Algoritma AdaBoost. Dalam. Pengklasifikasian. Zulhanif. Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung.

Transkripsi

1 Algorta AdaBoost Dala Pnglasfasan Zulhanf Staf Pngajar Jurusan Statsta FMIPA, Unpad Bandung Eal : dzulhanf@yahoo.co ABSTRAK Mtod AdaBoost rupaan salah satu algorta suprvsd pada data nng yang dtrapaan scara luas untu buat odl lasfas. AdaBoost sndr prtaa al dprnalan olh Yoav Frund dan Robrt Schapr995. Walaupun pada awalnya algorta n dtrapan pada odl rgrs, srng dngan prbangan tnolog oputr yang cpat, tod n juga dapat dtrapan pada odl statst lannnya. Mtod adaboost rupaan salah satu tn nsabl dngan nggunaan loss functon fungs ponntal untu prba tngat auras dar prds yang dbuat. Pada aalah n aan aan djlasan pnrapan tod AdaBoostdala asalah pnglasfasan dngan tujuan untu prba tngat auras odl yang dbntu. Kata Kunc : Boostng,Klasfas,AdaBoost. Prosdng Snar Nasonal Matata dan Pnddan Matata UMS

2 . PENDAHULUAN Ada dua budaya dala pnggunaan podlan statst untu ncapa spulan dar data. Budaya prtaa rupaan budaya prtaa adalah Th Data Modlng ultur yang rupaan budaya sbagan bsar ahl statst saat n, pada lopo Data Modllng ultur statstawan ngasusan odl stoast trtntu untu njlasan ans suatu data, sdangan budaya dua yang rupaan lopo Algorthc Modlng ulturrupaan lopo statstawan yang nggunaan odl algorta untu njlasan ans suatu data. Sbaga lustras bahwa sorangeono dala ountas data nng aan brbda dala pndatan ra untuanalss rgrs. Para ono dluar ountas data nng aan bangun sbuah odl rgrs dar tor dan udan nggunaan odl trsbut untu njlasan bntu hubungan yang tjad, hal n brbda untu ono pada ountas data nng, pada ontas n ono aan nggunaan prnsp tchn sn yang ana suatu pndatan yang nggunaansbagan bsar rgrssor atau -varabl yang trsda aan dprgunaan dala odl rgrs. Karna plhan -varabl tda dduung olhtor, valdas odl rgrs njad hal yang sangat pntng. Pndatan standar untuvaldas odl rgrs pada data nng adalah dngan cara bag data dala data plathan dan datapngujan.konsp datast plathan vrsus datast pngujan rupaan nt dar algorta suprvsd pada data nng. Pada prnspnya odl yang dbntu pada data plathan aan dprgunaan untu buat buat prds pada data pngujn. Tujuan dar pross n adalah agar odl tda ovrfttd srta dapat dgnralsas. Pada aalah n aan djlasan odl boostng dala pnglasfasan brdasaraan algorta AdaBoost yang dbangan olh Yoav Frund dan Robrt Schapr [3]. 2. METODE PENELITIAN Algorta AdaBoost sndr rupaan aron dar Adaptv Boostng, algorta n dtrapan scara luas pada odl prds dala data nng. Int dar algorta AdaBoost adalah bran suatu bobot lbh pada obsrvas yang tda tpat wa classfcaton. Boostng sndr pada dasarnya adalah buah obnas lnar dar classfrdngan fungs classfr dsalan {, }, shngga obnas lnar dar classfr dapat dnyataan sbb: Prosdng Snar Nasonal Matata dan Pnddan Matata UMS

3 Prosdng Snar Nasonal Matata dan Pnddan Matata UMS Dala bntu yang lbh uu dapat dnyataan dala prsaaan sbb: 2.2 Pada algorta AdaBoost ddfnsantotalcost, atau totalrror, darclassfrsbaga fungssponnsal sbb: p N y E 2.3 Prsaaan 3 dapat dtuls juga dala sbuah prsaaan sbb: p N y w E 2.4 Dngan p y w Prsaaan 4 sndr dapat dnyataan dala dua prsaaan sbb: p p y y w w E 2.5 Ja prsaaan prtaa untu asus ndvdu dlasfasan dngan bnar dnyataan p c W sbaga dan yang tda bnar dnyataan dngan p W aa prsaaan 4 dapat dtuls sbb p p W c W E 2.6

4 Dar prsaaan 6 trhat bahwa untu nuan fungs E aan dcar nla bobot yang optu yang dhtung dngan cara sbb: de d W p W p 2.7 c W p 2 0 c W ln 2 W W c W W ln ln dngan 2 W 2 W W Prosdng Snar Nasonal Matata dan Pnddan Matata UMS

5 Pruusan algorta AdaBoost scara lngap dapat djabaran sbb: Untu = to M. Mnuan fungs rror W p w y 2. St ln yang ana 2 W W 3. Updat nla w w w p ja pngaatan tu ssclassfcaton dan w w p w untu lannnya 3. HASIL DAN PEMBAHASAN Sbaga lustras dala pnggunaan algorta Adaboost dngan fungs classfrrgrsson trn aan dprgunaan data pnltan Databas anr payudara n dprolh darruah SatUnvrsty of Wsconsn, Madson dar Dr. Wlla H. Wolbrg. Ia nla bops tuor payudara untu 699 pasn hngga 5 Jul 992 ; asng-asng sblan atrbut tlah dnla pada sala sapa 0, shngga trdapat 699 pngataat clss dngan 9atrbut,slanjutnayatahapan analss dala buat odl lasfasnya adalah sbb :. Mbag data yang dprgunaan njad dua bagan yang trdr atas data tranng dan data tstng dngan prbandngan 80% dan 20% 2. Mngvaluas bsarnya salahan lasfas dar data tranng dan data tstng 3. Mbuat odl prds Dngan bantuan softwar ddapat odl lasfas dngan tngat pntngan varabl prdtor dan auras lasfas sbb: Prosdng Snar Nasonal Matata dan Pnddan Matata UMS

6 3..Julah Boostng Optal Tabl Tngat Kpntngan Varabl Prdtor Varabl Prdtor Ipotanc ll.sz Bar.nucl Noral.nuclol l.thcnss Bl.croatn Marg.adhson Epth.c.sz ll.shap Mtoss Julah Boostng Optal Prosdng Snar Nasonal Matata dan Pnddan Matata UMS

7 Gabar Julah Optal Boostng 3.2. Tngat Auras Klasfas tanpa Boostng Tngat auras lasfas dtnjau dar data tranng dan data tstng sbb: Data Tranng Tabl 2 Tabl Klasfas Data Tranng Bngn Malgnant Total Bngn Malgnant Prosdng Snar Nasonal Matata dan Pnddan Matata UMS

8 Total Dar data tranng pada tabl 2 dapat dlhat tngat slasfas sbsar 3.75% Data Tstng Tabl 2 Tabl Klasfas Data Tstng Bngn Malgnant Total Bngn Malgnant Total Dar data tranng pada tabl dapat dlhat tngat slasfas sbsar 5.04% 3.3. Tngat Auras Klasfas dngan Boostng Tngat auras lasfas dtnjau dar data tranng dan data tstng sbb: Data Tranng Tabl 3 Tabl Klasfas Data Tranng Prosdng Snar Nasonal Matata dan Pnddan Matata UMS

9 Bngn Malgnant Total Bngn Malgnant Total Dar data tranng pada tabl 3 dapat dlhat tngat slasfas sbsar 0% Data Tstng Tabl 4 Tabl Klasfas Data Tstng Bngn Malgnant Total Bngn Malgnant Total Dar data tranng pada tabl 4 dapat dlhat tngat slasfas sbsar 2.88% Prosdng Snar Nasonal Matata dan Pnddan Matata UMS

10 3.4 Modl Boostng 4. SIMPULAN Prosdng Snar Nasonal Matata dan Pnddan Matata UMS

11 Hasl analss nunjuan adanya urang auratan hasl lasfas pada data tstng yang brpotns ybaban ovr ftng dar odl lasfas yang dbntu.podlan lasfas dngan tod n prlu duj lag brnaan dngan prtbangan nggunaan loss functon slan fungs ponntal.prdusan julah varabl prdtor njad hal yang dapat dprtbangan untu gurang salahan dar odl alafas yang dbuat. 5.DAFTAR PUSTAKA [] Baur, E. and R. Kohav An prcal coparson of votng classfcaton algo- rths: Baggng, boostng, and varants. Machn Larnng 36: [2] Bran, L., J. Frdan, R. Olshn, and. Ston lassfcaton and Rgrsson Trs. Blont, A: Wadsworth. [3] Frund, Y. and R. E. Schapr A dcson-thortc gnralzaton of onln larnng and an applcaton to boostng. Journal of oputr and Syst Scncs 55: [4] Frdan, J Grdy functon approaton: a gradnt boostng achn. An-nals of Statstcs 29: [5] Frdan, J., T. Hast, and R. Tbshran Addtv logstc rgrsson: a stats-tcal vw of boostng. Annals of Statstcs 28: [6] Hast, T., R. Tbshran, and J. Frdan Th Elnts of Statstcal Larnng Nw Yor: Sprngr. [7] Long, J. S. and J. Frs Rgrsson Modls for atgorcal Dpndnt Varabls Usng Stata. rv. d. ollg Staton, TX: Stata Prss. [8] Mcullagh, P. and J. A. Nldr Gnralzd Lnar Modls. 2nd d. London:hapan & Hall. Prosdng Snar Nasonal Matata dan Pnddan Matata UMS