Kajian Empirik Akurasi Prediksi Klasifikasi Metode Rotation Forest

Abstract

Klasifikasi adalah salah satu metode statistika yang dapat digunakan ketika peubah respon bersifat kategorik. Rotation forest membuat beberapa pohon gabungan dari sumbu peubah yang telah dirotasi menggunakan analisis komponen utama. Sebelum penelitian ini dilakukan, ada 13 penelitian di Departemen Statistika IPB mengenai klasifikasi dengan berbagai metode yang sudah dilakukan. Rataan tingkat akurasi klasifikasi ketiga belas penelitian tersebut adalah 81.47%. Nilai tersebut sudah cukup baik namun masih terdapat rataan kesalahan klasifikasi sebesar 18.53%. Rataan kesalahan klasifikasi pada penelitian sebelumnya tersebut menjadi hal yang menarik untuk diteliti dengan metode rotation forest. Rotation forest merupakan metode pohon gabungan yang paling akurat dibanding metode gabungan lainnya. Tujuan dari penelitian ini mengevaluasi metode rotation forest secara empirik dalam menghasilkan prediksi klasifikasi yang lebih baik. Sebagian besar data penelitian tersebut dapat diperbaiki dengan menggunakan metode rotation forest. Rataan tingkat akurasi klasifikasi meningkat sebesar 4.68%. Akurasi klasifikasi yang dihasilkan cukup konsisten. Selain itu, waktu komputasi yang dibutuhkan untuk menjalankan algoritme rotation forest cukup singkat walaupun data yang digunakan berukuran cukup besar.