MAKALAH SEMINAR MATEMATIKA

HALAMAN JUDUL
PENERAPAN BAYESIAN NETWORK DALAM MEMPREDIKSI
MAHASISWA PENERIMA BEASISWA REKTOR

Oleh:
Komang Meike Diyantari
NIM 1513011017

Dosen Pembimbing :
Dr. I Nyoman Gita, M. Si.
NIP. 196208221989031001

PROGRAM STUDI S1 PENDIDIKAN MATEMATIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PENDIDIKAN GANESHA
SINGARAJA
2017
 LEMBAR PENGESAHAN

Makalah Seminar Matematika dengan judul “Penerapan Bayesian Network

dalam Memprediksi Mahasiswa Penerima Beasiswa Rektor”.
Makalah ini telah diseminarkan dan disetujui sebagai kelengkapan
melaksanakan seminar matematika pada:

Hari : Kamis
Tanggal : 28 Desember 2017

Dosen Penguji, Mahasiswa Pembahas,

Dr. I Putu Wisna Ariawan, M.Si. Mia Agustina Dewi

NIP.196805191993031001 1313011123

Mengetahui,
Dosen Pembimbing

Dr. I Nyoman Gita, M. Si.

NIP. 196208221989031001
 SURAT PERNYATAAN

Dengan ini, saya yang bertanda tangan di bawah ini:

Nama : Komang Meike Diyantari
NIM : 1513011017
Program Studi/Fakultas : S1 Pendidikan Matematika/ MIPA
Judul Makalah : Penerapan Bayesian Network dalam Memprediksi
Mahasiswa Penerima Beasiswa Rektor
menyatakan bahwa makalah atau karya tulis ini dengan seluruh isi dan
pengungkapannya memang benar tulisan asli saya sendiri dengan tidak melakukan
penjiplakan dan penyampaian dengan cara-cara yang tidak sesuai dengan kode
etik yang berlaku dalam masyarakat keilmuan dan HAKI (Hak Atas Kekayaan
Intelektual).
Atas pernyataan ini, saya siap menanggung sanksi yang dijatuhkan kepada
saya (mengganti topik dan mengulang ujian seminar) apabila kemudian ditemukan
adanya pelanggaran atas etika keilmuan dalam makalah saya ini, atau ada klaim
terhadap keaslian karya saya ini.

Singaraja, Desember 2017

Komang Meike Diyantari

NIM. 1513011017
 KATA PENGANTAR

Om Swastyastu
Puji syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa karena atas
berkat rahmat dan anugerah-Nya penulis dapat menyelesaikan makalah seminar
matematika tepat pada waktunya. Adapun judul makalah Seminar Matematika
yang penulis buat adalah “Penerapan Bayesian Network dalam Memprediksi
Mahasiswa Penerima Beasiswa Rektor”. Pada kesempatan ini penulis
mengucapkan terima kasih kepada:
1. Bapak Dr. I Nyoman Gita, M.Si. selaku dosen pembimbing dan dosen
pengampu mata kuliah seminar yang telah banyak membimbing serta
memotivasi penulis dalam pembuatan makalah ini.
2. Semua pihak yang telah membantu dalam penyusunan makalah ini.
Penulis menyadari bahwa makalah ini jauh dari sempurna, sehingga dengan
kerendahan hati penulis mohon maaf sebesar-besarnya jika ada kesalahan yang
terdapat dalam makalah ini dan penulis juga mengharapkan kritik dan saran yang
bersifat membangun dari para pembaca untuk lebih menyempurnakan makalah
ini. Semoga makalah ini bisa bermanfaat bagi semua pihak. Akhir kata penulis
sampaikan terimakasih atas perhatiannnya.
Om Santih, Santih, Santih, Om

Singaraja, 09 Desember 2017

Penulis

iv
 PENERAPAN BAYESIAN NETWORK DALAM MEMPREDIKSI
MAHASISWA PENERIMA BEASISWA REKTOR

Oleh:
Komang Meike Diyantari
NIM. 1513011017
Program Studi S1 Pendidikan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Pendidikan Ganesha

ABSTRAK
Bayesian Network adalah pemodelan graf yang terdiri dari sekumpulan node
yang merepresentasikan variabel acak dan panah yang menunjukkan keterkaitan
antar node. Struktur Bayesian Network terdiri dari dua komponen yaitu Direct
Acyclic Graph (DAG dan Conditional Probability Table (CPT). Bayesian
Network merupakan suatu graf yang memperlihatkan besar perubahan peluang
suatu variabel jika satu atau lebih variabel lain berubah. Bayesian Network dapat
digunakan untuk memprediksi probabilitas dan dapat digunakan sebagai alat
pengambilan keputusan untuk memperbaharui tingkat kepercayaan informasi.
Langkah dalam membangun struktur Bayesian Network adalah pertama membuat
graf dengan memperhatikan hubungan dari masing-masing node kemudian
menentukan nilai peluang dari masing-masing node. Salah satu penerapannya
yaitu dapat digunakan dalam memprediksi apakah seorang mahasiswa akan
menerima beasiswa atau tidak.

Kata Kunci: Bayesian Network

v
 DAFTAR ISI

HALAMAN JUDUL................................................................................................ i
LEMBAR PENGESAHAN ................................................................................... iii
SURAT PERNYATAAN....................................................................................... iii
KATA PENGANTAR ........................................................................................... iv
ABSTRAK .............................................................................................................. v
DAFTAR ISI .......................................................................................................... vi
DAFTAR GAMBAR ............................................................................................ vii
DAFTAR TABEL ................................................................................................ viii
BAB I PENDAHULUAN
1.1 Latar Belakang .......................................................................................... 1
1.2 Rumusan Masalah ..................................................................................... 3
1.3 Tujuan Penulisan ....................................................................................... 3
1.4 Manfaat Penulisan ..................................................................................... 3
1.5 Batasan Masalah ....................................................................................... 3
BAB II KAJIAN PUSTAKA
2.1 Teorema Bayes.......................................................................................... 4
2.2 Bayesian Network ..................................................................................... 5
2.3 Mutual Information ................................................................................... 9
BAB III PEMBAHASAN
3.1 Algoritma Membangun Struktur Bayesian Network............................... 10
3.2 Penerapan Metode Bayesian Network untuk Memprediksi Mahasiswa
Penerima Beasiswa Rektor ..................................................................... 11
BAB IV PENUTUP
4.1 Simpulan ................................................................................................. 19
4.2 Saran ....................................................................................................... 19
DAFTAR PUSTAKA

vi
 DAFTAR GAMBAR

Gambar 2.1 Contoh sederhana directed acyclic graph yang

menunjukkan hubungan antara variabel X dan variabel Y .................................... 6
Gambar 2.2 Contoh struktur Bayesian Network (CPT tidak ditampilkan) ........... 6
Gambar 2.3 Koneksi Serial ................................................................................... 7
Gambar 2.4 Koneksi Divergen .............................................................................. 7
Gambar 2.5 Koneksi Konvergen ........................................................................... 8
Gambar 3.1 Struktur Bayesian Network Penerima Beasiswa Rektor ................. 14

vii
 DAFTAR TABEL

Tabel 3.1 Data Penerima Beasiswa Rektor ......................................................... 12

Tabel 3.2 Pembobotan Data Penerima Beasiswa Rektor .................................. 13
Tabel 3.3 Perhitungan MI Setiap Kriteria ........................................................... 13
Tabel 3.4 Hasil Perhitungan Conditional Probability ........................................ 14
Tabel 3.5 Nilai Probabilitas Node Ekstrakulikuler ............................................. 15
Tabel 3.6 Nilai Probabilitas Node Semester ....................................................... 15
Tabel 3.7 Nilai Probabilitas Node Penghasilan Orang Tua................................. 15
Tabel 3.8 Nilai Probabilitas Node Lulus ............................................................. 15
Tabel 3.9 Nilai Probabilitas Node IPK................................................................ 15

viii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Menurut Kamus Besar Bahasa Indonesia, prediksi adalah hasil dari kegiatan
memprediksi atau meramal. Memprediksi berarti memperkirakan suatu kejadian
di masa yang akan datang berdasarkan pola atau kecenderungan yang pernah
terjadi sebelumnya pada kondisi yang sama. Kegiatan memprediksi yang ada saat
ini menerapkan berbagai pendekatan dengan menggunakan dukungan teknologi
yang ada. Salah satu pendekatan yang digunakan dalam memprediksi suatu
kejadian adalah dengan memanfaatkan teknologi data mining.
Data mining yaitu suatu teknologi untuk mengekstrasi atau menambang
pengetahuan dari data skala besar. Salah satu tujuan utama dalam data mining
adalah prediksi yaitu menemukan pola untuk memprediksi nilai dari suatu
variabel dengan melibatkan penggunaan beberapa variabel yang nilainya sudah
diketahui. Tugas dari data mining dikelompokkan ke dalam dua pendekatan yaitu
pendekatan prediktif dan pendekatan deskriptif. Salah satu tipe pemodelan pada
pendekatan prediktif adalah klasifikasi. Klasifikasi adalah proses menemukan
sekumpulan model (fungsi) yang dapat menjelaskan dan membedakan kelas-kelas
dari data atau konsep, dimana tujuan dari model tersebut adalah dapat digunakan
untuk memprediksikan kecenderungan data-data yang akan muncul di masa
depan. Contohnya yaitu decision tree classifier, neural network, dan Bayesian
Network.
Bayesian Network merupakan teori yang berasal dari teorema Bayes.
Bayesian Network (BN) adalah sebuah model grafik yang merepresentasikan
sebuah interaksi antar variabel. Bayesian Network memfasilitasi penalaran logis
dalam situasi ketidakpastian. Seperti penalaran untuk analisis, prediksi, diagnosis,
dan pengambilan keputusan. Bayesian Network merupakan suatu graf yang
memperlihatkan besar perubahan peluang suatu variabel jika satu atau lebih
variabel lain berubah. Bayesian Network adalah suatu graf yag digunakan untuk
mempresentasikan suatu kondisi yang tidak pasti. Graf tersebut terdiri dari dua
komponen yaitu Direct Acyclic Graph (DAG) yang disebut sebagai struktur, dan

1
Conditional Probability Table (CPT) sebagai parameter. Struktur Bayesian
Network dapat dibangun dari data, dengan menggunakan berbagai algoritma yang
secara umum dikelompokkan ke dua metode, yaitu metode search and scoring
dan metode dependency analysis, masing-masing metode ini memandang
Bayesian Network dari sudut yang berbeda. Pada metode search and scoring
dilakukan pencarian untuk mendapatkan struktur yang cocok dengan data, dimana
proses konstruksi dilakukan secara iteratif, dimulai dari sebuah graf tanpa edge
kemudian menggunakan metode pencarian untuk menambahkan sebuah edge pada
graf dan berhenti ketika tidak ada struktur baru yang lebih baik dari struktur
sebelumnya, sedangkan pada metode dependency analysis, Bayesian Network
dipandang sebagai sebuah struktur yang merepresentasikan sekumpulan
kebebasan kondisional diantara variabel. Hubungan kebebasan kondisional
tersebut dapat ditemukan dengan menggunakan pengujian statistik misalnya
mutual information.
Naïve Bayes adalah metode pengklasifikasin dengan peluang yang mirip
dengan Bayesian Network. Bayesian Network dan Naïve Bayes merupakan metode
pengklasifikasian yang berdasarkan pada penerapan teorema Bayes. Namun
Bayesian Network dan Naïve Bayes memiliki perbedaan dalam menangani
hubungan antar variabel. Naïve Bayes mengasumsikan bahwa setiap variabel
saling bebas atau independen, dengan kata lain pada Naïve Bayes mengabaikan
korelasi antar variabel, sedangkan Bayesian Network adalah metode yang mampu
menangani variabel yang dependen dengan menggunakan bantuan DAG. Secara
teknis Naïve Bayes merupakan kasus khusus dari model Bayesian Network.
Menurut penelitian yang dilakukan oleh Renaldo Malau mahasiswa Universitas
Sanata Dharma pada tahun 2015, menyatakan bahwa algoritma Bayesian Network
lebih akurat dibandingkan dengan algoritma Naïve Bayes.
Berdasarkan latar belakang di atas, penulis pada kesempatan ini akan
menyajikan informasi tentang algoritma untuk membangun struktur Bayesian
Network dan penerapan metode Bayesian Network untuk memprediksi calon
penerima beasiswa dalam suatu makalah yang berjudul “Penerapan Bayesian
Network dalam Memprediksi Mahasiswa Penerima Beasiswa Rektor”.

2
1.2 Rumusan Masalah
Berdasarkan pemaparan latar belakang di atas, maka dapat dirumuskan
masalah yaitu sebagai berikut.
1. Bagaimana algoritma untuk membangun struktur Bayesian Network?
2. Bagaimana penerapan metode Bayesian Network untuk memprediksi
mahasiswa penerima Beasiswa Rektor?

1.3 Tujuan Penulisan

Berdasarkan rumusan masalah tersebut, adapun tujuan penulisan makalah
ini yaitu sebagai berikut.
1. Untuk mengetahui bagaimana algoritma untuk membangun struktur
Bayesian Network.
2. Untuk mengetahui bagaimana penerapan metode Bayesian Network
untuk memprediksi mahasiswa penerima Beasiswa Rektor.

1.4 Manfaat Penulisan

Adapun manfaat penulisan dari makalah ini yaitu sebagai berikut.
1. Memberikan informasi kepada pembaca, mengenai metode Bayesian
Network.
2. Memberikan informasi kepada pembaca, mengenai proses penerapan
metode Bayesian Network untuk memprediksi mahasiswa penerima
Beasiswa Rektor.
3. Sebagai referensi untuk mengembangkan mengenai penerapan metode
Bayesian Network dalam bidang ilmu lainnya.

1.5 Batasan Masalah

Penulisan makalah ini bukan sebagai penelitian melainkan hanya terbatas
pada penyajian materi mengenai algoritma untuk membangun struktur Bayesian
Network dan penerapan metode Bayesian Network untuk memprediksi mahasiswa
penerima Beasiswa Rektor.

3
 BAB II
KAJIAN PUSTAKA

2.1 Teorema Bayes

Untuk mendapatkan probabilitas sebuah kejadian yang dipengaruhi oleh
kejadian lain (atau kejadian-kejadian lain) yang muncul sebelumnya, digunakan
probabilitas kondisional atau probabilitas marginal. Pada kejadian yang lebih
kompleks, untuk mencari kemungkinan penyebab yang diakibatkan oleh sebuah
kejadian digunakan Teorema Bayes.
Teorema Bayes dikemukakan pertama kali oleh Reverend Thomas Bayes
pada tahun 1763, yang kemudian disempurnakan kembali oleh Laplace. Teorema
Bayes menjelaskan tentang hubungan antara probabilitas terjadinya kejadian A
dengan syarat kejadian B telah terjadi, dan probabilitas terjadinya kejadian B
dengan syarat kejadian A telah terjadi. Teorema ini didasarkan pada prinsip bahwa
tambahan informasi dapat mengubah probabilitas.
Adapun rumus Teorema Bayes yaitu :

P( A Bn ) P( Bn )
P( Bn A)  n  1,2,3,..., N
P( A B1 ) P( B1 )  ...  P( A BN ) P( BN )

Dengan :
P( Bn ) : probabilitas prior, yaitu probabilitas berdasarkan informasi yang

ada.
P( A Bn ) : probabilitas transisi, yaitu probabilitas dimana terjadinya suatu

kejadian yang sudah didahului terjadinya kejadian lain

P( Bn A) : probabilitas posterior, yaitu probabilitas yang sudah diperbaiki

(probabilitas baru yang harus dilihat berdasarkan informasi yang

baru diketahui)

4
2.2 Bayesian Network
Definisi Bayesian Network menurut beberapa tokoh yakni, menurut
Heckerman (1995) “ A Bayesian Network is a graphical model that encodes
probabilistic relationships among variabel of interest”. Menurut Neapolitan,
Bayesian Network dapat mempresentasikan hubungan sebab akibat diantara
variabel-variabel yang terdapat pada struktur Bayesian Network. Menurut Korb
(2011) Bayesian Network adalah sebuah struktur grafis yang mempresentasikan
domain yang tidak pasti, node dalam Bayesian Network merepresentasikan
sekumpulan variabel acak. Bayesian Network menurut Vidakovic merupakan
directed acyclic graph (DAG) dimana node merepresentasikan variabel acak dan
arah panah menunjukkan ketergantungan. Berdasarkan beberapa definisi tersebut
dapat disimpulkankan bahwa Bayesian Network adalah pemodelan graf yang
terdiri dari sekumpulan node yang merepresentasikan variabel acak dan panah
yang menunjukkan keterkaitan antar node. Sebagai contoh, Bayesian Network
dapat mewakili hubungan antara penyakit dan gejala. Bayesian Network dapat
digunakan untuk menghitung probabilitas dari berbagai gejala penyakit dan dapat
digunakan sebagai alat pengambilan keputusan untuk memperbaharui tingkat
kepercayaan informasi.
Bayesian Network merupakan teori yang berasal dari teorema Bayes.
Bayesian Network (BN) adalah sebuah model grafik yang merepresentasikan
sebuah interaksi antar variabel. Bayesian Network merupakan suatu graf yang
memperlihatkan besar perubahan peluang suatu variabel jika satu atau lebih
variabel lain berubah. Bayesian Network digambarkan sebagai graf yang terdiri
dari node yang menunjukkan variabel acak dan panah yang menunjukkan
hubungan antar node. Misalkan terdapat node X dan node Y, jika terdapat panah
dari node X ke node Y maka ini menunjukkan variabel X ada pengaruhnya
terhadap variabel Y. Pengaruh ini dinyatakan dengan peluang bersyarat P(Y X ) .

Node X merupakan parent (induk) dari node Y, dan node Y adalah child (anak)
dari node X.

5
 X Y

Gambar 2.1 Contoh sederhana directed acyclic graph yang menunjukkan

hubungan antara variabel X dan variabel Y

Bayesian Network terdiri dari dua komponen yaitu komponen kualitatif dan
komponen kuantitatif. Komponen kualitatif berupa sebuah directed acyclic graph
(DAG) yang terdiri dari node yang menggambarkan suatu variabel acak dan anak
panah menggambarkan suatu probabilistic dependence. Komponen kuantitatif
berupa hubungan keterkaitan antar variabel yang ditunjukkan dengan conditional
probability untuk setiap variabel di dalam jaringan yang biasa disajikan dalam
bentuk tabel atau dikenal dengan conditional probability table (CPT). Jika node Y
tidak memiliki induk, maka tabel hanya berisi peluang prior yaitu P(Y). Jika node
Y hanya memiliki satu induk, misal node X, maka tabel berisi peluang bersyarat
P(Y X ) . Jika node Y memiliki banyak induk ( X1, X2, …, Xk), maka tabel akan

berisi peluang bersyarat P(Y X 1 , X 2 ,..., X k ) .

P( A) P(B)
A B

P(C A, B) C D
P ( D B)

P( E C )
F

P( F C, E)

Gambar 2.2 Contoh struktur Bayesian Network (CPT tidak ditampilkan)

6
2.2.1 Tipe Koneksi dalam Bayesian Network
1. Koneksi Serial
Ilustrasi tipe koneksi serial terlihat pada Gambar 2.3. Nilai node A akan
memengaruhi probabilitas node B dan nilai node B akan memengaruhi
probabilitas node C, demikian juga sebaliknya nilai node C akan memengaruhi
probabilitas node B dan nilai node B akan memengaruhi probabilitas node A.

A B C

Gambar 2.3 Koneksi Serial

Jelas terlihat bahwa evidence pada A akan mempengaruhi derajat kepastian
pada C. Dengan kata lain, evidence pada A mempengaruhi derajat kepastian pada
C melalui B. Namun, apabila B diberikan suatu evidence, maka hubungan antara
A dan C terputus (bloked) dan kedua variabel A dan C menjadi independen.
Kondisi ini menyebabkan A d-separated dengan C karena B diketahui nilainya.
Dengan kata lain informasi dapat mengalir dari A ke C apabila nilai B belum atau
tidak diketahui.
2. Koneksi Divergen
Pengaruh atau informasi dapat mengalir pada semua jalur yang ada dari A
ke setiap node anaknya kecuali diberikan sebuah evidence kepada A. Evidence
pada A akan menyebabkan jalur-jalur yang berada pada node anak A akan
terputus/terblok. Dengan demikian, perubahan derajat kepastian pada B tidak
akan mempengaruhi derajat kepastian baik pada C maupun pada node anak A
lainnya. Kondisi tersebut menyebabkan B,C,D,…,F d-separated karena nilai
A diketahui. Hal ini terlihat pada Gambar 2.4.

B F
C D E

Gambar 2.4 Koneksi Divergen

7
 3. Koneksi Konvergen
D
C E
B
F

Gambar 2.5 Koneksi Konvergen

Gambar 2.5 merupakan ilustrasi dari tipe koneksi konvergen. Jika tidak ada
informasi yang diketahui pada node A, maka informasi diantara node-node parent
dari A, yaitu B, C, …,F akan independen, sehingga nilai yang berada pada node-
node parent tersebut tidak akan mempengaruhi probabilitas node-node lain.
Tetapi ketika nilai dari A diketahui maka node-node parent A akan menjadi saling
tergantung, yaitu nilai untuk node-node parent akan mempengaruhi probabilitas
node parent yang lain.

2.2.2 Kaidah Aturan Berantai (Chain Rule)

Istilah kaidah aturan rantai atau chain rule dalam Bayesian Network
digunakan untuk merepresentasikan joint probability distribution (JPD) yang
terdapat pada struktur Bayesian Network dengan n variabel. Jika keseluruhan dari
variabel atau node yang terdapat pada struktur Bayesian Network diwakili oleh U,
maka JPD P(U) adalah perkalian dari semua probabilitas bersyarat yang terdapat
pada struktur, yaitu:
P(U )   P( Ai pa( Ai )) , dimana pa( Ai ) merupakan node parent dari Ai .
i

Sebagai contoh, JPD dari struktur Bayesian Network pada Gambar 2.2
adalah
P(U )  P( A, B, C , D, E , F )

 P( A)  P( B)  P(C A, B)  P( D B)  P( E C)  P( F C, E)

8
2.2.3 Conditional Independence dan d-Separation
Conditional independence atau bebas bersyarat dinotasikan dengan
I ( X , Y Z ) yang menunjukkan bahwa variabel X dan Y disebut bebas bersyarat

jika nilai dari variabel Z diketahui. Variabel X dan Y akan saling bebas
berdasarkan Z jika memenuhi persamaan P( X Y , Z )  P( X Z ) . Persamaan

tersebut menunjukkan bahwa jika nilai dari variabel Z diketahui maka tidak ada
informasi dari Y yang akan mempengaruhi probabilitas dari variabel X. Contoh
dari hubungan bebas bersyarat dapat dilihat pada Gambar 2.2, node A, C, dan F.
Node A dan node F dikatakan bebas bersyarat jika nilai dari node C telah
diketahui.
Sedangkan d-separation merupakan bagian dari konsep bebas bersyarat.
Node X dikatakan d-separation dengan node Y oleh node Z, jika semua jalur yang
menghubungkan node X ke node Y diblok oleh node Z.

2.3 Mutual Information

Dalam teori probabilitas dan teori informasi, mutual information dari dua
variabel acak merupakan nilai ukur yang menyatakan ketertarikan atau
ketergantuangan antara kedua variabel tersebut. Secara formal, mutual
information antara dua variabel A dan B dapat didefinisikan dengan persamaan
berikut.
 P( A, B) 
MI ( A, B)  P( A, B) 2 log  
 P( A)  P( B) 
P(A,B) adalah joint probability distribution dari A dan B, P(A) dan P(B)
adalah marginal probability distribution A dan B. MI ( A, B) bernilai nol jika dan
hanya jika variabel A dan B merupakan variabel yang saling bebas atau
independent.

9
 BAB III
PEMBAHASAN

3.1 Algoritma Membangun Struktur Bayesian Network

Adapun langkah-langkah dalam mengkontruksi Bayesian Network yaitu
sebagai berikut :
1. Mengindentifikasi variabel dan kerterkaitannya, yaitu mempresentasikan
node sebagai variabel yang memiliki nilai probabilitas dan panah yang
dihubungkan dengan node menunjukkan hubungan antar variabel yang
mempengaruhi maupun dipengaruhi. Sehingga terbentuk graf asiklik yang
merupakan keseluruhan dari jaringan Bayesian Network yang disebut
dengan directed acyclic graph (DAG). Bayesian Network dipandang sebagai
sebuah struktur yang merepresentasikan sekumpulan kebebasan kondisional
diantara variabel. Hubungan kebebasan kondisional tersebut dapat
ditemukan dengan menggunakan pengujian statistik salah satunya mutual
information (MI). Adapun rumus dari MI yaitu
 P( A, B) 
MI ( A, B)  P( A, B) 2 log  
 P( A)  P( B)  ....................................... (1)

Dimana P ( A, B ) 
 min( A, B) .................................................... (2)
N

P ( A) 
 ( A) , dan P( B)   ( B) .............................................. (3)
N N
Apabila nilai MI lebih dari 0 selanjutnya akan ditentukan arah relasi dari
node-node tersebut. Untuk menentukan arah relasi antara dua node dari
struktur BN yang akan dibangun dapat menggunakan hasil perhitungan
conditional probability sebagai berikut
P( A, B) P( A, B)
P( A B)  dan P( B A)  ................................... (4)
P( B) P( A)

Jika P( A B) > P( B A) , maka relasi dari node B ke node A, begitu

sebaliknya. Namun jika P( A B) = P( B A) maka terdapat dua kemungkinan

relasi yaitu dari node B ke node A dan dari node A ke node B.

10
 2. Menentukan probabilitas setiap node, Bayesian Network didasari dengan
pendekatan statistik yaitu dengan teorema Bayes. Dalam teorema ini
digunakan conditional probability yang merupakan peluang suatu kejadian
A dengan syarat kejadian B sudah terjadi sebelumnya yang dinotasikan
dengan P( A B) . Selain itu, terdapat juga joint probability yang merupakan

probabilitas terjadinya kejadian A dan B yang dinotasikan dengan P( A  B)

atau P ( A, B ) .

3.2 Penerapan Metode Bayesian Network untuk Memprediksi Mahasiswa

Penerima Beasiswa Rektor
Dalam dunia pendidikan masalah yang kerap dihadapi oleh seseorang yaitu
masalah ekonomi. Masalah ini sering mengakibatkan seseorang akan putus
sekolah. Padahal memperoleh pendidikan adalah salah satu hak manusia yang
paling mendasar. Menyadari permasalahan tersebut pemerintah berupaya
memberikan bantuan sehingga semua orang mendapatkan peluang untuk
memperoleh pendidikan salah satu upaya tersebut adalah dengan adanya program
beasiswa.
Salah satunya program beasiswa yang ditawarkan oleh Universitas
Pendidikan Ganesha yaitu Beasiswa Rektor. Beasiswa Rektor ditunjukkan kepada
mahasiswa kurang mampu tetapi memiliki prestasi dalam akedemik atau non
akademik. Beasiswa Rektor sangat bermanfaat bagi masyarakat khususnya
mahasiswa Universitas Pendidikan Ganesha demi kelangsungan pendidikan.
Untuk mendapatkan beasiswa tersebut calon penerima beasiswa harus
memenuhi kriteria-kriteria yang ditentukan. Kriteria tersebut seperti nilai IPK,
penghasilan orang tua, semester, keaktifan dalam organisasi atau ekstrakulikuler
dan lain-lain. Namun dalam melakukan seleksi beasiswa tersebut seringkali
mengalami kesulitan dikarenakan banyak pelamar beasiswa dan banyaknya
kriteria-kriteria yang digunakan untuk menentukan keputusan penerima beasiswa
agar sesuai dengan yang diharapkan. Untuk mengatasi permasalahan tersebut
dapat digunakan metode Bayesian Network untuk memprediksi peluang apakah
pelamar beasiswa tersebut akan memperoleh beasiswa atau tidak.
Adapun data penerima beasiswa rektor yaitu disajikan pada tabel berikut.

11
 Tabel 3.1 Data Penerima Beasiswa Rektor

Mengikuti Penghasilan
No Semester IPK >3 Keputusan
Ekstrakulikuler Orang Tua
1 1 Ya Ya  1 Juta Lulus
2 5 Ya Tidak  1 Juta Lulus
3 1 Tidak Ya  1 Juta Tidak Lulus
4 1 Ya Tidak  1 Juta Lulus
5 3 Tidak Tidak >1 Juta Tidak Lulus
6 3 Ya Ya >1 Juta Lulus
7 5 Ya Tidak >1 Juta Tidak Lulus
8 5 Ya Tidak  1 Juta Lulus
9 5 Ya Ya  1 Juta Lulus
10 1 Tidak Tidak >1 Juta Tidak Lulus
11 1 Ya Tidak >1 Juta Tidak Lulus
12 1 Ya Tidak >1 Juta Tidak Lulus
13 3 Ya Ya  1 Juta Lulus
14 5 Tidak Ya >1 Juta Tidak Lulus
15 1 Tidak Tidak  1 Juta Tidak Lulus
16 3 Ya Tidak  1 Juta Lulus
17 1 Ya Tidak  1 Juta Lulus
18 1 Ya Tidak  1 Juta Lulus
19 5 Tidak Tidak >1 Juta Tidak Lulus
20 3 Ya Ya  1 Juta Lulus

3.2.1 Membangun Struktur Bayesian Network untuk Data Penerima

Beasiswa Rektor
Sesuai algoritma yang sudah dijelaskan sebelumnya langkah yang pertama
yaitu membuat struktur graf dari Bayesian Network. Adapun langkah awal yaitu
pemberian bobot dari masing-masing kriteria yakni:
1 1 0 
a) Kriteria Semester dengan bobot nilai  , , 
1 3 5 
1 0 
b) Kriteria IPK >3 dengan bobot nilai  , 
 Ya Tidak 
1 0 
c) Kriteria Mengikuti Ekstrakulikuler dengan bobot nilai  , 
 Ya Tidak 
 1 0 
d) Kriteria Penghasilan Orang Tua dengan bobot nilai  , 
  1Juta  1Juta 
 1 0 
e) Kriteria Keputusan dengan bobot nilai  , 
 Lulus TidakLulus 

12
 Hasil pembobotan sebagai berikut.
Tabel 3.2 Pembobotan Data Penerima Beasiswa Rektor
No Semester IPK >3 Mengikuti Penghasilan Keputusan
Ekstrakulikuler Orang Tua
1 1 1 1 1 1
2 0 1 0 1 1
3 1 0 1 1 0
4 1 1 0 1 1
5 1 0 0 0 0
6 1 1 1 0 1
7 0 1 0 0 0
8 0 1 0 1 1
9 0 1 1 1 1
10 1 0 0 0 0
11 1 1 0 0 0
12 1 1 0 0 0
13 1 1 1 1 1
14 0 0 1 0 0
15 1 0 0 1 0
16 1 1 0 1 1
17 1 1 0 1 1
18 1 1 0 1 1
19 0 0 0 0 0
20 1 1 1 1 1
Σ 14 14 7 12 11

Selanjutnya menghitung nilai dari MI sebagai berikut.

Tabel 3.3 Perhitungan MI Setiap Kriteria
P(Node
P(Node P(Node MI(Node 1,
Node 1 Node 2 1, Node
1) 2) Node 2)
2)
Semester IPK 0,7 0,7 0,5 0,0146
Semester Ekstrakulikuler 0,7 0,35 0,25 0,0073
Semester Penghasilan 0,7 0,6 0,4 -0,0282
Semester Lulus 0,7 0,55 0,35 -0,0481
IPK Ekstrakulikuler 0,7 0,35 0,25 0,0073
IPK Penghasilan 0,7 0,45 0,25 -0,0834
IPK Lulus 0,7 0,55 0,5 0,1885
Ekstrakulikuler Penghasilan 0,35 0,3 0,05 -0,0535
Ekstrakulikuler Lulus 0,35 0,55 0,2 0,0110
Penghasilan Lulus 0,6 0,55 0,35 0,0297

13
 Nilai kolom P(Node 1) dan P(Node 2) dapat dicari dengan persamaan (3). Untuk
kolom P(Node 1, Node 2) menggunakan persamaan (2) dan nilai kolom MI(Node
1, Node 2) menggunakan persamaan (1). Setelah diperoleh nilai MI dari masing-
masing node, selanjutnya ditentukan node-node yang memiliki relasi yaitu dengan
syarat MI(Node 1, Node 2) >0. Berdasarkan tabel diatas maka node-node yang
memiliki relasi adalah Semester-IPK, Semester-Ekstra, IPK-Ekstra, IPK- Lulus,
Ekstra-Lulus, dan Penghasilan-Lulus. Selanjutnya yaitu memnentukan arah dari
relasi yang memiliki hubungan detentukan dengan menghitung nilai conditional
probability dengan menggunakan persamaan (4).
Tabel 3.4 Hasil Perhitungan Conditional Probability
P( Node1 Node2) P( Node2 Node1)
Node 1 Node 2 Arah Relasi

Semester IPK 0,714 0,714 SemesterIPK

Semester Ekstra 0,714 0,357 EkstraSemester
IPK Ekstra 0,714 0,357 EkstraIPK

IPK Lulus 0,909 0,714 LulusIPK

Ekstra Lulus 0,364 0,571 EkstraLulus

Penghasilan Lulus 0,636 0,583 LulusPenghasilan

Dengan perhitungan dan analisis di atas maka diperoleh struktur Bayesian

Network dari data tersebut sebagai berikut.

Ekstra

Semester Lulus

IPK Penghasilan

Gambar 3.1 Struktur Bayesian Network Penerima Beasiswa Rektor

14
 Langkah selanjutnya yaitu menentukan nilai probabilitas dari masing-
masing node. Adapun nilai probabilitas tersebut sebagai berikut.
Tabel 3.5 Nilai Probabilitas Node Ekstrakulikuler
Ekstra
P(E) 0,35

Tabel 3.6 Nilai Probabilitas Node Semester

Semester
P(𝑆|𝐸) 0,714
P(𝑆|~𝐸) 0,692

Tabel 3.7 Nilai Probabilitas Node Penghasilan Orang Tua

Penghasilan
P(𝑃|𝐿) 0,909
P(𝑃|~𝐿) 0,222

Tabel 3.8 Nilai Probabilitas Node Lulus

Lulus
P(𝐿|𝐸) 0,714
P(𝐿|~𝐸) 0,462

Tabel 3.9 Nilai Probabilitas Node IPK

IPK
P(𝐼|𝑆, 𝐸, 𝐿) 1
P(𝐼|𝑆, 𝐸, ~𝐿) 0
P(𝐼|𝑆, ~𝐸, 𝐿) 1
P(𝐼|𝑆, ~𝐸, ~𝐿) 0,4
P(𝐼|~𝑆, 𝐸, 𝐿) 1
P(𝐼|~𝑆, 𝐸, ~𝐿) 0
P(𝐼|~𝑆, ~𝐸, 𝐿) 1
P(𝐼|~𝑆, ~𝐸, ~𝐿) 1

15
3.2.2 Contoh Pengambilan Keputusan Menggunakan Bayesian Network
Pada sub bab sebelumnya telah diperoleh struktur dari Bayesian Network
baik itu graf asiklik yang mempresentasikan keterkaitan antar node/kriteria
maupun CPT dari masing-masing node/kriteria dari data penerima beasiswa
rektor. Struktur inilah yang dapat digunakan untuk memprediksi suatu keputusan
apabila ada seorang pelamar ingin mengajukan lamaran penerimaan beasiswa
rektor.
Berikut akan disajikan tiga kasus prediksi untuk menentukan seseorang akan
lulus menerima beasiswa (L) atau tidak (~𝐿).
1. Kasus 1 : Tanpa informasi awal
Kasus ini belum ada informasi yang diketahui dari pelamar. Jadi untuk
dapat memprediksi dia akan lulus atau tidak dapat ditentukan dengan
membandingkan nilai probabilitas lulus (L) dengan tidak lulus (~𝐿). Nilai
m
probabilitasnya dapat diperoleh dengan dengan rumus P( xi )   P( xi , y j ) .
j i

Sehingga nilai dari

P(L) = P(𝐿|𝐸) × 𝑃(𝐸) + 𝑃(𝐿|~𝐸) × 𝑃(~𝐸)
= 0,714 × 0,35 + 0,462 × 0,65
= 0,55
P(~𝐿)= 1- P(L) = 1- 0,55 = 0,45
Dari hasil tersebut maka dapat disimpulkan bahwa setiap orang lebih besar
kemungkinannya untuk menerima beasiswa rektor.

2. Kasus 2 : Penghasilan Orang tua

Pada kasus ini diketahui seseorang yang akan melamar memiliki orang tua
dengan penghasilan di bawah atau sama dengan 1 juta. Sebelum dapat
menghitung nilai probabilitas pelamar tersebut lulus atau tidak, terlebih dahulu
dicari nilai probabilitas penghasilan orag tua di bawah atau sama dengan 1 juta
(P(P)), yang dapat ditentukan dengan cara
P(P) = 𝑃(𝑃|𝐿) × 𝑃(𝐿) + 𝑃(𝑃|~𝐿) × 𝑃(~𝐿)
= 0,909 × 0,55 + 0,222 × 0,45
= 0,6

16
 Selanjutanya nilai probabilitas seorang pelamar lulus jika diketahui
penghasilan orang tua di bawah atau sama dengan 1 juta diperoleh sebagai berikut
𝑃(𝑃|𝐿) ×𝑃(𝐿)
𝑃(𝐿|𝑃) = 𝑃(𝑃)
0,909×0,55
= 0,6

= 0,883
P(~𝐿|𝑃)= 1- 𝑃(𝐿|𝑃)= 1- 0,883 = 0,167
Jadi dari hasil perhitungan tersebut dapat disimpulkan bahwa pelamar
dengan orang tua yang penghasilannya di bawah atau sama dengan 1 peluang
untuk lulus itu lebih besar.

3. Kasus 3 : IPK tinggi dan mengikuti Ekstrakulikuler

Dalam kasus ini diketahui pelamar tersebut memiliki IPK di atas 3 dan dia
aktif mengikuti ekstrakulikuler, sehingga untuk peluang dia lulus atau tidak dapat
ditentukan dengan mencari nilai dari 𝑃(𝐿|𝐼, 𝐸). Sebelum itu dicari terlebih dahulu
nilai dari P(I). Untuk mencari nilai P(I) akan dicari terlebih dahulu nilai dari P(S)
sebagai berikut.
P(S) = 𝑃(𝑆|𝐸) × 𝑃(𝐸) + 𝑃(𝑆|~𝐸) × 𝑃(~𝐸)
= 0,714 × 0,35 + 0,692 × 0,65
= 0,7
P(~𝑆)= 1- P(S) = 1- 0,7 = 0,3
Selanjutya untuk nilai probabilitas dari I yaitu dimana 𝛾 ∈ 𝑌𝑎, 𝑇𝑖𝑑𝑎𝑘,
P(I) = ∑𝛾 𝑃(𝐼|𝑆 = 𝛾, 𝐸 = 𝛾, 𝐿 = 𝛾)𝑃(𝑆 = 𝛾)𝑃(𝐸 = 𝛾)𝑃(𝐿 = 𝛾)
= (1 x 0,7 x 0,35 x 0,55) + 0 + (1 x 0,7 x 0,65 x 0,45) + (0,4 x 0,7 x
0,65 x 0,45) + (1 x 0,3 x 0,35 x 0,55) + 0 + (0,67 x 0,3 x 0,65 x 0,55)
+ (1 x 0,3 x 0,65 x 0,45)
= 0,6839
P(~𝐼)= 1- P(I) = 1- 0,6839 = 0,3161
Setelah nilai P(I) diperoleh, akan dicari nilai dari 𝑃(𝐿|𝐼, 𝐸) yaitu nilai
probabilitas pelamar lulus jika diketahui pelamar memiliki nilai IPK di atas 3 dan
aktif mengikuti ekstrakulikuler yaitu,
𝑃(𝐼|𝐿)×𝑃(𝐿|𝐸)
𝑃(𝐿|𝐼, 𝐸) = ∑𝛾 𝑃(𝐼|𝐿=𝛾)×𝑃(𝐿|𝐸=𝛾)

17
 1×0,714
= 1×0,714+0×0,286

=1
Jadi dapat disimpulkan bahwa apabila pelamar memiliki nilai IPK di atas 3
dan aktif mengikuti ekstrakulikuler pelamar sangat berpeluang untuk lulus atau
menerima beasiswa rektor.

18
 BAB IV
PENUTUP

4.1 Simpulan
Berdasarkan pembahasan pada bab sebelumnya, dapat disimpulkan hal-hal
sebagai berikut.
a. Bayesian Network adalah suatu graf yang digunakan untuk
mempresentasikan suatu kondisi yang tidak pasti. Bayesian Network
merupakan suatu graf yang memperlihatkan besar perubahan peluang
suatu variabel jika satu atau lebih variabel lain berubah. Graf tersebut
terdiri dari dua komponen yaitu Direct Acyclic Graph (DAG dan
Conditional Probability Table (CPT).
b. Metode Bayesian Network merupakan salah satu metode yang dapat
digunakan untuk mempermudah dalam mengambil keputusan. Bayesian
Network dapat digunakan untuk memprediksi peluang suatu kejadian
apabila kejadian lain diketahui. Salah satu penerapannya yaitu dalam
memprediksi keputusan yang diperoleh oleh pelamar beasiswa rektor.
Dengan Bayesian Network seseorang dapat mengetahui besar peluang ia
lulus atau tidak lulus.

4.2 Saran
Pembahasan yang dikaji dalam makalah seminar ini adalah bagaimana
langkah dalam membuat struktur Bayesian Network dan bagaimana penerapan
dalam memprediksi mahasiswa yang menerima beasiswa rektor. Apabila pembaca
ingin mengkaji lebih lanjut tetang topik yang serupa, maka disarankan
kembangkanlah mengenai penerapan Bayesian Network dalam kasus lainnya.

19
 DAFTAR PUSTAKA

Heckerman, David. 1995. A Tutorial on Learning With Bayesian Network.

Tersedia di
<http://ft-sipil.unila.ac.id/dbooks/(ebook-pdf)%20-%20Mathematics%20-
%20A%20Tutorial%20On%20Learning%20Bayesian%20Networks.pdf>
(Diakses 20 Oktober 2017)
Korb, Kevin B dan Nicholson, Ann E. 2001. Bayesian Artificial Intelligence
(Second Edition). New York: CRC Press Taylor& Francis Group
Malau, Renaldo. 2015. Skripsi : Perbandigan Akurasi Algoritma Naïve Bayes
Classifier dan Algorita Bayesian Belief Network dalam Mengklasifikasi
Mahasiswa Universitas Sanata Dharma Program Studi Teknik Informatika.
Universitas Sanata Dharma : Jurusan Teknik Informatika. Tersedia di
< https://repository.usd.ac.id/4371/ > (Diakses 19 Oktober 2017).
Michael Siregar, Ivan. 2008. Tesis: Analisis Pemanfaatan Sequential Pattern
untuk Menentukan Node Ordering pada Algoritma Konstruksi Struktur
Bayesian Network. Institut Teknologi Bandung: Sekolah Teknik Elektro dan
Informatika. Tersedia di
<digilib.itb.ac.id/files/disk1/627/jbptitbpp-gdl-ivanmichae-31306-1-2008ts-
r.pdf>. (Diakses pada 21 November 2017)
Richard E. Neapolitan. (2004). Learning Bayesian Network. USA : Prentice Hall
Series in Artificial Intelligence, Pearson
Supranto. 2008. Statitik Teori dan Aplikasi. Jakarta : PT. Gelora Aksara Pratama