Prediksi Ketepatan Klasifikasi Status Predikat Lulusan Program Sarjana FMIPA Universitas Mulawarman Menggunakan Regresi Logistik Biner dan Neural Networks
Abstract
Classification is a learning technique for identifying categorical groups from a data set whose group member categories are known. Several methods that can be used in classification include binary logistic regression and neural networks. This research aims to compare the prediction results for the accuracy of the classification of predicate status for graduates of the FMIPA Mulawarman University undergraduate program in 2021. In the binary logistic regression method, the model parameters are estimated using the maximum likelihood estimation and Fisher scoring iteration methods. The neural networks used the backpropagation algorithm. The results of the research show that the classification accuracy using the confusion matrix obtained with binary logistic regression and neural networks is the same, namely 87.5%.
Downloads
Download data is not yet available.
References
Agresti, A. (2019). An Intoruction To Categorical Data Analysis Third Edition. Florida: John Wiley & Sons, Inc.
Aji, C. M. (2014). Analisis Faktor-faktor yang Memengaruhi Laju Pertumbuhan Penduduk Kota Semarang Tahun 2011 Menggunakan Geographically Weighted Logistic Regression. Jurnal Gaussian, 3(2), 161-171.
Bilder, C.R., and Loughin, T.M. (2015). Analysis of Categorical Data with R. Boca Raton: CRC Press.
Bishop, Christopher M. (2006). Pattern Recognition and Machine Learning. New York: Springer Science+Business Media.
Fatonah, L., Sanapiah, S., & Febrilia, B. R. (2019). Regresi Logistik Ordinal (Studi Kasus Faktor yang Mempengaruhi Tingkat Stres Mahasiswa dalam Menyelesaikan Skripsi). Media Pendidikan Matematika, 5(2), 146.
Fathurahman, M. (2017). Regresi Logistik untuk Pemodelan Indeks Pembangunan Kesehatan Masyarakat Kabupaten/Kota di Pulau Kalimantan. Seminar Nasional Matematika dan Aplikasinya, ISBN 978-602-14413-1-2, 285.
Hasanah, S. H. (2019). Perbandingan Metode Klasifikasi Artificial Neural Network Backpropagation dan Regresi Logistik (Studi Kasus : Bank Internasional Indonesia). Jurnal Statistika dan Matematika, 1(1), 44-62.
Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression Third Edition. New York: John Wiley & Sons, Inc.
Imaslihkah, S., Ratna, M., & Ratnasari, V. (2013). Analisis Regresi Logistik Ordinal Terhadap Faktor-Faktor yang Mempengaruhi Predikat Kelulusan Mahasiswa S1 di ITS Surabaya. Jurnal Sains dan Seni Pomits, 2(2), 177-182.
Jaya, H., Sabran, Indris, M. M., Djawad, Y. A., Ilham, A., & Ahmar, A. S. (2018). Kecerdasan Buatan. Makassar: Universitas Negeri Makassar.
Menezes, F. S., Liska, G. R., Cirillo, M. A., & Vivanco, M. J. (2017). Data Classification with Binary Response Through The Boosting Algorithm and Logistic Regression. Expert Systems With Aplication, 69(1), 63-65.
Nurrohmat, M. A., & Nugroho, Y. S. (2015). Aplikasi Pemrediksi Masa Studi dan Predikat. Khazanah Informatika, 1(1), 29-34.
Pawitan, Y. (2001). In All Likelihood: Statistical Modelling and Inference Using Likelihood. Oxford: Oxford University Press.
Pramana, S., Yuniarto, B., Mariyah, S., Santoso, I., & Nooraeni, R. (2018). Data Mining dengan R Konsep Serta Implementasi. Bogor: In Media.
Puspitaningrum, D. (2006). Pengantar Jaringan Saraf Tiruan. Yogyakarta: Penerbit Andi.
Ramli, Yuniarti, D., & Goejantoro, R. (2013). Perbandingan Metode Klasifikasi Regresi Logistik dengan Jaringan Saraf Tiruan (Studi Kasus: Pemilihan Jurusan Bahasa dan IPS Pada SMAN 2 Samarinda Tahun Ajaran 2011/2012). Jurnal Eksponensial, 4(1), 17-24.
Sutojo, T., Mulyanto, E., & Suharto, V. (2011). Kecerdasan Buatan. Yogyakarta: Penerbit Andi.
Varamita, A. (2017). Analisis Regresi Logistik dan Aplikasinya pada Penyakit Anemia untuk Ibu Hamil di RSKD Ibu dan Anak Siti Fatimah makassar. Makassar: Universitas Negeri Makassar.
Aji, C. M. (2014). Analisis Faktor-faktor yang Memengaruhi Laju Pertumbuhan Penduduk Kota Semarang Tahun 2011 Menggunakan Geographically Weighted Logistic Regression. Jurnal Gaussian, 3(2), 161-171.
Bilder, C.R., and Loughin, T.M. (2015). Analysis of Categorical Data with R. Boca Raton: CRC Press.
Bishop, Christopher M. (2006). Pattern Recognition and Machine Learning. New York: Springer Science+Business Media.
Fatonah, L., Sanapiah, S., & Febrilia, B. R. (2019). Regresi Logistik Ordinal (Studi Kasus Faktor yang Mempengaruhi Tingkat Stres Mahasiswa dalam Menyelesaikan Skripsi). Media Pendidikan Matematika, 5(2), 146.
Fathurahman, M. (2017). Regresi Logistik untuk Pemodelan Indeks Pembangunan Kesehatan Masyarakat Kabupaten/Kota di Pulau Kalimantan. Seminar Nasional Matematika dan Aplikasinya, ISBN 978-602-14413-1-2, 285.
Hasanah, S. H. (2019). Perbandingan Metode Klasifikasi Artificial Neural Network Backpropagation dan Regresi Logistik (Studi Kasus : Bank Internasional Indonesia). Jurnal Statistika dan Matematika, 1(1), 44-62.
Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression Third Edition. New York: John Wiley & Sons, Inc.
Imaslihkah, S., Ratna, M., & Ratnasari, V. (2013). Analisis Regresi Logistik Ordinal Terhadap Faktor-Faktor yang Mempengaruhi Predikat Kelulusan Mahasiswa S1 di ITS Surabaya. Jurnal Sains dan Seni Pomits, 2(2), 177-182.
Jaya, H., Sabran, Indris, M. M., Djawad, Y. A., Ilham, A., & Ahmar, A. S. (2018). Kecerdasan Buatan. Makassar: Universitas Negeri Makassar.
Menezes, F. S., Liska, G. R., Cirillo, M. A., & Vivanco, M. J. (2017). Data Classification with Binary Response Through The Boosting Algorithm and Logistic Regression. Expert Systems With Aplication, 69(1), 63-65.
Nurrohmat, M. A., & Nugroho, Y. S. (2015). Aplikasi Pemrediksi Masa Studi dan Predikat. Khazanah Informatika, 1(1), 29-34.
Pawitan, Y. (2001). In All Likelihood: Statistical Modelling and Inference Using Likelihood. Oxford: Oxford University Press.
Pramana, S., Yuniarto, B., Mariyah, S., Santoso, I., & Nooraeni, R. (2018). Data Mining dengan R Konsep Serta Implementasi. Bogor: In Media.
Puspitaningrum, D. (2006). Pengantar Jaringan Saraf Tiruan. Yogyakarta: Penerbit Andi.
Ramli, Yuniarti, D., & Goejantoro, R. (2013). Perbandingan Metode Klasifikasi Regresi Logistik dengan Jaringan Saraf Tiruan (Studi Kasus: Pemilihan Jurusan Bahasa dan IPS Pada SMAN 2 Samarinda Tahun Ajaran 2011/2012). Jurnal Eksponensial, 4(1), 17-24.
Sutojo, T., Mulyanto, E., & Suharto, V. (2011). Kecerdasan Buatan. Yogyakarta: Penerbit Andi.
Varamita, A. (2017). Analisis Regresi Logistik dan Aplikasinya pada Penyakit Anemia untuk Ibu Hamil di RSKD Ibu dan Anak Siti Fatimah makassar. Makassar: Universitas Negeri Makassar.
Published
2024-11-07
How to Cite
KHASANAH, Lisa Dwi Nurul; FATHURAHMAN, M.; HAYATI, Memi Nor.
Prediksi Ketepatan Klasifikasi Status Predikat Lulusan Program Sarjana FMIPA Universitas Mulawarman Menggunakan Regresi Logistik Biner dan Neural Networks.
EKSPONENSIAL, [S.l.], v. 15, n. 2, p. 62-72, nov. 2024.
ISSN 2798-3455.
Available at: <https://jurnal.fmipa.unmul.ac.id/index.php/exponensial/article/view/1301>. Date accessed: 21 nov. 2024.
doi: https://doi.org/10.30872/eksponensial.v15i2.1301.
Section
Articles
