Please use this identifier to cite or link to this item: http://repository.ipb.ac.id/handle/123456789/79453
Title: Perbandingan Metode Klasifikasi Antara Analisis Diskriminan Verteks Dan Diskriminan Fisher.
Authors: Sumertajaya, I Made
Sartono, Bagus
Nurmaleni
Issue Date: 2015
Publisher: Bogor Agricultural University (IPB)
Bogor Agricultural University (IPB)
Abstract: Permasalahan klasifikasi banyak dijumpai dalam bidang sosial, bidang perbankkan dan bidang kedokteran. Metode klasifikasi terus berkembang sebagai cabang penting dari statistika. Salah satu metode klasifikasi yang berkembang adalah analisis diskriminan. Analisis diskriminan adalah salah satu metode terbaik yang digunakan dalam pengklasifikasian objek. Analisis diskriminan bertujuan untuk mengenali faktor apa saja yang dapat membedakan dua kelompok atau lebih yang digunakan sebagai cara terbaik untuk memisahkan kelompok individu. Johnson dan Wichern (2007) menjelaskan bahwa fungsi diskriminan pertama kali diperkenalkan oleh Ronald A. Fisher pada tahun 1936. Analisis diskriminan Fisher (ADF) tidak dapat mengklasifikasikan objek pada saat matriks X berpangkat tidak penuh, karena matriks ragam-peragam bersifat singular sehingga tidak memiliki matriks kebalikan. Lange dan Wu (2008) memperkenalkan metode pembelajaran untuk klasifikasi multikategori yang dikenal dengan analisis diskriminan verteks (ADV). ADV dapat mengklasifikasikan objek pada saat matriks X berpangkat penuh dan matriks X berpangkat tidak penuh. Klasifikasi pada ADV dilakukan dengan meminimumkan fungsi tujuan yang melibatkan -insensitive loss dan penalti kuadrat. Penelitian ini mengkaji kinerja metode ADV pada saat matriks X berpangkat penuh, dimana kondisi ini tercapai pada saat banyak observasi n jauh lebih besar dari banyak peubah p. Hasil kesalahan klasifikasi (nilai APER) metode ADV dibandingkan dengan nilai APER yang dihasilkan metode ADF untuk melihat kinerja dua metode. Data dalam penelitian ini terdiri dari dua sumber yaitu data simulasi dan data kasus terapan. Pada kajian simulasi ada 8 kelompok skenario simulasi yaitu berdasarkan korelasi antar peubah, berdasarkan jarak nilai tengah antar kelompok dan nilai keragaman. Hasil simulasi menujukan pada saat ukuran observasi n jauh lebih besar dari banyak peubah p, dengan asumsi kenormalan dan kehomogenan matriks ragam-peragam terpenuhi, pada saat peubah berkorelasi ADF lebih baik dalam pengklasifikasian daripada ADV. Jika peubah tidak ada korelasi metode ADF dan ADV memiliki kemampuan sama dalam klasifikasi. Metode ADF lebih baik dari ADV jika jarak nilai tengah antar kelompok berjauhan dan metode ADV dan ADF memiliki kemampuan klasifikasi yang sama jika nilai tengah antar kelompok berdekatan. Berdasarkan keragaman memperlihatkan pola yaitu semakin besar nilai keragaman maka kesalahan klasifikasi juga akan meningkat, tetapi kesalahan klasifikasi pada metode ADV dan ADF tidak jauh berbeda dalam pengklasifikasian. Oleh karena itu dapat disimpulkan bahwa metode ADV dan ADF mempunyai kemampuan yang sama dalam pengklasifikasian. Data terapan pada penelitian ini terdiri dari dua jenis kasus yaitu data terapan untuk kasus matriks X berpangkat penuh dan data terapan untuk matriks X berpangkat tidak penuh. Data terapan untuk matriks X berpangkat penuh diambil dari data kabupaten/kota untuk seluruh provinsi yang ada di Pulau Sumatera yang terdiri dari 151 kabupaten/kota dan 19 peubah. Hasil analisis menujukkan pada kondisi ini metode ADV dan ADF memiliki kemampuan klasifikasi yang sama. Sedangkan untuk matriks X berpangkat tidak penuh diambil dari data kabupaten/kota yang ada di Provinsi Riau yang terdiri dari 12 kabupaten/kota dan 19 peubah. Metode ADV lebih baik dari ADF dalam pengklasifikasian, karena pada kondisi ini ADF tidak dapat digunakan.
URI: http://repository.ipb.ac.id/handle/123456789/79453
Appears in Collections:MT - Mathematics and Natural Science

Files in This Item:
File SizeFormat 
2015nur.pdf
  Restricted Access
17.81 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.