Perbandingan Model Regresi Logistik Dan Model Radial Basis Function Neural Network Untuk Pengklasifikasian Peubah Respon Biner
| Main Author: | Arif, NurFitriyah |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2013
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/153654/1/Skripsi_Nur_Fitriyah_Arif_%280910953039%29.pdf http://repository.ub.ac.id/153654/ |
Daftar Isi:
- Regresi Logistik Merupakan Salah Satu Metode Regresi Di Mana Peubah Responnya Mempunyai Sifat Kualitatif. Pada Regresi Logistik Tidak Diperlukan Asumsi Linieritas, Normalitas Sisaan, Autokorelasi, Dan Homokedastisitas, Tetapi Tidak Boleh Ada Multikolinieritas Antar Peubah Bebas. Radial Basis Function Neural Network (Rbfnn) Merupakan Salah Satu Bentuk Jaringan Multilayer Perceptron (Mlp) Yang Dapat Digunakan Untuk Pengklasifikasian Obyek. Desain Dari Rbfnn Adalah Model Neural Network Yang Mentransformasi Input Secara Non Linier Dengan Menggunakan Fungsi Aktivasi Gaussian Pada Lapisan Tersembunyi Sebelum Diproses Secara Linier Pada Lapisan Output . Tujuan Penelitian Ini Adalah Membandingkan Model Regresi Logistik Dengan Rbfnn Untuk Pengklasifikasian Peubah Repon Biner Ditinjau Dari Nilai Aper Dan Sse. Pada Penelitian Ini Digunakan 3 Jenis Data Yang Berbeda. Pada Masing-Masing Data Diaplikasikan Metode Regresi Logistik Dan Rbfnn. Nilai Aper Untuk Model Regresi Logistik Adalah 14,6%; 22,9%; Dan 35,5% Berturut-Turut Untuk Data 1, Data 2, Dan Data 3 Sedangkan Pada Model Rbfnn Adalah 9,7%; 20,8%; Dan 31,1% Berturut-Turut Untuk Ketiga Jenis Data Tersebut. Adapun Nilai Sse Untuk Model Regresi Logistik Adalah 7,434; 7,538; Dan 9,995 Sedangkan Untuk Model Rbfnn Adalah 7,226; 7,303; Dan 9,173 Berturut-Turut Untuk Data 1, Data 2, Dan Data 3, Sehingga Berdasarkan Hasil Tersebut Dapat Disimpulkan Bahwa Model Rbfnn Dapat Mengklasifikasi Peubah Respon Biner Lebih Baik Daripada Model Regresi Logistik.