Rohmah, Lailatul (2018) Bootstrap Aggregating Classification And Regression Tree (BAGGING CART) Pada Pengklasifikasian Indeks Pembangunan Manusia Kabupaten/Kota Di Indonesia Tahun 2016. Sarjana thesis, Universitas Brawijaya.
Abstract
Indeks Pembangunan Manusia (IPM) Indonesia mengalami peningkatan dari tahun ke tahun. Namun, beberapa kabupaten/kota di Indonesia masih memiliki IPM yang tergolong rendah. Salah satu langkah yang dapat ditempuh oleh pemerintah daerah agar pembangunan manusia merata adalah mengidentifikasi peubah yang berpengaruh terhadap pengklasifikasian IPM. CART merupakan metode nonparametrik yang dikembangkan untuk topik klasifikasi, baik untuk peubah respon kategorik, kontinyu, atau campuran keduanya. Permasalahan dalam metode klasifikasi adalah ketepatan prediksi dalam mengklasifikasi dan tingkat kesalahan klasifikasi. Bootstrap aggregating (bagging) merupakan salah satu metode yang dapat digunakan untuk meningkatkan ketepatan dan keakuratan klasifikasi. Ide dasar dari bagging adalah menggunakan bootstrap resampling untuk menghasilkan prediksi gabungan di mana prediksi gabungan diperoleh dengan majority vote pada kasus klasifikasi dan rata-rata pada kasus regresi. Oleh karena itu, pada penilitian ini digunakan metode CART dalam mengklasifikasikan IPM ke dalam kategori rendah, sedang, tinggi, dan sangat tinggi, kemudian membandingkan hasil ketepatan klasifikasi CART dan bagging CART. Berdasarkan hasil analisis, peubah yang berpengaruh dalam pengklasifikasian IPM yaitu rata-rata lama sekolah dan pengeluaran per kapita yang disesuaikan. Hasil bagging CART dengan 100 ulangan terbukti mampu meningkatkan ketepatan klasifikasi CART yang semula 82,05% menjadi 83,33%, serta mengurangi tingkat kesalahan klasifikasi CART dari 17,94% menjadi 16,67%.
English Abstract
The Human Development Index (HDI) in Indonesia was increasing annually. However, there are several districts/cities still have low HDI. One of the way that can be done by local government to leveling human development is identify variables that involved in HDI classification. Classification and Regression Tree (CART) is nonparametric method for classification problem with numeric/categorical respon, or both of them. The problem in classification methods is stability and predictive power of the tree. Bootstrap aggregating (bagging) is used to improve both the stability and predictive power of classification and regression trees. Bagging is basically combines predictions values of many simple trees into a single prediction value that can be obtained from majority vote for classification tree and average for regression tree. The method used in this research was CART to classify HDI into low, standard, high, and very high categories, then compare CART’s accuracy with bagging CART’s accuracy. Based on the result, variables mean years of schooling and adjusted expenditure per capita were significantly involved the HDI rate. Bagging CART by 100 replications capable to improve classification accuracy of CART method from 82,05% to 83,33% and reduce missclassification rate from 17,94% to 16,67%.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2018/109/051803514 |
| Uncontrolled Keywords: | Klasifikasi, CART, Bagging, Indeks Pembangunan Manusia Classification, CART, Bagging, Human Development Index |
| Subjects: | 000 Computer science, information and general works > 001 Knowledge > 001.012 Classification |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 03 Jul 2020 05:30 |
| Last Modified: | 18 Oct 2021 02:31 |
| URI: | http://repository.ub.ac.id/id/eprint/168475 |
Preview |
Text
Lailatul Rohmah (2).pdf - Published Version Download (1MB) | Preview |
Actions (login required)
 |
View Item |