Penerapan Bootstrap Aggregating (Bagging) Regresi Logistik Multinomial Untuk Meningkatkan Ketepatan Klasifikasi (Studi Kasus Pasien Tuberkulosis (Tb) Paru di RSI Unisma)
| Main Author: | Kurniasari, Auliana |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2016
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/154891/ |
Daftar Isi:
- Regresi logistik multinomial digunakan pada peubah respon berskala nominal. Masalah yang sering terjadi pada regresi logistik multinomial adalah kesalahan pengklasifikasian. Klasifikasi pada regresi logistik multinomial diasumsikan sebagai banyaknya individu atau obyek yang masuk ke dalam kategori tertentu. Salah satu metode untuk memperbaiki ketepatan klasifikasi pada regresi logistik multinomial adalah metode Bagging (Bootstrap Aggregating). Penelitian ini menggunakan data pasien Tuberkulosis (TB) Paru di mana peubah prediktor adalah umur, jenis kelamin dan riwayat diabetes mellitus. Namun pada penelitian ini, peubah prediktor yang berpengaruh terhadap peubah respon hanya jenis kelamin. Ketepatan klasifikasi logistik multinomial yang didapatkan sebesar 49.1%, sedangkan untuk bagging, ketepatan klasifikasi yang dihasilka pada beberapa ulangan lebih baik yakni 60, 120, 180, 240, 300 masing-masing sebesar 62.3%, 60.4%, 77.4%, 73.6%, 66.0%.