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
OUTLINE
1. PENDAHULUAN
2. TINJAUAN PUSTAKA
3. METODOLOGI PENELITIAN
4. HASIL DAN PEMBAHASAN
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
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 aplikasiPENDAHULUAN (3)
TUJUAN
PENELITIAN
1. Membandingkan klasifikasi ruta miskin dengan metode regresilogistik ordinal dan metode radial basis function dengan pendekatan k-mean kluster. 2. Membuat GUI untuk mempermudah pengguna
PENDAHULUAN (4)
1. Memberikan informasi tentang kemiskinan sampai
tingkat rumahtangga
3. Menambah wawasan penulis terutama tentang regresi Logistik dan
RBF Neural Nerwork
MANFAAT
PENELITIAN
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)
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).
TINJAUAN PUSTAKA (3)
FAKTOR INTERNAL 1.Kesakitan 2.Kebodohan 3.Ketidaktahuan 4.Ketidakterampilan 5.Ketertinggalan Tehnologi 6. Ketidakpunyaan modal1
FAKTOR EKSTERNAL 1.Struktur sosial ekonomi2. Nilai dan unsur budaya yang kurang 3. Kurangnya akses untuk memanfaat kan fasilitas pembangunan
2
PENYEBAB KEMISKINAN
(menurut BKKBN)TINJAUAN PUSTAKA (4)
BPS
Adat & Budaya
suatu daerah Struktural (miskin karena mereka miskin)
PENYEBAB KEMISKINAN
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 2001TINJAUAN PUSTAKA (6)
PSE05 • 14 variabel • berdasar karakteristik rumahtangga • semakin tinggi nilai IRM, semakin miskin rumahtangga tersebut PPLS08 CONTOH PERHITUNGAN KEMISKINAN PSE & PPLSWi=bobot variabel terpilih Xi=skor variabel
IRM= indeks rumahtangga
• memperbarui database PSE05 • memperbarui beberapa informasi kepala rumah tangga (KRT) • menambah data anggota rumah tangga (art)
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.
TINJAUAN PUSTAKA (8)
Gambar 2.1
Struktur sederhana sebuah neuron pada otak manusia
Fausset mengemukakan bahwa bahwa proses
informasi pada neural network memiliki kesamaan
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.
TINJAUAN PUSTAKA (10)
Arsitektur jaringan
Metode training/learning/
algoritma
Fungsi aktivasi
3 karakteristik
yang harus ada
TINJAUAN PUSTAKA (11)
Gambar 2.2
Model Neuron McCulloh-Pitt (a) Biological neuron (b) Mathematical model
TINJAUAN PUSTAKA (12)
(a)Adalah skema untuk jaringan neuron biologi
(b)Adalah model matematis yang disusun oleh
McCulloh-Pitt
Dimana:
x
iadalah neuron ke-i th
w
iadalah bobot/weight pada penghubung neuron ke-i th
w = (w
1, ..., w-
ji)
Tdan x = (x
1
, ..., x
ji)
Tθ adalah treshold atau bias
Ji adalah banyaknya input
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).
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)
TINJAUAN PUSTAKA (15)
Gambar 2.3
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.
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 je
P Y
j x
p x
e
==
=
=
∑
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 kH
H
minimal ada satu nil
a
a
a
ai
a
β
β
β
β
=
= =
=
≠
2 1 0 2 ln L G L = − 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 kH
H
β
β
=
≠
2 ( ) k k k W SE β β = 2 ( ,1) k W > X αTINJAUAN 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
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
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.
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
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
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
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).
HASIL DAN PEMBAHASAN (1)
1. JUMLAH RUTA MISKIN KOTA PASURUAN TAHUN 2008
2. PROPORSI SETIAP VARIABEL
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
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
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
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)
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
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 38HASIL 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
HASIL DAN PEMBAHASAN (9)
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 − − − − = + + +
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 62.00HASIL 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.
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 68,77HASIL 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.
HASIL DAN PEMBAHASAN (15)
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
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.
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–