Kajian perbandingan metode analisis diskriminan dan metode Artificial Neural Network dalam prediksi alternatif
| Main Author: | SandiRaunikaPutri |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2009
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/152374/1/050901073.pdf http://repository.ub.ac.id/152374/ |
Daftar Isi:
- Dalam analisis statistika ada banyak metode yang dapat digunakan untuk mengklasifikasi, antara lain dengan metode parametrik yang di dalamnya dibutuhkan asumsi, contohnya dengan metode Analisis Diskriminan. Pada kenyataannya, penelitian yang dilakukan tidak selamanya memenuhi asumsi yang ditentukan. Untuk itu, melalui skripsi ini akan dikaji tentang metode altenatif yang tidak memerlukan asumsi yaitu dengan Metode Artificial Neural Network (ANN) atau Metode Jaringan Syaraf Tiruan (JST). Metode ini mengadaptasi jaringan syaraf biologi. Modelnya terdiri atas beberapa elemen penghitung tak linier yang masing-masing dihubungkan melalui suatu pembobot dan tersusun paralel. Pembobot inilah yang nantinya akan berubah (beradaptasi) selama jaringan saraf tiruan mengalami pelatihan. Dari pelatihan akan diperoleh tanggapan yang diinginkan terhadap masukan yang diberikan kepadanya. Tujuan dari penelitian ini adalah menentukan arsitektur ANN yang optimal pada pengelompokan dan menghitung serta membandingkan ketepatan pengelompokan menggunakan metode ANN dengan metode Analisis Diskriminan. Data dibagi menjadi 2 kelompok, yaitu data training untuk membentuk model yang menggambarkan hubungan peubah bebas dengan peubah tak bebas, dan data testing untuk validasi model yang dihasilkan data training . Berdasarkan pengujian disimpulkan bahwa rata-rata MSE arsitektur optimal yang digunakan dalam skripsi ini sebesar 0.1388 dengan rata-rata epoch 3143. Ratarata persentase ketepatan pengelompokan pada Analisis Diskriminan untuk data training sebesar 82.94% dan data testing sebesar 76.36%, sedangkan rata-rata persentase ketepatan pengelompokan pada ANN untuk data training sebesar 66.53% dan data testing sebesar 60.56%.