• Tidak ada hasil yang ditemukan

PERBANDINGAN METODE REGRESI LOGISTIK ORDINAL DENGAN JARINGAN SYARAF TIRUAN FUNGSI RADIAL BASIS

N/A
N/A
Protected

Academic year: 2021

Membagikan "PERBANDINGAN METODE REGRESI LOGISTIK ORDINAL DENGAN JARINGAN SYARAF TIRUAN FUNGSI RADIAL BASIS"

Copied!
51
0
0

Teks penuh

(1)

LOGO

PERBANDINGAN METODE REGRESI

LOGISTIK ORDINAL DENGAN JARINGAN

SYARAF TIRUAN FUNGSI RADIAL BASIS

Studi Kasus: Klasifikasi Rumahtangga

Miskin Kota Pasuruan Tahun 2008

SEMINAR THESIS PROGRAM MAGISTER - JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA)

Oleh

YENITA MIRAWANTI NRP. 1310201705 DOSEN PEMBIMBING

(2)

OUTLINE

1. PENDAHULUAN

2. TINJAUAN PUSTAKA

3. METODOLOGI PENELITIAN

4. HASIL DAN PEMBAHASAN

(3)

PENDAHULUAN (1)

LATAR BELAKANG:

Kemiskinan merupakan salah satu tolak

ukur keberhasilan pembangunan di suatu

wilayah.

Pentingnya data kemiskinan sebagai

salah satu acuan penentuan kebijakan

pemerintah.

Ketepatan sasaran dalam penentuan arah

kebijakan pemerintah dalam pengentasan

kemiskinan

(4)

PENDAHULUAN (2)

1. Bagaimana mendapatkan

metode yang paling optimal untuk

mengklasifikasikan ruta miskin

menggunakan metode regresi

logistik ordinal dan JST fungsi radial basis

RUMUSAN

MASALAH

2. Bagaimana menentukan suatu rumahtangga dalam kategori miskin melalui program aplikasi

(5)

PENDAHULUAN (3)

TUJUAN

PENELITIAN

1. Membandingkan klasifikasi ruta miskin dengan metode regresi

logistik ordinal dan metode radial basis function dengan pendekatan k-mean kluster. 2. Membuat GUI untuk mempermudah pengguna

(6)

PENDAHULUAN (4)

1. Memberikan informasi tentang kemiskinan sampai

tingkat rumahtangga

3. Menambah wawasan penulis terutama tentang regresi Logistik dan

RBF Neural Nerwork

MANFAAT

PENELITIAN

(7)

TINJAUAN PUSTAKA (1)

WORLD

BANK

Kemiskinan absolut adalah seseorang yang hidup

dengan pendapatan dibawah USD $1 per hari

WORLD BANK

Kemiskinan menengah adalah seseorang yang hidup

dengan pendapatan dibawah USD $2 per hari

BAPPENAS Kemiskinan adalah ketidakmampuan seseorang dalam memenuhi kebutuhannya (lebih pada kebutuhan dasar seseorang)

(8)

TINJAUAN PUSTAKA (2)

BPS

Mendefinisikan garis kemiskinan sebagai nilai rupiah yang harus dikeluarkan seseorang dalam sebulan agar dapat memenuhi kebutuhan dasar asupan kalori sebesar 2.100 kkal/hari per kapita (garis kemiskinan makanan) ditambah kebutuhan minimum non makanan yang merupakan kebutuhan dasar seseorang, yaitu papan, sandang, sekolah, dan transportasi serta kebutuhan individu dan

rumahtangga dasar lainnya (garis kemiskinan non makanan).

(9)

TINJAUAN PUSTAKA (3)

FAKTOR INTERNAL 1.Kesakitan 2.Kebodohan 3.Ketidaktahuan 4.Ketidakterampilan 5.Ketertinggalan Tehnologi 6. Ketidakpunyaan modal

1

FAKTOR EKSTERNAL 1.Struktur sosial ekonomi

2. Nilai dan unsur budaya yang kurang 3. Kurangnya akses untuk memanfaat kan fasilitas pembangunan

2

PENYEBAB KEMISKINAN

(menurut BKKBN)

(10)

TINJAUAN PUSTAKA (4)

BPS

Adat & Budaya

suatu daerah Struktural (miskin karena mereka miskin)

PENYEBAB KEMISKINAN

(11)

TINJAUAN PUSTAKA (5)

Text • IRM= indeks rumah tangga miskin • Si = skor variabel ke-i • Wi =penimbang setiap variabel Dimana: Menghasil kan interval 1-3 semakin tinggi nilai indeks, semakin miskin kondisi rumahtangga yang bersangkutan CONTOH PERHITUNGAN KEMISKINAN (SENSUS MISKIN JAWA TIMUR 2001

(12)

TINJAUAN PUSTAKA (6)

PSE0514 variabelberdasar karakteristik rumahtanggasemakin tinggi nilai IRM, semakin miskin rumahtangga tersebut PPLS08 CONTOH PERHITUNGAN KEMISKINAN PSE & PPLS

Wi=bobot variabel terpilih Xi=skor variabel

IRM= indeks rumahtangga

memperbarui database PSE05memperbarui beberapa informasi kepala rumah tangga (KRT)menambah data anggota rumah tangga (art)

(13)

TINJAUAN PUSTAKA (7)

NEURAL NETWORK

Biasa disebut Jaringan Syaraf Tiruan (JTS) adalah suatu sistem

pemrosesan informasi yang memiliki karakteristik

mirip dengan

jaringan syaraf biologi (Jek Siang, 2004).

JTS mempunyai struktur yang sangat komplek dan

mempunyai

kemampuan yang luar biasa mirip dengan

jaringan syaraf otak

pada manusia.

Otak manusia terdiri dari banyak neuron yang akan menyampaikan

sinyal. Dengan banyaknya neuron-neuron, membuat otak bisa

mengenali pola, menyelesaikan perhitungan, melakukan kontrol

terhadap gerak tubuh dengan cepat yang bahkan tidak bisa dilakukan

oleh komputer.

(14)

TINJAUAN PUSTAKA (8)

Gambar 2.1

Struktur sederhana sebuah neuron pada otak manusia

Fausset mengemukakan bahwa bahwa proses

informasi pada neural network memiliki kesamaan

(15)

TINJAUAN PUSTAKA (9)

Asumsi pada neural network:

1. Pemrosesan informasi terjadi karena banyaknya

elemen-elemen sederhana yang disebut sebagai

neuron.

2. Sinyal yang diterima/dikirimkan diantara

neuron-neuron terjadi melalui perantara/penghubung.

3. Setiap penghubung yang menghubungkan neuron satu

dengan lainnya mempunyai bobot/weight yang

berguna untuk memperkuat/memperlemah sinyal

yang dikirim.

4. Untuk mendapatkan output, setiap neuron

mempunyai fungsi aktivasi pada sinyal input yang

diterima.

(16)

TINJAUAN PUSTAKA (10)

Arsitektur jaringan

Metode training/learning/

algoritma

Fungsi aktivasi

3 karakteristik

yang harus ada

(17)

TINJAUAN PUSTAKA (11)

Gambar 2.2

Model Neuron McCulloh-Pitt (a) Biological neuron (b) Mathematical model

(18)

TINJAUAN PUSTAKA (12)

(a)Adalah skema untuk jaringan neuron biologi

(b)Adalah model matematis yang disusun oleh

McCulloh-Pitt

Dimana:

x

i

adalah neuron ke-i th

w

i

adalah bobot/weight pada penghubung neuron ke-i th

w = (w

1

, ..., w-

ji

)

T

dan x = (x

1

, ..., x

ji

)

T

θ adalah treshold atau bias

Ji adalah banyaknya input

(19)

TINJAUAN PUSTAKA (13)

RADIAL BASIS FUNCTION (RBF)

Jaringan radial basis mempunyai satu hidden layer dengan fungsi

aktivasi radial basis dan lapisan output dengan fungsi aktivasi purelin

Jaringan syaraf radial basis biasanya membutuhkan jumlah neuron yang

lebih banyak daripada jaringan feedforward (Kusumadewi,2004).

(20)

TINJAUAN PUSTAKA (14)

SIFAT-SIFAT RBF:

Pemrosesan dari input ke hiden layer bersifat non linier

sedangkan dari hiden ke output bersifat linier

Fungsi aktifasi pada hiden layer menggunakan gaussian dan

pada output adalah purelin

Pada output unit sinyal dijumlahkan dengan metode

Ordinary Least Square.

Sifat jaringan satu arah (tidak bolak-balik seperti pada

FFNN)

(21)

TINJAUAN PUSTAKA (15)

Gambar 2.3

(22)

TINJAUAN PUSTAKA (16)

K-mean cluster pada RBF

Salah satu cara untuk mendapatkan parameter yang

optimal pada metode rbf adalah dengan menentukan

kombinasi yang tepat antara jumlah variabel, dan node pada

hidden layer

Salah satu metode untuk mendapatkan jumlah node

digunakan metode k-mean kluster. Keuntungan dari metode

ini adalah kita bisa langsung mendapatkan nilai pusat yaitu

mean dan radius yaitu standart deviasi dari setiap variabel

pada setiap node.

(23)

TINJAUAN PUSTAKA (17)

REGRESI LOGISTIK ORDINAL

variabel respon lebih dari dua kategori dan memiliki tingkatan

(Hosmer dan Lemeshow 1989),

contoh: kecil-sedang-besar

rumus matematis:

dimana:

j=0,1,2,...l dengan l adalah jumlah kategori variabel respon

β

ok

= 0

k= 0,1,2,...,p,

( ) 1 ( ) 0

(

| )

( )

j j g x j g x j

e

P Y

j x

p x

e

=

=

=

=

(24)

PENGUJIAN PARAMETER SECARA SERENTAK

dilakukan untuk mengetahui apakah variabel prediktor berpengaruh

terhadap pembentukan model secara bersama-sama.

Hipotesis dari uji ini adalah:

Statistik uji yang digunakan adalah uji Rasio Likelihood (G)

Hipotesis nol ditolak jika

G > X2

(db,).

TINJAUAN PUSTAKA (18)

0 1 2 1

:

...

0

:

0

k k

H

H

minimal ada satu nil

a

a

a

ai

a

β

β

β

β

=

= =

=

2 1 0 2 ln L G L   = −    

(25)

TINJAUAN PUSTAKA (19)

PENGUJIAN PARAMETER SECARA PARSIAL

dilakukan untuk mengetahui apakah variabel prediktor berpengaruh

nyata terhadap variabel responnya.

Hipotesis dari uji ini adalah:

Statistik uji yang digunakan adalah uji Wald (W)

Hipotesis nol ditolak jika

0 1

:

0

:

0

k k

H

H

β

β

=

  2 ( ) k k k W SE β β   =    2 ( ,1) k W > X α

(26)

TINJAUAN PUSTAKA (20)

PROSEDUR KLASIFIKASI

Penentuan kesalahan pengklasifikasian dapat diketahui melalui tabel

klasifikasi sebagai berikut :

Actual membership Predicted membership Total

n11 n12 n13 A

n21 n22 n23 B

n31 n32 n33 C

(27)

METODOLOGI (1)

METODE PENGUMPULAN DATA

1. Program Pendataan Perlindungan Sosial Tahun 2008

(PPLS08) merupakan pemutakhiran/ updating data

Rumahtangga Bantuan Langsung Tunai tahun 2005.

Berbeda dengan data karakteristik kemiskinan secara

makro, penentuan rumahtangga miskin tidak didasarkan

pada pendekatan nilai konsumsi perkapita rumahtangga,

tetapi lebih kepada karakteristik rumahtangga itu sendiri.

2. Pada PPLS08 ini memungkinkan adanya penghapusan,

penggantian atau penambahan rumahtangga sasaran

yang belum masuk pada PSE 2005

(28)

METODOLOGI (2)

METODE PENELITIAN

1. Inventarisasi dan persiapan data

Dalam tahap ini penulis menginventarisir data baik itu

data pokok maupun data pendukung yang akan berguna

dalam penyusunan penelitian.

2. Pemilihan variabel

Pemilihan variabel didasarkan pada ketersediaan data

dan berdasarkan tinjauan pustaka dan studi literatur.

(29)

METODOLOGI (3)

DIAGRAM ALUR PENELITIAN

Star

Data rumahtangga

Melakukan Klasifikasi dengan regresi logistik

Melakukan klasifikasi dengan RBFNN dengan algoritma K-Mean

Menghitung misklasifikasi Menghitung misklasifikasi

Melakukan n-cross validasi

(30)

METODOLOGI (4)

VARIABEL PENELITIAN

Variabel respon yang digunakan:

Y = Klasifikasi rumahtangga miskin hasil PPLS 2008 yang terdiri dari: 1 = sangat miskin

2 = miskin

3 = hampir miskin  Variabel prediksinya adalah:

1. Luas lantai

2. Jenis dinding rumah 3. Sumber air minum 4. Penerangan

5. Bahan bakar

6. Frekuensi makan dalam sehari

7. Kemampuan berobat ke puskesmas/polilinik 8. Lapangan pekerjaan kelapa rumahtangga 9. Pendidikan kepala rumahtangga

10. Kepemilikan aset/barang berharga 11. Persentase art yang masih sekolah

(31)

METODOLOGI (4)

TAHAPAN PENELITIAN

Metode Regresi logistik:

1. Mempersiapkan data yang akan digunakan dalam penelitian ini. 2. Membentuk dummy variabel pada variabel prediktor

3. Meregresikan variabel respon dan prediksi yang telah di dummy-kan secara individu.

4. Melakukan pengujian parameter secara parsial untuk mengetahui variabel-variabel yang berpengaruh terhadap model secara individu. 5. Meregresikan variabel respon dan prediksi yang telah di dummy-kan

secara serentak.

6. Melakukan pengujian parameter dan mencari variabel yang signifikan terhadap respon secara serentak.

7. Melakukan permodelan regresi logistik ordinal dengan menggunakan variabel-variabel yang signifikan.

8. Membentuk model logit yang terbentuk pada tahap 7. 9. Membentuk tabel ketepatan klasifikasi/pengelompokan. 10. Melihat ketepatan/akurasi pengelompokan

(32)

METODOLOGI (5)

TAHAPAN PENELITIAN RBFNN:

1. Menyiapkan data rumahtangga yang akan digunakan dalam metode ini.

2. Penentuan cluster dengan sendirinya akan menghasilkan center atau pusat dari kelompok data.

3. Penentuan bobot dilakukan untuk mendapatkan bobot pada setiap neuronnya. Pada tahap ini dibutuhkan data training dan testing. Dari 1000 data

rumahtangga 800 kita jadikan data training dan 200 lainnya sebagai data testing.

4. Meneruskan sinyal input ke hidden layer dan menghitung nilai fungsi aktivasinya pada tiap hidden layer.

5. Menyusun matrik Gaussian dari hasil tahap ke empat.

6. Menghitung bobot baru (W) dengan mengalikan pseudoinverse dari matriks Gaussian, dengan vektor target dari data training.

7. Melakukan penghitungan output jaringan dengan metode Ordinary Least Square (OLS).

(33)

HASIL DAN PEMBAHASAN (1)

1. JUMLAH RUTA MISKIN KOTA PASURUAN TAHUN 2008

2. PROPORSI SETIAP VARIABEL

(34)

HASIL DAN PEMBAHASAN (2)

PEMBENTUKAN MODEL LOGISTIK INDIVIDU

Predictor Coef SE Wald P_value

X1 -0,02 0,00 21,27 0,00 X2 0,27 0,23 1,33 0,249 X3 -0,31 0,13 5,37 0,020 X4_1 0,14 0,38 0,14 0,707 X4_2 -2,84 0,41 49,19 0,000 X5_1 -0,28 0,14 4,27 0,039 X5_2 1,42 1,24 1,30 0,254 X6_1 -0,12 0,52 0,05 0,818 X6_2 -0,20 0,52 0,15 0,696 X7 0,29 0,17 2,76 0,096 X8_1 1,14 0,29 15,14 0,000 X8_2 -0,34 1,39 0,06 0,805 X8_3 -0,88 1,25 0,50 0,480 X8_4 1,49 0,35 18,23 0,000 X8_6 0,67 0,25 7,11 0,008 X8_7 0,96 0,39 5,91 0,015 X8_8 1,15 0,23 24,51 0,000 X8_9 0,62 0,21 8,74 0,003 X8_10 0,88 0,25 12,16 0,000 X9_1 0,19 0,14 1,79 0,180 X9_2 -0,65 0,25 6,51 0,011

(35)

HASIL DAN PEMBAHASAN (3)

PEMBENTUKAN MODEL LOGISTIK SERENTAK

Nilai statistik uji G yang diperoleh dari model ini adalah 511,393

dengan derajat bebas sebesar 25. Dengan tingkat signifikan sebesar

5 persen (0,05) dan derajat bebas 25, didapatkan nilai

pada

tabel adalah 37.65 sehingga diperoleh nilai G >

Berdasarkan nilai ini, maka keputusan kita adalah menolak Ho yang

berarti minimal ada satu variabel prediktor yang berpengaruh

terhadap variabel respon.

Untuk mengetahui variabel apa saja yang berpengaruh, perlu kita

lakukan uji signifikansi parameter pada masing-masing variabel

menggunakan statistik uji Wald (W).

2 (0.05,25)

χ

2

(36)

HASIL DAN PEMBAHASAN (4)

PEMBENTUKAN MODEL LOGISTIK SERENTAK

Predictor Coef SE Wald P_value

Constan (1) -2,150 0,766 7,883 0,005 Constan (2) 0,299 0,763 0,154 0,695 X1 0,014 0,005 7,390 0,007 X2 0,396 0,293 1,833 0,176 X3 -0,843 0,176 23,026 0,000 X4_1 0,056 0,411 0,019 0,891 X4_2 -3,345 0,449 55,551 0,000 X5_1 0,356 0,179 3,941 0,047 X5_2 1,166 1,439 0,657 0,418 X6_1 0,299 0,628 0,226 0,634 X6_2 0,416 0,627 0,440 0,507 X7 0,310 0,214 2,103 0,147 X8_1 1,149 0,344 11,146 0,001 X8_2 -2,014 1,934 1,084 0,298 X8_3 -1,434 1,415 1,027 0,311 X8_4 1,786 0,432 17,132 0,000 X8_6 1,007 0,304 10,994 0,001 X8_7 1,282 0,463 7,673 0,006 X8_8 1,659 0,291 32,455 0,000 X8_9 1,016 0,258 15,558 0,000 X8_10 0,629 0,299 4,421 0,036 X9_1 -0,077 0,172 0,201 0,654 X9_2 -1,568 0,313 25,133 0,000

(37)

HASIL DAN PEMBAHASAN (5)

Dari pembentukan model secara individu dan serentak diketahui bahwa variabel yang berpengaruh terhadap ruta miskin adalah:

1. Variabel luas lantai (X1)

2. Variabel sumber air minum kemasan/ledeng/pompa/sumur atau mata air terlindung yang lain dibandingkan sumber air minum lainnya (X3_2) 3. Variabel listrik dengan meteran dibandingkan dengan sumber

penerangan lainnya (X4_2)

4. Variabel bahan bakar minyak tanah dibandingkan dengan lainnya (X5_2) 5. Variabel kepala rumahtangga yang bekerja di sektorpertanian,

perikanan, industri(kerajinan), konstruksi, angkutan, perdagangan dan jasa, serta lapangan usaha lainnya (X8-1, X8_4, X8_6, X8_7, X8_8, X8_9, X8_10)

6. Variabel pendidikan sederajat SMP dan sederajat SMA diabndingkan dengan pendidikan SD atau yang tidak sekolah( X9_2, X9-3)

7. Variabel yang tidak punya aset dibandingkan dengan yang punya aset( X10)

(38)

HASIL DAN PEMBAHASAN (6)

PEMBENTUKAN MODEL LOGISTIK SIGNIFIKAN

Predictor Coef SE Wald P_value

Const(1) -1,67 0,47 12,32 0,000 Const(2) 0,77 0,47 2,66 0,103 X1 0,01 0,01 7,84 0,005 X3 -0,92 0,17 28,84 0,000 X4_D1 0,04 0,41 0,01 0,918 X4_D2 -3,37 0,45 56,90 0,000 X5_D1 0,36 0,18 4,04 0,044 X5_D2 0,81 1,32 0,38 0,539 X8-1 1,11 0,34 10,58 0,001 X8_2 -1,78 1,92 0,86 0,354 X8_3 -1,55 1,41 1,21 0,272 X8_4 1,73 0,42 16,66 0,000 X8_6 0,98 0,30 10,44 0,001 X8_7 1,27 0,46 7,59 0,006 X8_8 1,64 0,29 32,17 0,000 X8_9 1,00 0,26 15,21 0,000 X8_10 0,58 0,30 3,83 0,050 X9_D1 -0,07 0,17 0,15 0,703 X9_D2 -1,52 0,31 23,94 0,000 X9-D3 -2,97 0,55 29,50 0,000

(39)

HASIL DAN PEMBAHASAN (7)

KETEPATAN KLASIFIKASI

1. DATA TRAINING 2. DATA TESTING Kategori Total Ketepatan Klasifikasi 1 2 3 Y 1 192 72 7 271 70.85 2 89 130 54 273 47.63 3 10 52 194 256 75.78 Total 291 254 255 800 64.50 Kategori Yhat Total Ketepatan Klasifikasi 1 2 3 Y 1 0 0 61 61 0 2 0 0 63 63 0 3 0 0 76 76 100 Total 0 0 200 200 38

(40)

HASIL DAN PEMBAHASAN (8)

PEMBENTUKAN MODEL RADIAL BASIS FUNCTION

1. Dengan k-mean cluster ditetapkan jumlah kelas sebanyak 3 sehingga jumlah node pada lapisan hidden layer adalah 3 buah.

2. Berikut nilai mean dan standart deviasinya:

nilai mean nilai standart deviasi

Prediktor Kluster 1 Kluster 2 Kluster 3

X1 28,823 26,564 41,003 X2 1,030 1,034 1,216 X3 1,189 1,420 1,635 X4 2,171 2,070 2,689 X5 1,299 1,289 1,596 X6 2,323 2,430 2,701 X7 2,000 1,000 1,021 X8 8,311 7,960 8,069 X9 1,756 1,620 1,883 X10 1,884 1,954 1,530 X11 13,610 16,805 14,287 X12 39,902 39,460 29,373

Prediktor Kluster 1 Kluster 2 Kluster 3

X1 13,366 13,075 19,007 X2 0,172 0,181 0,412 X3 0,393 0,494 0,482 X4 0,527 0,375 0,477 X5 0,472 0,458 0,498 X6 0,575 0,527 0,459 X7 0,100 0,100 0,143 X8 2,873 2,791 2,507 X9 0,852 0,695 0,874 X10 0,321 0,209 0,500 X11 19,160 19,879 18,415 X12 30,599 28,540 25,941

(41)

HASIL DAN PEMBAHASAN (9)

(42)

HASIL DAN PEMBAHASAN (10)

MATRIK GAUSSIAN YANG TERBENTUK

2 2 2 2 3 1 2 12 1 1,19 28,82 1, 03 39,90 1 exp ... 2 13,37 0.17 0,39 30, 60 x x x x H      = + + +             2 2 2 2 3 1 2 12 2 1, 42 26,56 1, 03 39, 46 1 exp ... 2 13, 07 0,18 0, 49 28,54 x x x x H        =  +  + +            2 2 2 2 3 1 2 12 3 1, 63 41, 00 1, 22 29,37 1 exp ... 2 19, 01 0, 41 0, 48 25,94 x x x x H          =  +  + +           

(43)

HASIL DAN PEMBAHASAN (11)

NILAI TAKSIRAN PARAMETER

Kategori 1 Kategori 2 Kategori 3

9.4663 15.8247 -24.4415 0.3024 -2.9279 0.6793 -19.0533 0.3471 -6.5383 -16.5040 43.4949 0.3505

KETEPATAN KLASIFIKASI

Kategori Ketepatan Data Training (%) Ketepatan Data Testing (%) 1 68,63 70.00 2 65,88 68.50 3 68,00 62.00

(44)

HASIL DAN PEMBAHASAN (12)

BERDASARKAN TABEL KETEPATAN KLASIFIKASI MAKA:

1. Berdasarkan uraian di atas diketahui bahwa dengan

menggunakan metode regresi logistik, ketepatan klasifikasi

data data testing adalah sebesar 38 persen sedangkan

ketepatan klasifikasi data testing pada metode RBF adalah

sebesar 67,08 persen. Sehingga bisa kita simpulkan bahwa

metode RBF memberikan tingkat akurasi yang lebih baik

daripada metode regresi logistik ordinal.

2. Untuk lebih memastikan hasil yang diperoleh dilakukan 10-fold

cross validasi.

(45)

HASIL DAN PEMBAHASAN (13)

Percobaan Regresi Logistik (%) RBF_Design (%) 1 25,50 68,19 2 31,00 67,92 3 37,50 69,59 4 34,00 67,19 5 38,00 67,09 6 27,50 76,74 7 34,00 69,19 8 35,50 67,03 9 36,50 67,38 10 35,50 67,33 Rata-rata 33,50 68,77

(46)

HASIL DAN PEMBAHASAN (14)

1. Dari tabel di atas terlihat bahwa dengan adanya sepuluh kali

percobaan, pada setiap percobaan menujukkan bahwa tingkat

akurasi metode radial basis function lebih baik daripada metode

regresi logistik ordinal.

2. Hasil dari 10 fold-validasi menunjukkan rata-rata tingkat akurasi

metode regresi logistik ordinal sebesar 33,50 persen dan metode

radial basis function sebesar 68,77 persen. Berdasarkan simulasi

perhitungan di atas bisa disimpulkan bahwa metode radial basis

function dengan pendekatan k-mean cluster lebih baik daripada

metode regresi logistik ordinal.

(47)

HASIL DAN PEMBAHASAN (15)

(48)

KESIMPULAN (1)

KESIMPULAN

1. Dengan metode regresi logistik ordinal diketahui variabel yang

berpengaruh terhadap respon yaitu variabel X1, X2, X3, X4_2, X5_1,

X8_1, X8_4, X8_6, X8_7, X8_8, X8_9, X8_10, X9_2, X9_3, X10, X11, dan X12 sehingga diperoleh model logit sebagai berikut:

2. Permodelan menggunakan metode radial basis function dengan

pendekatan k-mean cluster memberikan tingkat akurasi yang lebih baik dari pada metode regresi logistik ordinal dimana ketepatan klasifikasi pada data testing dengan metode RBF sebesar 67.08 dan ketepatan klasifikasi metode regresi logistik ordinal sebesar 38 persen.

3. Dengan 10 – fold cross validasi diperoleh hasil rata-rata tingkat akurasi metode regresi logistik ordinal sebesar 33,50 persen sedangkan tingkat akurasi metode radial basis function dengan pendekatan k-mean cluster adalah sebesar 68,77 persen. Berdasarkan perhitungan ini bisa diambil kesimpulan bahwa metode radial basis function dengan pendekatan

(49)

DAFTAR PUSTAKA (1)

DAFTAR PUSTAKA

Agresti, Alan, (1990), Categorical Data Analysis, John Wiley and Sons, Inc, New York.

Ai Nuraeni (2009), Feed-Forward Neural Network untuk Small Area Estimation Pada Kasus Kemiskinan, Tesis, Institut Teknologi Sepuluh Nopember, Surabaya.

Bappenas (2004), Laporan Akhir Studi Sistem Perlindungan Sosial Penduduk Miskin, Bappenas, Jakarta

Badan Pusat Statistik (2000), Pengembangan Kegiatan Analisis, Indikator Kemiskinan, Dan IPM: Antara Pusat

dan Daerah, BPS, Jakarta.

Badan Pusat Statistik (2008), Pendataan Program Perlindungan Sosial 2008, Pedoman Pencacah, BPS, Jakarta. Badan Pusat Statistik (2009), Analisis Kemiskinan, Ketenagakerjaan Dan Distribusi Pendapatan, BPS, Jakarta. Jong Jek Siang (2009), Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab, 2ndEdition, Penerbit

Andi, Yogyakarta.

Haralambos Sarimveis, Philip Doganis, Alex Alexandridis (2005), A classification technique based on radial

basis function neural networks, Advances in Engineering Software 37 (2006) 218–221

Johnson, R. A. Dan Wichern, D. W. (1992), Applied Multivariate Statistical Analysis, Prentice Hall, New Jersey.

Kuncoro, Mudrajat (2004). Lecture 9 Regresi Logistik dan Determinan. Bahan Ajar Fakultas Ekonomi dan Pasca Sarjana UGM

Laurene Fausett, Fundamentals of Neural Networks Architectures, Algorithms,and Application.

L. Bruzzone, D. Fern_andez Prieto (1999), An incremental-learning neural network for the classi®cation of

remote-sensing images, Pattern Recognition Letters 20 (1999) 1241±1248

Muhammad Erwin Ashari Haryono (2005), Pengenalan Huruf Menggunakan Model Jaringan Saraf Tiruan Radial Basis Function Dengan Randomize Cluster Decision, Seminar Nasional Aplikasi Teknologi Informasi, Yogyakarta.

(50)

DAFTAR PUSTAKA (2)

P. Dhanalakshmi, S. Palanivel, V. Ramalingam (2008), Classification of audio signals using SVM and RBFNN, journal homepage: www.elsevier.com/locate/eswa.

PK Dash and SR Samantray (2004), An Accurate Fault Calssification Algorithm Using a Minimal Radial Basis

Function Neural Network, Journal Published in Engineering Intelijent Systems, 2004, Vol 4, P205

- 2010

Siti Wahyuningrum (2009), Pendekatan MARS Untuk Ketepatan Klasifikasi Desa/Kelurahan Miskin di

Kalimantan Timur Tahun 2005, Tesis, Institut Teknologi Sepuluh Nopember, Surabaya.

Sri Kusumadewi (2004), Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Exel Link, Penerbit Graha Ilmu, Yogyakarta.

S. Suresh, N. Sundararajan, P. Saratchandran (2008), A sequential multi-category classifier using radial basis

function networks, Journal Neurocomputing 71 (2008) 1345–1358

Vasthy Budhiarti (2010), Kalsifikasi Data Jaringan Saraf Fungsi Basis Radial, Studi Kasus: Proses Penjurusan

Siswa SMS Negeri 3 Surabaya TA 2005/2006 sampai dengan TA 2008/2009, Tesis, Institut

Teknologi Sepuluh Nopember, Surabaya.

Veerendra Singh, S. Mohan Rao (2005), Application of image processing and radial basis neural network

techniques for ore sorting and ore classification, Journal Minerals Engineering 18 (2005) 1412–

(51)

Gambar

DIAGRAM ALUR PENELITIAN

Referensi

Dokumen terkait

Adapun beberapa saran yang dapat penulis berikan berdasarkan penelitian yang telah dilakukan yaitu (1) diharapkan kepada mahasiswa untuk dapat lebih mempelajari tentang

[r]

Sebaliknya, bila waria PSK tidak memiliki penerimaan hidup dan didukung penerimaan sosial yang baik, maka ia cenderung tidak memiliki strategi penyelesaian

Untuk konteks ini, pengembangan desain komik strip matematika pada materi statistika untuk kelas VI tingkat Sekolah Dasar merupakan bentuk kreativitas dari guru yang

Karena lucutan celah cethus sedemikian cepat dalam orde I-Jdetik (I(T6detik) serta menghasilkan spektrum sinar UV yang sedemikian kuat intensitasnya maka untuk memperoleh citra

Hasil analisis regresi sederhana menunjukkan adanya hubungan positif dan sangat signifikan antara stres akademik dengan kecenderungan perilaku agresif pada siswa SMA Negeri 1

Perusahaan kelapa sawit biasanya terdiri dari perkebunan dan pabrik pengolahan kelapa sawit, sehingga para petani langsung mengolah sendiri kelapa sawit dari