PERBANDINGAN METODE REDUKSI DIMENSI PADA ALGORITMA LOGISTIC REGRETION

Winarnie, Winarnie (2023) PERBANDINGAN METODE REDUKSI DIMENSI PADA ALGORITMA LOGISTIC REGRETION. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 21.55.2151 Winarnie.pdf Download (2MB)

Abstract

Regresi logistik merupakan classifier dengan metode supervised learning, yatiu suatu metode pengklasifikasian dimana setiap pengamatan memiliki variabel prediktor yang berkaitan dengan variabel respon. Regresi logistik sebagai classifier dalam analisis klasifikasi mengklasifikasikan subjek penelitian berdasarkan ambang (threshold) probabilitas, misalnya jika nilai probabilitas lebih dari 0.5, maka akan dibulatkan menjadi 1 yang artinya pengklasifikasian respon adalah di kelas event. Jika nilai probabilitas kurang dari atau sama dengan 0.5, maka akan dibulatkan menjadi 0 yang artinya pengklasifikasian respon adalah di kelas nonevent. Model regresi yang digunakan berdasarkan data training yang kemudian diaplikasikan ke data testing. Penelitian ini menggunakan metode pengurangan dimensi untuk mengatasi kelemahan kinerja model regresi logistic pada data berdimensi tinggi. Dataset dengan sejumlah besar pengamatan menghadirkan tantangan baru dalam data, penambangan, analisis, dan klasifikasi. Metode statistik tradisional tidak bisa mengatasi karena peningkatan jumlah variabel yang terkait dengan setiap pengamatan yang dikenal sebagai data dimensi tinggi. Sebagian besar data sangat berlebihan dan dapat diabaikan untuk mengekstrak fitur kumpulan data. Proses pemetaan data berdimensi tinggi ke ruang berdimensi lebih rendah sedemikian rupa untuk membuang varians yang tidak informatif dari dataset atau menemukan subruang di mana data dapat dengan mudah dideteksi dikenal sebagai pengurangan dimensi. Pada percobaan dataset pertama, hasil akurasi reduksi dimensi dengan LDA sebesar 98% , dengan PCA sebesar 96% dan tanpa reduksi dimensi sebesar 94%. Untuk dataset yang kedua akurasi dengan LDA sebesar 89%, dengan PCA sebesar 91%, dan tanpa reduksi 91%. Selain hasil akurasi, penelitian menggunakan hasil time running yang digunakan pada proses reduksi dimensi. Hasil yang didapat, dengan menggunakan LDA sebesar 19.2 ms dan menggunakan PCA sebesar 29.5 ms. Hasil perbandingan kinerja kedua reduksi dimensi yang digunakan pada regresi logistic menyatakan bahwa LDA lebih baik daripada PCA.

Actions (login required)

View Item