Kajian Sensitivitas Parameter Algoritme Pada Metode Rotation Forest

Abstract

Rotation forest merupakan metode klasifikasi baru untuk membangun metode pohon gabungan (classifier ensembles) dengan menggunakan pohon keputusan yang saling bebas. Proses pembeda dalam rotation forest adalah penerapan analisis komponen utama untuk merotasi peubah asal menjadi peubah baru yang saling bebas. Beberapa penelitian telah membuktikan bahwa rotation forest lebih akurat dalam melakukan dugaan klasifikasi dibandingkan metode bagging dan random forest. Penentuan parameter algoritme, yakni ukuran banyaknya pohon keputusan yang digunakan dalam metode gabungan (l) dan banyaknya pemisah gugus peubah asal (k) memegang peranan penting dalam menentukan keberhasilan dan keakuratan dugaan klasifikasi. Penelitian ini menggunakan data dengan peubah respon terdiri dari 2 kategori/kelas. Hasil penelitian adalah: (1) Tidak didapatkan nilai k spesifik untuk tiap kategori data yang dapat memaksimumkan nilai keakuratan klasifikasi nilai, nilai k = (p-1) cenderung menghasilkan keakuratan klasifikasi yang lebih rendah dibandingkan nilai k = {1, 2, 3, p/3}. (2) Metode gabungan rotation forest efektif digunakan untuk melakukan pengklasifikasian data dengan hanya menggunakan sedikit pohon keputusan yakni 10 sampai 20 pohon. (3) Terdapat hubungan negatif antara nilai keakuratan klasifikasi dengan proporsi keragaman kumulatif data, yakni semakin tinggi nilai proporsi keragaman kumulatif suatu data cenderung menurunkan nilai keakuratan klasifikasi, atau sebaliknya.