| dc.description.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%. | en_US |
