Articles

Found 4 Documents
Search

Model Multinomial Bayesian Network pada Data Simulasi Curah Hujan

STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 12, No 2 (2012)
Publisher : Program Studi Statistika Unisba

Show Abstract | Original Source | Check in Google Scholar

Abstract

Bayesian Networks is one of simple Probabilistic Graphical Models are built from theory of bayes probability and graph theory. Probability theory Is directly related to data while graph theory directly related to the form representation to be obtained. Multinomial Bayesian Network method is one method that involves the influence of spatial linkages suggest a link between rainfall observation stations. The objective of this study was seek the result of  the model probabilistic a graph Multinomial Bayesian Network and apply it in forecasting with Oldeman classification based on one or two rainfall stations are known. This research uses simulated data for 14 stations respectively each 300 sets of data. The data generated is normal distribution of data based on parameters that have been determined and classified using the classification Oldeman. Bayesian Network structure constructed using the K2 algorithm. Markov chain transition matrix is formed based on the Bayesian of the nodes are directional. Model of Multinomial Bayesian Network was established based on Markov transition matrices. The result of probability model can predict the probability of rainfall in some stations based on one or two rainfall stations are known, which is a model graph with 14 nodes and 13 arcs.

Model Multinomial Bayesian Network pada Data Simulasi Curah Hujan

STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 12, No 2 (2012)
Publisher : Program Studi Statistika Unisba

Show Abstract | Original Source | Check in Google Scholar | Full PDF (309.321 KB)

Abstract

Bayesian Networks is one of simple Probabilistic Graphical Models are built from theory of bayesprobability and graph theory. Probability theory Is directly related to data while graph theory directlyrelated to the form representation to be obtained. Multinomial Bayesian Network method is onemethod that involves the influence of spatial linkages suggest a link between rainfall observationstations. The objective of this study was seek the result of the model probabilistic a graphMultinomial Bayesian Network and apply it in forecasting with Oldeman classification based on oneor two rainfall stations are known. This research uses simulated data for 14 stations respectively each300 sets of data. The data generated is normal distribution of data based on parameters that havebeen determined and classified using the classification Oldeman. Bayesian Network structureconstructed using the K2 algorithm. Markov chain transition matrix is formed based on the Bayesianof the nodes are directional. Model of Multinomial Bayesian Network was established based onMarkov transition matrices. The result of probability model can predict the probability of rainfall insome stations based on one or two rainfall stations are known, which is a model graph with 14 nodesand 13 arcs.

Aplikasi Klasifikasi Algoritma C4.5 (Studi Kasus Masa Studi Mahasiswa Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Mulawarman Angkatan 2008)

Informatika Mulawarman : Jurnal Ilmiah Ilmu Komputer Vol 12, No 1 (2017): Volume 12 Issue 1 February 2017
Publisher : Mulawarman University

Show Abstract | Original Source | Check in Google Scholar | Full PDF (110.541 KB)

Abstract

Klasifikasi merupakan pengelompokkan sampel berdasarkan ciri-ciri persamaan dan perbedaan dengan menggunakan variabel target sebagai kategori. Pohon Keputusan adalah pohon klasifikasi yang digunakan sebagai prosedur penalaran untuk mendapatkan jawaban dari masalah yang dimasukkan. Penelitian ini membahas tentang pohon keputusan yang dibentuk menggunakan Algoritma C4.5 untuk mengklasifikasi masa studi mahasiswa FMIPA UNMUL angkatan 2008. Algoritma C4.5 merupakan pohon klasifikasi non biner di mana cabang pohon bisa lebih dari dua. Dalam Algoritma C4.5, pohon keputusan dibentuk berdasarkan kriteria entropy. Berdasarkan hasil penelitian dalam klasifikasi masa studi mahasiswa FMIPA UNMUL angkatan 2008 (102 data) diperoleh 16 aturan yang terbentuk. Dari hasil klasifikasi yang telah dilakukan diperoleh ketepatan akurasi untuk data training (75 data) adalah 100 % dan untuk data testing (27 data) adalah 72,4 %.

Penerapan Hierarchical Clustering Metode Agglomerative pada Data Runtun Waktu

Jambura Journal of Mathematics Vol 1, No 2 (2019): Articles in Press
Publisher : Jambura Journal of Mathematics

Show Abstract | Original Source | Check in Google Scholar

Abstract

Analisis cluster merupakan seperangkat metode yang digunakan untuk mengelompokkanobjek ke dalam sebuah cluster berdasarkan informasi yang ditemukan pada data. Analisiscluster dapat diterapkan pada data runtun waktu, di mana terdapat prosedur dan algoritmapengelompokkan yang berbeda dibandingkan dengan pengelompokkan data cross-section.Banyak teknik pengelompokkan data runtun waktu yang dikembangkan di antaranya adalahpenggunaan jarak pengukuran kemiripan yang sesuai dengan karakteristik data runtunwaktu, pemilihan algoritma pengelompokkan yang optimal sampai dengan penentuanbanyaknya cluster yang representatif. Tujuan dari penelitian adalah untuk memperoleh jarakpengukuran kemiripan terbaik, kemudian memperoleh algoritma pengelompokkan metodeagglomerative yang optimal serta memperoleh jumlah cluster yang representatif. Pemilihanjarak pengukuran kemiripan terbaik dan algoritma yang optimal menggunakan koefisienkorelasi cophenetic, sedangkan untuk penentuan jumlah cluster menggunakan koefisiensilhouette. Data pada penelitian adalah data jumlah penduduk Kabupaten/Kota di ProvinsiKalimantan Timur dari Tahun 2005-2017. Berdasarkan hasil analisis, diperoleh jarakpengukuran kemiripan terbaik dalam mengelompokkan Kabupaten/Kota di ProvinsiKalimantan Timur adalah jarak autocorrelation based distance (ACF) dengan nilai koefisienkorelasi cophenetic sebesar 0,99. Algoritma pengelompokkan yang optimal adalah algoritmaaverage linkage, dikarenakan memiliki nilai koefisien korelasi cophenetic yang terbesar diantaraalgoritma pengelompokkan lainnya, dengan jumlah cluster yang representatif berdasarkankoefisien silhouette adalah 2 cluster.