Statistika Regresi Logistik Neural Network Deskriptif Ketepatan Klasifikasi Model dengan Input Signifikan

Transkripsi

1 Statistika Regresi Logistik Neural Network Deskriptif Ketepatan Klasifikasi Model dengan Input Signifikan Predicted Predicted Actual < 3,5 3,5 Actual Tidak tepat Tepat waktu < 3, Tidak tepat , Tepat waktu 13 7 Classificattion accuracy 76,23% Classificattion accuracy 80,19% Sensitivity 78,26% Sensitivity 91,35% Specificity 74,54% Specificity 3,50% Analisis dan Pembahasan

2 Statistika Deskriptif Regresi Logistik Neural Network Perbandingan Ketepatan Klasifikasi antara Regresi Logistik dengan Neural Network Ketepatan Klasifikasi (%) Metode variabel yang seluruh variabel signifikan y1 y2 y1 y2 Regresi Logistik 74,25 80,19 73,26 73,27 Neural Network 72,27 79,2 76,23 80,19 Analisis dan Pembahasan

3 Kesimpulan Saran Kesimpulan dan Saran 1. Faktor-faktor yang mempengaruhi prestasi mahasiswa pasca sarjana ITS periode lulusan untuk variabel IPK adalah skor TOEFL, Usia, IPK saat S1, Lama Tunggu, Status Perkawinan, dan Asal perguruan Tinggi saat S1. Sedangkan untuk variabel lama tempuh faktor-faktor yang mempengaruhi skor TPA, kesesuaian bidang, IPK saat S1, status perkawinan dan asal perguruan tinggi saat S1. 2. Dengan metode Neural Network untuk variabel IPK dengan melibatkan seluruh prediktor membentuk ketepatan klasifikasi yang tertinggi dengan jumlah neuron pada hidden layer sebanyak 8 neuron. Untuk variabel lama tempuh studi jumlah neuron pada hidden layer yang membentuk ketepatan klasifikasi yang tetinggi yaitu dengan jumlah 10 neuron. Untuk Neural Network yang melibatkan variabel yang signifikan baik untuk variabel IPK dan lama tempuh studi ketepatan klasifikasi yang tertinggi yaitu dengan jumlah neuron pada hidden layer sebanyak 8 neuron. 3. Ketepatan klasifikasi antara Regresi Logistik dan Neural Network untuk variabel IPK dan lama tempuh studi yang melibatkan seluruh prediktor yang paling besar adalah dengan menggunakan regresi logistik yaitu sebesar 74,25% dan 80,19%. Sedangkan jika melibatkan variabel yang signifikan ketepatan klasifikasi yang tertinggi yaitu dengan menggunakan metode Neural Network dengan ketepatan klasifikasinya sebesar 76,23% dan 80,19% untuk masing-masing kategori IPK dan lama tempuh studi. 13

4 Kesimpulan Saran Berdasarkan hasil analisis dalam penelitian ini, telah ditunjukkan bahwa ketepatan klasifikasi antara regresi logistik dan Neural Network tidak memiliki ketepatan klasifikasi yang tinggi di variabel yang berbeda sehingga untuk penelitian selanjutnya dapat menggunakan arsitektur yang berbeda. Kesimpulan dan Saran 13

5 Daftar Pustaka rtian-mahasiswa.html. diakses pada tanggal 3 Februari Agresti, A Categorical Data Analysis, Second Edition. John Willey & Sons, New York. Brahmantyo, M Analisis Faktor-Faktor yang Mempengaruhi Prestasi Akademik Mahasiswa Pasca Sarjana ITS. Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember. Guillory, C.W A Multilevel Discrete Time Hazard Model of Retention Data in Higher Education, Dissertation, Louisiana State University, Louisiana. Hermawan, A., Jaringan Saraf Tiruan, Teori dan Aplikasi. Yogyakarta : Penerbit Andi. Daftar Pustaka Hosmer, D. W. dan Lemeshow, S. (2000). Applied Logistic Regression. New York: John Wiley & Sons, Inc. Kristanto, A Jaringan Syaraf Tiruan (Konsep Dasar, Algoritma, dan Aplikasi). Yogyakarta: Gava Media. Kusumadewi, S Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB dan Excel Link. Yogyakarta: Graha Ilmu. 15

6 Sesungguhnya sesudah kesulitan itu ada kemudahan, maka apabila kamu telah selesai (dari suatu urusan) kerjakanlah dengan sesungguhnya (urusan) yang lain dan hanya kepada Tuhanmulah hendaknya kamu berharap. (Al-insyiroh: 6-8) L/O/G/O 10% Luck, 20% Skill, 15% Concentrated power of will, 5 % pleasure, 50% Pain, 100% Reason to Remember THE NAME

7 Backpropagation

8 Backpropagation Penjumlahan input dan bobot-bobot pada hidden layer Output pada hidden layer yang terproses di neuron ke-j data ke-k Penjumlahan input dan bobot pada output layer Output pada output layer Hubungan antara input Dengan output

9 Purnami, S.W., dan Embong, A., 2008 Actual Positive = class 0 Negative = class 1 Predicted Positive = class 0 Negative= class 1 True Positive (TP) False Negative False Positive (FP) (FN) True Negative (TN) Keterangan : TP = jumlah observasi dari class 0 yang tepat diprediksikan sebagai class 0 TN = jumlah observasi dari class 1 yang tepat diprediksikan sebagai class 1 FP = jumlah observasi dari class 1 yang tepat diprediksikan sebagai class 0 FN = jumlah observasi dari class 0 yang tepat diprediksikan sebagai class 1 Classsification accuracy (%) = Sensitivity (%) = TP TP FN TP TP TN FP FN TN Specificity (%) = TN FP TN