dc.description.abstract | Salah satu cara yang dapat digunakan untuk meningkatkan akurasi pada
pemodelan klasifikasi adalah menggabungkan prediksi dari beberapa model dasar.
Beberapa metode yang dapat dilakukan untuk menggabungkan prediksi model
diantaranya voting, model averaging, stacking, dan riam (cascade). Dari keempat
metode tersebut, kajian metode riam masih sedikit dilakukan.
Metode riam menggabungkan beberapa prediksi model dasar secara
bertahap. Pada setiap tahap, prediksi peluang dari model dasar dimasukkan ke
dalam data. Data kemudian dimodelkan dengan algoritma model akhir. Penerapan
metode riam dapat dilakukan secara global ataupun lokal. Secara global, peluang
model dasar dimasukkan secara bertahap pada data dan dilakukan prediksi dengan
model akhir yang ditentukan. Penerapan secara lokal, dapat dilakukan dengan
algoritma pohon klasifikasi. Peluang model dasar dimasukkan setiap algoritma
akan melakukan split.
Kajian pada penelitian ini dibatasi pada metode riam lokal. Algoritma model
akhir yang digunakan adalah pohon klasifikasi (CART), dengan kombinasi
algoritma model dasar regresi logistik, diskriminan linier, neural networks, linear
support vector machine, bagging, boosting, dan random forest. Untuk setiap
kombinasi dipilih dua algoritma model dasar, sehingga akan dicobakan 21
kombinasi. 11 gugus data dengan respon biner digunakan untuk mengevaluasi
kebaikan metode riam. Perbandingan akurasi dilakukan dengan penelitian yang
dipublikasi tahun 1996 hingga 2009.
Hasil penelitian menunjukkan tidak ada pengaruh pemilihan algoritma
model dasar pada metode riam. Pengaruh struktur data terlihat bahwa metode riam
baik untuk gugus data dengan peubah prediktor kategorik. Walaupun demikian,
tidak terlihat perbaikan akurasi pada gugus data dengan jenis peubah prediktor
kategorik. Perbaikan akurasi terlihat lebih stabil pada gugus data dengan prediktor
numerik. | id |