Arif, NurFitriyah (2013) Perbandingan Model Regresi Logistik Dan Model Radial Basis Function Neural Network Untuk Pengklasifikasian Peubah Respon Biner. Sarjana thesis, Universitas Brawijaya.
Abstract
Regresi Logistik Merupakan Salah Satu Metode Regresi Di Mana Peubah Responnya Mempunyai Sifat Kualitatif. Pada Regresi Logistik Tidak Diperlukan Asumsi Linieritas, Normalitas Sisaan, Autokorelasi, Dan Homokedastisitas, Tetapi Tidak Boleh Ada Multikolinieritas Antar Peubah Bebas. Radial Basis Function Neural Network (Rbfnn) Merupakan Salah Satu Bentuk Jaringan Multilayer Perceptron (Mlp) Yang Dapat Digunakan Untuk Pengklasifikasian Obyek. Desain Dari Rbfnn Adalah Model Neural Network Yang Mentransformasi Input Secara Non Linier Dengan Menggunakan Fungsi Aktivasi Gaussian Pada Lapisan Tersembunyi Sebelum Diproses Secara Linier Pada Lapisan Output . Tujuan Penelitian Ini Adalah Membandingkan Model Regresi Logistik Dengan Rbfnn Untuk Pengklasifikasian Peubah Repon Biner Ditinjau Dari Nilai Aper Dan Sse. Pada Penelitian Ini Digunakan 3 Jenis Data Yang Berbeda. Pada Masing-Masing Data Diaplikasikan Metode Regresi Logistik Dan Rbfnn. Nilai Aper Untuk Model Regresi Logistik Adalah 14,6%; 22,9%; Dan 35,5% Berturut-Turut Untuk Data 1, Data 2, Dan Data 3 Sedangkan Pada Model Rbfnn Adalah 9,7%; 20,8%; Dan 31,1% Berturut-Turut Untuk Ketiga Jenis Data Tersebut. Adapun Nilai Sse Untuk Model Regresi Logistik Adalah 7,434; 7,538; Dan 9,995 Sedangkan Untuk Model Rbfnn Adalah 7,226; 7,303; Dan 9,173 Berturut-Turut Untuk Data 1, Data 2, Dan Data 3, Sehingga Berdasarkan Hasil Tersebut Dapat Disimpulkan Bahwa Model Rbfnn Dapat Mengklasifikasi Peubah Respon Biner Lebih Baik Daripada Model Regresi Logistik.
English Abstract
Logistic Regression Is A Regression Method Where The Response Variable Has A Qualitative. Logistic Regression Do Not Need To Be Linierity Assumed, Normality, Autocorrelate, And Homokedastisitas, But There Can Be No Multicollinearity Among Independent Variables. Radial Basis Function Neural Network (Rbfnn) Is One Form Of Network Of Multilayer Perceptron (Mlp) That Can Be Used For Object Classification. Design Of Rbfnn Is A Model That Transforms The Nonlinear Input Using Gaussian Activation Function In The Hidden Layer Before It Is Processed Linearly In The Output Layer. The Purpose Of This Study Was To Compare Logistic Regression Model With Rbfnn For Classification Of Binary Response Variables Based Of Aper And Sse Value. This Research Used 3 Cases Of Different Data. On Each Of The Data Applied Logistic Regression Method And Rbfnn. The Value Of Aper For Logistic Regression Model 14,6%; 22,9%; And 35,5% Consecutive To Data 1, Data 2, And Data 3 Whereas The Rbfnn Models Are 9,7%; 20,8%; And 31,1%. Sse Values In Logistic Regression Model Are 7,434; 7,538; And 9,995 While For Rbfnn Models Are 7,226; 7,303; And 9,173 Consecutive For Data 1, Data 2, And Data 3, So From This Results Can Be Concluded That The Rbfnn Models Are Better In Classifying Binary Response Variable Than The Logistic Regression Model
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2013/388/051400379 |
| Subjects: | 500 Natural sciences and mathematics > 519 Probabilities and applied mathematics > 519.5 Statistical mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 03 Feb 2014 09:21 |
| Last Modified: | 25 Oct 2021 02:54 |
| URI: | http://repository.ub.ac.id/id/eprint/153654 |
Preview |
Text
Skripsi_Nur_Fitriyah_Arif_(0910953039).pdf Download (5MB) | Preview |
Actions (login required)
 |
View Item |