ShareAlike (CC BY-SA), yang berarti Jurnal POSITIF berhak menyimpan, mengalih media/format-kan, mengelola dalam bentuk pangkalan data (database), merawat, dan mempublikasikan artikel tanpa meminta izin dari Penulis selama tetap mencantumkan nama Penulis sebagai pemilik Hak Cipta.
- Naskah yang diterbitkan/dipublikasikan secara cetak dan elektronik bersifat open access untuk tujuan pendidikan, penelitian, dan perpustakaan. Selain tujuan tersebut, dewan redaksi tidak bertanggung jawab atas pelanggaran terhadap hukum hak cipta.
References
Jiawei Han, M. K. (2012). Data Mining Concepts and Techniques Third Edition. Dalam M. K. Jiawei Han, Data Mining Concepts and Techniques Third Edition (hal. 394-397).
Purwadi, I. (2009). Penerapan Bayesian Network Dalam Penetapan Daerah Tertinggal. Penerapan Bayesian Network Dalam Penetapan Daerah Tertinggal.
Prasetyo, E. (2012). Data Mining: Mengolah Data Menjadi Informasi Menggunakan Matlab. Yogyakarta: CV.ANDI.
Jouffe. (2008). BayesiaLab Online Help. Diambil kembali dari BayesiaLab: http://www.bayesia.com/Result_Analysis//B ayesiaLab-_satisfaction-_poll-_analysis_BA K.pdf
https://www.slideshare.net/hendrikarisma/bayes-belief-network
Khoerudin, Asep, Aji Hamim Wigena, dan Anang Kurnia (2011). Analisis Tingkat Kesukaan Konsumen dengan Metode Bayesian Network (Studi Kasus Produk Biskuit).
Frendy, I. (2014). Pembentukan Model Credit Scoring Dengan Menggunakan Metode Bayesian Network: Studi Kasus Permohonan Aplikasi Kredit Pemilikan Rumah (KPR).
https://achmatim.net/2017/03/19/mengukur-kiner ja-algoritma-klasifikasi-dengan-confusion- matrix/.
https://cs.ipb.ac.id/~yeni/files/ai/Kuliah%2012% 20%20Bayesian%20Network%20print.pdf.