APLIKASI BAGGING UNTUK MENINGKATKAN KETEPATAN KLASIFIKASI PADA REGRESI MULTINOMIAL LOGISTIK

Abstract

INGKASAN Aplikasi Bagging Untuk Meningkatkan Ketepatan Klasifikasi Pada Regresi Multinomial Logistik; Nurul Aqiqi, 081810101044; 2013; 54 halaman; Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Jember. Regresi logistik Metode pengklasifikasian dengan menggunakan metode regresi logistik akan memberikan pendugaan parameter yang tidak stabil, karena jika terdapat perubahan pada data menyebabkan perubahan yang signifikan pada model. Untuk memperoleh parameter yang lebih stabil pada model regresi logistik digunakan pendekatan bootstrap. Dari bootstrap pada data nantinya akan didapat suatu parameter, setiap parameter akan diaggregat dengan melakukan rata-rata untuk mendapakan model baru. Metode bootstrap yang seperti ini dinamakan bagging

Penelitian dilakukan dalam beberapa langkah. Langkah pertama mendapatkan model regresi multinomial logistik tanpa bagging, dihitung ketepatan klasifikasinya. Langkah kedua mendapatkan model bagging pada regresi multinomial logistik dengan jumlah replikasi bootstrap sebanyak 30 kali, 50 kali dan 100 kali, kemudian dihitung ketepatan klasifikasinya. Akan dibandingkan antara model tanpa bagging dan model dengan bagging pada regresi multinomial logistik untuk mengetahui seberapa besar peningkatkan ketepatan klasifikasi khusus pada data mammography experience study. Berdasarkan hasil penelitian menunjukkan bahwa semakin besar jumlah replikasi bootstrap maka semakin besar ketepatan klasifikasinya. Ketepatan klasifikasi yang terbesar merupakan model regresi multinomial logistik yang terbaik. Sehingga terpilih model regresi multinomial logistik yang terbaik pada data dengan replikasi bootstap 100 kali yaitu sebesar 58,98%.