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

PERBANDINGAN METODE REGRESI LOGISTIK ORDINAL DENGAN JARINGAN SYARAF TIRUAN FUNGSI RADIAL BASIS Studi Kasus: Klasifikasi Rumahtangga Miskin Kota Pasuruan Tahun 2008 Oleh YENITA MIRAWANTI NRP. 1310201705 DOSEN PEMBIMBING DR. BRODJOL SUTIJO SUPRIH ULAMA, M.Si

SEMINAR THESIS PROGRAM MAGISTER - JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) LOGO INSTITUT TEKNOLOGI SEPULUH NOVEMBER SURABAYA 5 JANUARI 2012

OUTLINE 1. PENDAHULUAN 2. TINJAUAN PUSTAKA 3. METODOLOGI PENELITIAN 4. HASIL DAN PEMBAHASAN 5. KESIMPULAN DAN SARAN

SEMINAR TESIS – 5 JANUARI 2012

2

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


3

PENDAHULUAN (2) RUMUSAN MASALAH 1. Bagaimana mendapatkan metode yang paling optimal untuk mengklasifikasikan ruta miskin menggunakan metode regresi logistik ordinal dan JST fungsi radial basis


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

4

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

5

PENDAHULUAN (4)

1. Memberikan informasi tentang kemiskinan sampai tingkat rumahtangga

3. Menambah wawasan penulis terutama tentang regresi Logistik dan RBF Neural Nerwork


MANFAAT PENELITIAN

6

TINJAUAN PUSTAKA (1) KONSEP KEMISKINAN WORLD BANK

WORLD BANK

BAPPENAS

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

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

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


7

TINJAUAN PUSTAKA (2) 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).


8

TINJAUAN PUSTAKA (3) PENYEBAB KEMISKINAN (menurut BKKBN)

1

2

FAKTOR INTERNAL

FAKTOR EKSTERNAL

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

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


9

TINJAUAN PUSTAKA (4) PENYEBAB KEMISKINAN

Adat & Budaya suatu daerah


BPS

Struktural (miskin karena mereka miskin)

10

TINJAUAN PUSTAKA (5) CONTOH PERHITUNGAN KEMISKINAN

Dimana: • IRM= indeks rumah tangga miskin • Si = skor variabel ke-i • Wi =penimbang setiap variabel

Menghasil kan interval 1-3

Text

semakin tinggi nilai indeks, semakin miskin kondisi rumahtangga yang bersangkutan

(SENSUS MISKIN JAWA TIMUR 2001 DGN 11 VAR) SEMINAR TESIS – 5 JANUARI 2012

11

TINJAUAN PUSTAKA (6)

PSE05 • 14 variabel • berdasar karakteristik rumahtangga • semakin tinggi nilai IRM, semakin miskin rumahtangga tersebut

CONTOH PERHITUNGAN KEMISKINAN

• memperbarui

PSE & PPLS

Wi=bobot variabel terpilih Xi=skor variabel IRM= indeks rumahtangga


PPLS08 database PSE05 • memperbarui beberapa informasi kepala rumah tangga (KRT) • menambah data anggota rumah tangga (art)

12

TINJAUAN PUSTAKA (7) NEURAL NETWORK • Biasa disebut Jaringan Syaraf Tiruan (JTS) adalah suatu sistem •

•

pemrosesan informasi yang memiliki karakteristik jaringan syaraf biologi (Jek Siang, 2004).

mirip dengan

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.


13

TINJAUAN PUSTAKA (8) Gambar 2.1 Struktur sederhana sebuah neuron pada otak manusia

Fausset mengemukakan bahwa bahwa proses informasi pada neural network memiliki kesamaan dengan jaringan neuron biologi SEMINAR TESIS – 5 JANUARI 2012

14

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 neuronneuron 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.


15


Arsitektur jaringan Metode training/learning/ algoritma

3 karakteristik yang harus ada dalam NN

Fungsi aktivasi


16

TINJAUAN PUSTAKA (11) Gambar 2.2 Model Neuron McCulloh-Pitt (a) Biological neuron (b) Mathematical model


17

TINJAUAN PUSTAKA (12) (a)Adalah skema untuk jaringan neuron biologi (b)Adalah model matematis yang disusun oleh McCulloh-Pitt

Dimana: xi adalah neuron ke-i th wi adalah bobot/weight pada penghubung neuron ke-i th w = (w1, ..., wji)T dan x = (x1, ..., xji)T θ adalah treshold atau bias Ji adalah banyaknya input SEMINAR TESIS – 5 JANUARI 2012

18

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).


19

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)


20


Gambar 2.3 Arsitektur Dasar Jaringan Syaraf Radial Basis


21

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.


22

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:

P = (Y

j= | x) p= j ( x)

e 1

g j ( x)

∑e

g j ( x)

j =0 dimana: j=0,1,2,...l dengan l adalah jumlah kategori variabel respon βok = 0 k= 0,1,2,...,p,


23

TINJAUAN PUSTAKA (18) PENGUJIAN PARAMETER SECARA SERENTAK

 dilakukan untuk mengetahui apakah variabel prediktor berpengaruh terhadap pembentukan model secara bersama-sama.  Hipotesis dari uji ini adalah:

H 0 : β1= β 2= ...= β k= 0

H1 : minimalaadaasatuanilaiaβ k ≠ 0

 Statistik uji yang digunakan adalah uji Rasio Likelihood (G) L  G 2 = −2 ln  1   L0 

 Hipotesis nol ditolak jika G > X2(db,). SEMINAR TESIS – 5 JANUARI 2012

24

TINJAUAN PUSTAKA (19) PENGUJIAN PARAMETER SECARA PARSIAL

 dilakukan untuk mengetahui apakah variabel prediktor berpengaruh nyata terhadap variabel responnya.  Hipotesis dari uji ini adalah:

H 0 : βk = 0 H1 : β k ≠ 0

 Statistik uji yang digunakan adalah uji Wald (W)    β k Wk =   ( β )   SE k  

2

 Hipotesis nol ditolak jika SEMINAR TESIS – 5 JANUARI 2012

Wk > X 2 (α ,1)

25

TINJAUAN PUSTAKA (20) PROSEDUR KLASIFIKASI Penentuan kesalahan pengklasifikasian dapat diketahui melalui tabel klasifikasi sebagai berikut : Predicted membership

Actual membership

Total


Total

n11

n12

n13

A

n21

n22

n23

B

n31

n32

n33

C

D

E

F

G

26

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


27

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.


28

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

Memilih metode terbaik

End


29

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 12. Dependency rasio


30

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


31

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 . SEMINAR TESIS – 5 JANUARI 2012

32

HASIL DAN PEMBAHASAN (1) DESKRIPSI DATA 1. JUMLAH RUTA MISKIN KOTA PASURUAN TAHUN 2008 2. PROPORSI SETIAP VARIABEL


33

HASIL DAN PEMBAHASAN (2) PEMBENTUKAN MODEL LOGISTIK INDIVIDU Predictor X1 X2 X3 X4_1 X4_2 X5_1 X5_2 X6_1 X6_2 X7 X8_1 X8_2 X8_3 X8_4 X8_6 X8_7 X8_8 X8_9 X8_10 X9_1 X9_2 X9_3 X10 X11 SEMINAR TESIS – 5 JANUARIX12 2012

Coef -0,02 0,27 -0,31 0,14 -2,84 -0,28 1,42 -0,12 -0,20 0,29 1,14 -0,34 -0,88 1,49 0,67 0,96 1,15 0,62 0,88 0,19 -0,65 -2,28 -0,79 0,02 0,01

SE 0,00 0,23 0,13 0,38 0,41 0,14 1,24 0,52 0,52 0,17 0,29 1,39 1,25 0,35 0,25 0,39 0,23 0,21 0,25 0,14 0,25 0,47 0,17 0,00 0,00

Wald 21,27 1,33 5,37 0,14 49,19 4,27 1,30 0,05 0,15 2,76 15,14 0,06 0,50 18,23 7,11 5,91 24,51 8,74 12,16 1,79 6,51 23,74 22,27 29,95 14,42

P_value 0,00 0,249 0,020 0,707 0,000 0,039 0,254 0,818 0,696 0,096 0,000 0,805 0,480 0,000 0,008 0,015 0,000 0,003 0,000 0,180 0,011 0,000 0,000 0,000 0,000

34

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 χ pada tabel adalah 37.65 sehingga diperoleh nilai G > χ 2

(0.05,25)

2

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). SEMINAR TESIS – 5 JANUARI 2012

35

HASIL DAN PEMBAHASAN (4) PEMBENTUKAN MODEL LOGISTIK SERENTAK Predictor Constan (1) Constan (2) X1 X2 X3 X4_1 X4_2 X5_1 X5_2 X6_1 X6_2 X7 X8_1 X8_2 X8_3 X8_4 X8_6 X8_7 X8_8 X8_9 X8_10 X9_1 X9_2 X9_3 X10 X11 X12 SEMINAR TESIS – 5 JANUARI 2012

Coef

SE

Wald

P_value

-2,150 0,299 0,014 0,396 -0,843 0,056 -3,345 0,356 1,166 0,299 0,416 0,310 1,149 -2,014 -1,434 1,786 1,007 1,282 1,659 1,016 0,629 -0,077 -1,568 -3,024 -0,553 0,024 0,009

0,766 0,763 0,005 0,293 0,176 0,411 0,449 0,179 1,439 0,628 0,627 0,214 0,344 1,934 1,415 0,432 0,304 0,463 0,291 0,258 0,299 0,172 0,313 0,554 0,212 0,004 0,003

7,883 0,154 7,390 1,833 23,026 0,019 55,551 3,941 0,657 0,226 0,440 2,103 11,146 1,084 1,027 17,132 10,994 7,673 32,455 15,558 4,421 0,201 25,133 29,847 6,804 31,504 10,097

0,005 0,695 0,007 0,176 0,000 0,891 0,000 0,047 0,418 0,634 0,507 0,147 0,001 0,298 0,311 0,000 0,001 0,006 0,000 0,000 0,036 0,654 0,000 0,000 0,009 0,000 0,001

36

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


37

HASIL DAN PEMBAHASAN (6) PEMBENTUKAN MODEL LOGISTIK SIGNIFIKAN Predictor Const(1) Const(2) X1 X3 X4_D1 X4_D2 X5_D1 X5_D2 X8-1 X8_2 X8_3 X8_4 X8_6 X8_7 X8_8 X8_9 X8_10 X9_D1 X9_D2 X9-D3 X10 X11 SEMINAR TESIS –X12 5 JANUARI 2012

Coef -1,67 0,77 0,01 -0,92 0,04 -3,37 0,36 0,81 1,11 -1,78 -1,55 1,73 0,98 1,27 1,64 1,00 0,58 -0,07 -1,52 -2,97 -0,51 0,02 0,01

SE 0,47 0,47 0,01 0,17 0,41 0,45 0,18 1,32 0,34 1,92 1,41 0,42 0,30 0,46 0,29 0,26 0,30 0,17 0,31 0,55 0,21 0,00 0,00

Wald 12,32 2,66 7,84 28,84 0,01 56,90 4,04 0,38 10,58 0,86 1,21 16,66 10,44 7,59 32,17 15,21 3,83 0,15 23,94 29,50 6,12 31,27 10,42

P_value 0,000 0,103 0,005 0,000 0,918 0,000 0,044 0,539 0,001 0,354 0,272 0,000 0,001 0,006 0,000 0,000 0,050 0,703 0,000 0,000 0,013 0,000 0,001

38

HASIL DAN PEMBAHASAN (7) KETEPATAN KLASIFIKASI 1.

DATA TRAINING

Ketepatan Kategori

Y

Total

Klasifikasi

1

2

3

1

192

72

7

271

70.85

2

89

130

54

273

47.63

3

10

52

194

256

75.78

291

254

255

800

64.50

Total

2. DATA TESTING Ketepatan

Yhat Kategori

Y

Total

Klasifikasi

1

2

3

1

0

0

61

61

0

2

0

0

63

63

0

3

0

0

76

76

100

0

0

200

200

38

Total


39

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 Prediktor X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12

Kluster 1 28,823 1,030 1,189 2,171 1,299 2,323 2,000 8,311 1,756 1,884 13,610 39,902


nilai standart deviasi

Kluster 2 26,564 1,034 1,420 2,070 1,289 2,430 1,000 7,960 1,620 1,954 16,805 39,460

Kluster 3 41,003 1,216 1,635 2,689 1,596 2,701 1,021 8,069 1,883 1,530 14,287 29,373

Prediktor X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12

Kluster 1 13,366 0,172 0,393 0,527 0,472 0,575 0,100 2,873 0,852 0,321 19,160 30,599

Kluster 2 13,075 0,181 0,494 0,375 0,458 0,527 0,100 2,791 0,695 0,209 19,879 28,540

Kluster 3 19,007 0,412 0,482 0,477 0,498 0,459 0,143 2,507 0,874 0,500 18,415 25,941

40

HASIL DAN PEMBAHASAN (9) ARSITEKTUR MODEL RADIAL BASIS FUNCTION


41

HASIL DAN PEMBAHASAN (10) MATRIK GAUSSIAN YANG TERBENTUK 2  1  x − 28,82 2  x − 1,03 2  x − 1,19 2  39,90 x −   3 1 2 12 = + H1 exp   ... +    +    2 13,37   0.17   0,39   30,60    

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


42

HASIL DAN PEMBAHASAN (11) NILAI TAKSIRAN PARAMETER Kategori 1 9.4663

Kategori 2 -2.9279

Kategori 3 -6.5383

-24.4415

-19.0533

43.4949

15.8247

0.6793

0.3024

0.3471

KETEPATAN KLASIFIKASI Kategori 1 2 3 Total

-16.5040 0.3505

Ketepatan Data Training

Ketepatan Data Testing

(%) 68,63 65,88 68,00 67,48

(%) 70.00 68.50 62.00 67,08


43

HASIL DAN PEMBAHASAN (12) BERDASARKAN TABEL KETEPATAN KLASIFIKASI MAKA: 1.

2.

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.

Untuk lebih memastikan hasil yang diperoleh dilakukan 10-fold cross validasi.


44

HASIL DAN PEMBAHASAN (13) HASIL 10 FOLD-CROSS VALIDASI 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

Percobaan


45

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.


46

HASIL DAN PEMBAHASAN (15) PEMBENTUKAN GUI PADA METODE RBF


47

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 kmean cluster merupakan metode yang lebih baik dibandingkan regresi logistik ordinal. SEMINAR TESIS – 5 JANUARI 2012

48

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, 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) 218–221 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. SEMINAR TESIS – 5 JANUARI 2012

49

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– 1420


50

LOGO

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

Recommend Documents