BAGGING REGRESI LOGISTIK PADA PENINGKATAN KETEPATAN KLASIFIKASI WAKTU KELULUSAN MAHASISWA STIKOM BALI

I Ketut Putu Suniantara, Gede Suwardika, I Gede Agus Astapa

Abstract


Klasifikasi dengan metode regresi logistik digunakan untuk mengetahui pengaruh beberapa variabel bebas yang bersifat numerik atau kategorik terhadap variabel respon. Klasifikasi
model regresi logistik memuat pendugaan parameter yang tidak stabil pada perubahan dataset, sehingga diperlukan metode untuk menangangi ketidakstabilan tersebut. Ketidakstabilan dan ketepatan klasifikasi regresi logistik dapat ditingkatkan dengan menggunakan pendekatan bootstrap aggregating (bagging). Bagging regresi logistik bekerja dengan cara melakukan replikasi bootstrap terhadap peubah terikat dan peubah penjelas secara bersama-sama. Penelitian ini bertujuan untuk menangani kestabilan pendugaan parameter dan meningkatkan klasifikasi regresi logistik. Sedangkan kasus yang digunakan dalam penelitian ini adalah klasifikasi ketidaktepatan waktu kelulusan mahasiswa STIKOM Bali. Hasil penelitian menunjukkan bahwa ketepatan waktu lulusan dipengaruhi oleh lama menyusun skripsi, IPK, program studi dan IP semester 6. Hasil bagging regresi logistik mampu menaikkan ketepatan klasifikasi sebesar 1,01% dari dataset tunggal pada replikasi bootstrap 70 kali dengan nilai ketepatan klasifikasi 86,40%.

Full Text:

Untitled

References


Agresti, A. 1990. Categorical Data Analysis. New York: John Wiley and Sons.

Breiman, L. 1994. Bagging Predictors, Machine Learning, Statistics Departement of California University, Vol. 24. 123-140

Breiman, L (1996). Bagging Predictors, Machine Learning, Vol. 24. 123-140

Dias., J. G. And J.K. Vermunt. 2005. A Bootstrap based Aggregate Classifier for model based clustering. Journals of Annals Statistics.

Efron, B. dan Tibshirani, R.J. (1993) “An Introduction to the Bootstrap” Chapman Hall, New York.

Hechenbichler, K. And Tutz, G. Bagging, Boosting and ordinal classification. Institus fur Statistic, Ludwig-Maximilians-University Munchen.

Margasari, A. (2014). Penerapan metode CART (Classification and Regression Trees) dan analisis regresi logistik Biner pada klasifikasi profil mahasiswa FMIPA Universitas Brawijaya. Studen Journal UB, vol 2 no 4. http://statistik.studentjournal.ub.ac.i

d/index.php/statistik/article/view/151 [diakses tanggal 7 Agustus 2015]

Nurgenita, Nita. (2015). Identifikasi Faktor-faktor Yang Mempengaruhi Ketepatan Waktu Kelulusan Mahasiswa

Program Sarjana IPB. Skripsi Departemen Statistika FMIPA IPB

Bogor. (Tidak dipublikasikan).

Otok, B.W (2008), “Pendekatan Bootstrap pada Model Multivariate Adaptive Regression Spline”,

Desertasi, Universitas Gadjah Mada, Yogyakarta

Paramita. 2008. Bagging Regresi Logistik Ordinal pada Klasifikasi Status Gizi Balita (Studi Kasus Kabupaten

Nganjuk). Surabaya :Jurusan Statistika

FMIPA-ITS.

Suniantara, IKP. (2016). Pendugaan Lama Studi Mahasiswa STIKOM BALI dengan Menggunakan Regresi Berstruktur

Pohon. Penelitian Internal Tahap I STIKOM BALI 2016.

Suniantara, IKP & M. Rusli. 2017. Klasifikasi Waktu Kelulusan Mahasiswa STIKOM Bali Menggunakkan CHAID Regression – Trees dan Regresi Logistik Biner. Statistika, Vol, 5 No. 1, Hal: 27 – 32.

Sutton, C.D. (2005),Classification and regression trees, Bagging, and Boosting, Handbook of statistics, Vol. 24. hal 303-329.

Suryabrata, S. (2008). Psiklogi Pendidikan. Raja Grafindo Persada: Jakarta

Torrao, G.A., N.M. Rouphail., M.C. Coelho. (2013). Binary Classification and Logistic Regression Models Application to Crash Severity. 13th WCTR July 15-18. Roi Brazil.

Wezel, M.V. dan Potharst, R. (2007). “Improved Customer Choice Predictions using Ensemble Methods”, European Journal of Operational Research, Vol. 181, hal. 436-452.


Refbacks

  • There are currently no refbacks.