SOC Press, Indonesia Symposium on Computing (IndoSC) 2016

Font Size: 
Learning Struktur Bayesian Networks menggunakan Novel Modified Binary Differential Evolution pada Klasifikasi Data
Azmi Hafizha Rahman Zainal Arifin, Muhammad Syahrul Mubarok, Adiwijaya Adiwijaya


Full Text: PDF

Abstract


Bayesian Networks merupakan salah satu metode pemodelan probabilitas pada Probabilistic Graphical Models. Bayesian Networks terdiri dari nodes yang merepresentasikan variabel pada masalah yang dikaji dan edges yang merepresentasikan relasi dependensi antar node. Pada masalah yang sederhana, struktur Bayesian Networks biasanya ditentukan oleh ahli di bidang masalah tersebut atau berasal dari intuisi alami manusia. Perancangan struktur Bayesian Networks secara manual ini akan sulit dilakukan apabila kasus yang dikaji merupakan kasus yang kompleks yang memiliki sangat banyak node dan sangat banyak kemungkinan edges yang menghubungkannya. Pada penilitian ini, dilakukan pengujian dan analisa terhadap proses pencarian struktur Bayesian Networks menggunakan algoritma Novel Modified Binary Differential Evolution. Novel Modified Binary Differential Evolution merupakan algoritma optimasi permasalahan diskrit dengan representasi solusi berbentuk biner yang merupakan pengembangan dari algoritma Differential Evolution. Hasil pengujian terhadap data Alarm, Asia, Carpo, Insurance, dan Water masing-masing diperoleh skor BDeu sebesar -1973.77, -243.68, -2450.54, -2024.17, dan -1621.90.

Reference


[1] Koller, D., & Friedman, N. (2009). Probabilistic graphical models: principles and techniques. MIT press.

[2] Xing-Chen, H., Zheng, Q., Lei, T., & Li-Ping, S. (2007, April). Learning bayesian network structures with discrete particle swarm optimization algorithm. In Foundations of Computational Intelligence, 2007. FOCI 2007. IEEE Symposium on (pp. 47-52). IEEE.

[3] Wang, L., Fu, X., Mao, Y., Menhas, M. I., & Fei, M. (2012). A novel modified binary differential evolution algorithm and its applications. Neurocomputing, 98, 55-75. Crossref

[4] Bartlett, M., & Cussens, J. (2013). Advances in Bayesian network learning using integer programming. arXiv preprint arXiv:1309.6825.

[5] B. Malone, "Scoring Functions for Learning Bayesian Networks," Lecture notes of Probabilistic Graphical Models at Department of Computer Science University of Helsinki, 2014.

[6] J. Cussens and M. Bartlett, "Globally Optimal Bayesian Network learning using Integer Linear Programming," [Online]. Available: https://www.cs.york.ac.uk/aig/sw/gobnilp/.

[7] Beinlich, I. A., Suermondt, H. J., Chavez, R. M., & Cooper, G. F. (1989). The ALARM monitoring system: A case study with two probabilistic inference techniques for belief networks (pp. 247-256). Springer Berlin Heidelberg. Crossref

[8] Lauritzen, S. L., & Spiegelhalter, D. J. (1988). Local computations with probabilities on graphical structures and their application to expert systems. Journal of the Royal Statistical Society. Series B (Methodological), 157-224.

[9] Jensen, F. V., Kjærulff, U., Olesen, K. G., & Pedersen, J. (1989). Et forprojekt til et ekspertsystem for drift af spildevandsrensning (an expert system for control of waste water treatment—a pilot project). Technical report.

[10] Binder, J., Koller, D., Russell, S., & Kanazawa, K. (1997). Adaptive probabilistic networks with hidden variables. Machine Learning, 29(2-3), 213-244. Crossref

Last modified: 2016-11-02