Perbandingan Metode Analisis Diskriminan Verteks dengan Analisis Diskriminan Kernel ( Studi kasus Pengklaisikasian Mahasiswa Berprestasi Tingkat II Tahun 2015/2016 pada Sekolah Tinggi Sandi Negara Berdasarkan Indeks Prestasi )

Abstract

Analisis diskriminan merupakan teknik peubah ganda yang bertujuan memisahkan amatan dalam kelompok tertentu dan menempatkan amatan yang baru ke 4 kelompok yang telah didefinisikan sebelum nya berdasarkan fungsi diskriminan yang terbentuk. Analisis diskriminan dapat digunakan untuk mengevaluasi keberadaan amalan dalam suatu kelompok dengan cara membandingkan kelompok sebenarnya dengan kelompok yang terbentuk dari model (klompok model). Amatan yang kelompok sebenarnya berbeda dengan kelompok model akan menjadi perhatian lebih untuk dilakukan perbaikan. Pdekatan analisis diskriminan bisa menggunakan metode parametrik dan metode manparametrik. Pendekatan metode parametrik yang terkenal adalah analisis diskriminan linier dengan pendekatan Fisher (Analisis Diskrim in an Fisher/AF). ADF m ensyaratkan asumsi matriks ragam-peragam antar kelompok homogengar menghasilkan fungsi diskrim in an paling baik. Tahun 2008 Kenneth Langed Tong Tong Wu memperkenalkan analisis diskriminan metode parametr yang tidak mensyaratkan asumsi matriks ragam peragam homogen yaitu Analisis Diskrim inan Verteks (ADV). ADV dalam komputasinya tidak menggunkan matriks ragam-peragam sehingga tidak memerlukan asumsi tersebut Analisis diskriminan pendekatan non-parametrik juga tidak mensyaratan asum si matriks ragam -peragam yang homogen. Salah satu analisis pendekat non-param etrik yaitu Analisis Diskrim inan Kernel (ADK). ADK mengklasifikasikan amatan dengan penduga fungsi kepekatan peluangnya. Pelitian ini mengkaji kinerja metode ADV dan ADK dengan dua jenis data yaitu data sim ulasi dan data kasus terapan. Hasil ketepatan klasifikasi metode ADV dibandingkan dengan metode ADK untuk melihat kinerja dua metode. Pada kajian simulasi terdapat 4 kelompok skenario berdasarkan keragaman yaitu skenario dengan ragam sama, kecil, sedang dan besar. Hasil simulasi menunjukan pada saat ragam sama ADV lebih baik dalam pengklasifikasian daripada ADK. Pada saat ragam besar ADK lebih baik dalam pengklasifikasian daripada ADV. Sedangkan saat ragam kecil dan sedang kedua metode hampir menunjukkan hasil yang sama. Berdasarkan keragaman tersebut masing-masing metode memperlihatkan pola yaitu, untuk metode ADV semakin besar keragaman maka ketepatan klasifikasi akan mengecil, sebaliknya untuk metode ADK sem akin besar keragaman ketepatan klasifikasi akan sem akin besar. Analisis dengan data kasus terapan menunjukkan hasil mengikuti pola data simulasi. Data kasus terapan mempunyai ragam homogen berdasarkan hasil uji Box'S M. Pengklasifikasian data trang dengan metode ADV memberikan hasil klasifikasi yang lebih baik daripada metode ADK sedangkan data testing kedua metode hampir menunjukkan kinerja yang sama.