PERBANDINGAN METODE REGRESI LOGISTIK...

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) INSTITUT TEKNOLOGI SEPULUH NOVEMBER SURABAYA

5 JANUARI 2012

Oleh

YENITA MIRAWANTINRP. 1310201705

DOSEN PEMBIMBINGDR. BRODJOL SUTIJO SUPRIH ULAMA, M.Si

SEMINAR TESIS – 5 JANUARI 2012

OUTLINE

1. PENDAHULUAN

2. TINJAUAN PUSTAKA

3. METODOLOGI PENELITIAN

4. HASIL DAN PEMBAHASAN

2

5. KESIMPULAN DAN SARAN

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

3SEMINAR TESIS – 5 JANUARI 2012

PENDAHULUAN (2)

1. Bagaimana mendapatkan metode yang paling optimal untuk mengklasifikasikan ruta miskin menggunakan metode regresi logistik ordinal dan JST fungsi radial basis

RUMUSANMASALAH

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


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


PENDAHULUAN (4)

1. Memberikan informasi tentang kemiskinan sampai

tingkat rumahtangga

3. Menambah wawasan penulisterutama tentang regresi Logistik dan

RBF Neural Nerwork

MANFAAT PENELITIAN


TINJAUAN PUSTAKA (1)

WORLDBANK

Kemiskinan absolut adalah seseorang yang hidup dengan pendapatan dibawah USD $1 per hari

WORLDBANK

Kemiskinan menengah adalah seseorang yang hidup dengan pendapatan dibawah USD $2 per hari

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

KONSEP KEMISKINAN



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).

KONSEP KEMISKINAN



FAKTOR INTERNAL1.Kesakitan2.Kebodohan3.Ketidaktahuan4.Ketidakterampilan5.Ketertinggalan

Tehnologi6. Ketidakpunyaan

modal

1FAKTOR EKSTERNAL1.Struktur sosial

ekonomi2. Nilai dan unsur

budaya yang kurang

3. Kurangnya akses untuk memanfaatkan fasilitas pembangunan

2

PENYEBAB KEMISKINAN(menurut BKKBN)



BPSAdat & Budayasuatu daerah

Struktural(miskin karena

mereka miskin)

PENYEBAB KEMISKINAN



Text• IRM= indeks rumah tangga miskin

• Si = skor variabel ke-i

• Wi =penimbangsetiap variabel

Dimana: Menghasil kan

interval 1-3

semakin tinggi nilai indeks, semakin miskin kondisi rumahtangga yang bersangkutan

CONTOHPERHITUNGAN KEMISKINAN

(SENSUS MISKINJAWA TIMUR 2001

DGN 11 VAR)



PSE05

• 14 variabel• berdasar karakteristik rumahtangga• semakin tinggi nilai IRM, semakin miskin rumahtangga tersebut

PPLS08

CONTOHPERHITUNGAN KEMISKINAN

PSE & PPLS

Wi=bobot variabel terpilihXi=skor variabelIRM= indeks rumahtangga

• memperbarui database PSE05• memperbarui beberapa informasi kepala rumah tangga (KRT)• menambah data anggota rumah tangga (art)



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.



Gambar 2.1Struktur sederhana sebuah neuron

pada otak manusia

Fausset mengemukakan bahwa bahwa proses informasi pada neural network memiliki kesamaan

dengan jaringan neuron biologi



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.



Arsitektur jaringan

Metode training/learning/algoritma

Fungsi aktivasi

3 karakteristik yang harus ada

dalam NN



Gambar 2.2Model Neuron McCulloh-Pitt (a) Biological neuron

(b) Mathematical model



(a)Adalah skema untuk jaringan neuron biologi(b)Adalah model matematis yang disusun oleh

McCulloh-Pitt

Dimana:xi adalah neuron ke-i thwi adalah bobot/weight pada penghubung neuron ke-i th w = (w1, ..., w-ji)T dan x = (x1, ..., xji)T

θ adalah treshold atau bias Ji adalah banyaknya input



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).



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)



Gambar 2.3Arsitektur Dasar Jaringan Syaraf Radial Basis



22

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.



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 responβok = 0k= 0,1,2,...,p,

( )

1( )

0

( | ) ( )j

j

g x

jg x

j

eP Y j x p xe

=

= = =

∑


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,).


24

0 1 2

1

: ... 0: 0

k

k

HH minimal ada satu nila a aia a

β β ββ

= = = =≠

2 1

0

2 ln LGL

= −



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

25

0

1

: 0: 0

k

k

HH

ββ

=≠

2

( )k

kk

WSEββ

=

2( ,1)kW X α>



PROSEDUR KLASIFIKASI

Penentuan kesalahan pengklasifikasian dapat diketahui melalui tabel klasifikasi sebagai berikut :

26

Actual membershipPredicted membership

Total

n11 n12 n13 A

n21 n22 n23 B

n31 n32 n33 C

Total D E F G


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 dataDalam tahap ini penulis menginventarisir data baik itu data pokok maupun data pendukung yang akan berguna dalam penyusunan penelitian.

2. Pemilihan variabelPemilihan variabel didasarkan pada ketersediaan data

dan berdasarkan tinjauan pustaka dan studi literatur.


METODOLOGI (3)

DIAGRAM ALUR PENELITIAN

29

Star

Data rumahtangga

Melakukan Klasifikasi dengan regresi logistik

Melakukan klasifikasi dengan RBFNNdengan algoritma K-Mean

Menghitung misklasifikasi Menghitung misklasifikasi

Melakukan n-cross validasi

Memilih metode terbaik

End


METODOLOGI (4)

VARIABEL PENELITIAN Variabel respon yang digunakan:

Y = Klasifikasi rumahtangga miskin hasil PPLS 2008 yang terdiri dari:1 = sangat miskin2 = miskin3 = hampir miskin

Variabel prediksinya adalah:1. Luas lantai2. Jenis dinding rumah3. Sumber air minum 4. Penerangan 5. Bahan bakar6. Frekuensi makan dalam sehari7. Kemampuan berobat ke puskesmas/polilinik8. Lapangan pekerjaan kelapa rumahtangga9. Pendidikan kepala rumahtangga10. Kepemilikan aset/barang berharga11. Persentase art yang masih sekolah12. Dependency rasio


METODOLOGI (4)

TAHAPAN PENELITIANMetode Regresi logistik:1. Mempersiapkan data yang akan digunakan dalam penelitian ini.2. Membentuk dummy variabel pada variabel prediktor3. 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).8. Melihat ketepatan/akurasi pengelompokan .


HASIL DAN PEMBAHASAN (1)

1. JUMLAH RUTA MISKIN KOTA PASURUAN TAHUN 2008

33

2. PROPORSI SETIAP VARIABEL

DESKRIPSI DATA



34

PEMBENTUKAN MODEL LOGISTIK INDIVIDUPredictor Coef SE Wald P_value

X1 -0,02 0,00 21,27 0,00X2 0,27 0,23 1,33 0,249X3 -0,31 0,13 5,37 0,020

X4_1 0,14 0,38 0,14 0,707X4_2 -2,84 0,41 49,19 0,000X5_1 -0,28 0,14 4,27 0,039X5_2 1,42 1,24 1,30 0,254X6_1 -0,12 0,52 0,05 0,818X6_2 -0,20 0,52 0,15 0,696

X7 0,29 0,17 2,76 0,096X8_1 1,14 0,29 15,14 0,000X8_2 -0,34 1,39 0,06 0,805X8_3 -0,88 1,25 0,50 0,480X8_4 1,49 0,35 18,23 0,000X8_6 0,67 0,25 7,11 0,008X8_7 0,96 0,39 5,91 0,015X8_8 1,15 0,23 24,51 0,000X8_9 0,62 0,21 8,74 0,003X8_10 0,88 0,25 12,16 0,000X9_1 0,19 0,14 1,79 0,180X9_2 -0,65 0,25 6,51 0,011X9_3 -2,28 0,47 23,74 0,000X10 -0,79 0,17 22,27 0,000X11 0,02 0,00 29,95 0,000X12 0,01 0,00 14,42 0,000SEMINAR TESIS – 5 JANUARI 2012


35

PEMBENTUKAN MODEL LOGISTIK SERENTAK

Nilai statistik uji G yang diperoleh dari model ini adalah 511,393dengan derajat bebas sebesar 25. Dengan tingkat signifikan sebesar5 persen (0,05) dan derajat bebas 25, didapatkan nilai padatabel adalah 37.65 sehingga diperoleh nilai G >

Berdasarkan nilai ini, maka keputusan kita adalah menolak Ho yangberarti minimal ada satu variabel prediktor yang berpengaruhterhadap variabel respon.

Untuk mengetahui variabel apa saja yang berpengaruh, perlu kitalakukan uji signifikansi parameter pada masing-masing variabelmenggunakan statistik uji Wald (W).

2(0.05,25)χ

2χ



36

PEMBENTUKAN MODEL LOGISTIK SERENTAKPredictor Coef SE Wald P_value

Constan (1) -2,150 0,766 7,883 0,005Constan (2) 0,299 0,763 0,154 0,695

X1 0,014 0,005 7,390 0,007X2 0,396 0,293 1,833 0,176X3 -0,843 0,176 23,026 0,000

X4_1 0,056 0,411 0,019 0,891X4_2 -3,345 0,449 55,551 0,000X5_1 0,356 0,179 3,941 0,047X5_2 1,166 1,439 0,657 0,418X6_1 0,299 0,628 0,226 0,634X6_2 0,416 0,627 0,440 0,507

X7 0,310 0,214 2,103 0,147X8_1 1,149 0,344 11,146 0,001X8_2 -2,014 1,934 1,084 0,298X8_3 -1,434 1,415 1,027 0,311X8_4 1,786 0,432 17,132 0,000X8_6 1,007 0,304 10,994 0,001X8_7 1,282 0,463 7,673 0,006X8_8 1,659 0,291 32,455 0,000X8_9 1,016 0,258 15,558 0,000

X8_10 0,629 0,299 4,421 0,036X9_1 -0,077 0,172 0,201 0,654X9_2 -1,568 0,313 25,133 0,000X9_3 -3,024 0,554 29,847 0,000X10 -0,553 0,212 6,804 0,009X11 0,024 0,004 31,504 0,000X12 0,009 0,003 10,097 0,001SEMINAR TESIS – 5 JANUARI 2012


37

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)8. Variabel persentase anggota rumahtangga yang masih sekolah (X11)9. Variabel angka ketergantungan (X12).



38

PEMBENTUKAN MODEL LOGISTIK SIGNIFIKANPredictor Coef SE Wald P_valueConst(1) -1,67 0,47 12,32 0,000Const(2) 0,77 0,47 2,66 0,103X1 0,01 0,01 7,84 0,005X3 -0,92 0,17 28,84 0,000X4_D1 0,04 0,41 0,01 0,918X4_D2 -3,37 0,45 56,90 0,000X5_D1 0,36 0,18 4,04 0,044X5_D2 0,81 1,32 0,38 0,539X8-1 1,11 0,34 10,58 0,001X8_2 -1,78 1,92 0,86 0,354X8_3 -1,55 1,41 1,21 0,272X8_4 1,73 0,42 16,66 0,000X8_6 0,98 0,30 10,44 0,001X8_7 1,27 0,46 7,59 0,006X8_8 1,64 0,29 32,17 0,000X8_9 1,00 0,26 15,21 0,000X8_10 0,58 0,30 3,83 0,050X9_D1 -0,07 0,17 0,15 0,703X9_D2 -1,52 0,31 23,94 0,000X9-D3 -2,97 0,55 29,50 0,000X10 -0,51 0,21 6,12 0,013X11 0,02 0,00 31,27 0,000X12 0,01 0,00 10,42 0,001SEMINAR TESIS – 5 JANUARI 2012


39

KETEPATAN KLASIFIKASI1. DATA TRAINING

2. DATA TESTING

Kategori TotalKetepatan

Klasifikasi1 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


KategoriYhat

TotalKetepatan

Klasifikasi1 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

PEMBENTUKAN MODEL RADIAL BASIS FUNCTION1. 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 deviasiPrediktor Kluster 1 Kluster 2 Kluster 3

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

Prediktor Kluster 1 Kluster 2 Kluster 3X1 13,366 13,075 19,007X2 0,172 0,181 0,412X3 0,393 0,494 0,482X4 0,527 0,375 0,477X5 0,472 0,458 0,498X6 0,575 0,527 0,459X7 0,100 0,100 0,143X8 2,873 2,791 2,507X9 0,852 0,695 0,874X10 0,321 0,209 0,500X11 19,160 19,879 18,415X12 30,599 28,540 25,941



41

ARSITEKTUR MODEL RADIAL BASIS FUNCTION



42

MATRIK GAUSSIAN YANG TERBENTUK

2 2 2231 2 12

11,1928,82 1,03 39,901exp ...

2 13,37 0.17 0,39 30,60xx x xH

−− − − = + + +

2 2 2 231 2 12

21, 4226,56 1,03 39,461exp ...

2 13,07 0,18 0,49 28,54xx x xH

−− − − = + + +

2 2 2 231 2 12

31,6341,00 1,22 29,371exp ...

2 19,01 0,41 0,48 25,94xx x xH

−− − − = + + +



43

NILAI TAKSIRAN PARAMETER

Kategori 1 Kategori 2 Kategori 39.4663

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 70.002 65,88 68.503 68,00 62.00

Total 67,48 67,08



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.



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

HASIL 10 FOLD-CROSS VALIDASI



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

PEMBENTUKAN GUI PADA METODE RBF


KESIMPULAN (1)


KESIMPULAN1. 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 k-mean cluster merupakan metode yang lebih baik dibandingkan regresi logistik ordinal.

DAFTAR PUSTAKA (1)

DAFTAR PUSTAKAAgresti, 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, JakartaBadan 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, 2nd Edition, 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) 218–221Johnson, 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 UGMLaurene 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±1248Muhammad 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 BasisFunction Neural Network, Journal Published in Engineering Intelijent Systems, 2004, Vol 4, P205- 2010

Siti Wahyuningrum (2009), Pendekatan MARS Untuk Ketepatan Klasifikasi Desa/Kelurahan Miskin diKalimantan Timur Tahun 2005, Tesis, Institut Teknologi Sepuluh Nopember, Surabaya.

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

S. Suresh, N. Sundararajan, P. Saratchandran (2008), A sequential multi-category classifier using radial basisfunction networks, Journal Neurocomputing 71 (2008) 1345–1358

Vasthy Budhiarti (2010), Kalsifikasi Data Jaringan Saraf Fungsi Basis Radial, Studi Kasus: Proses PenjurusanSiswa SMS Negeri 3 Surabaya TA 2005/2006 sampai dengan TA 2008/2009, Tesis, InstitutTeknologi Sepuluh Nopember, Surabaya.

Veerendra Singh, S. Mohan Rao (2005), Application of image processing and radial basis neural networktechniques for ore sorting and ore classification, Journal Minerals Engineering 18 (2005) 1412–1420


PERBANDINGAN METODE REGRESI LOGISTIK...

Documents

Transcript of PERBANDINGAN METODE REGRESI LOGISTIK...