Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
PERBANDINGAN ANTARAMODEL LOGITMUTINOMIAL DENGAN NEURAL NETWORK PADA DATA POLIKOTOMUS
Model logistik untuk data respon yang mempunyai lebih dari dua kategori dikenal sebagai model regresi logistik polikotomus atau model logit multinomial. Pendekatan lain yang dapat dilakukan untuk menganalisis data respon yang demikian adalah dengan menggunakan model neural network (NN). Model feedforward neural network (FFNN) merupakan salah satu bentuk model NN yang dipandang sebagai suatu bagian dari kelompok model yang sangat fleksibel dan dapat digunakan untuk berbagai aplikasi. FFNN dengan satu hidden layer dan parameter/bobot yang digunakan bersama (shared weights) merupakan generalisasi dari model logit multinomial. Perbedaan utama diantara kedua pendekatan tersebut adalah NN merupakan model nonparametrik, sehingga tidak membutuhkan asumsi awal tentang bentuk hubungan yang dimodelkan, sedangkan model logit multinomial merupakan model parametrik yang dalam hal ini dapat mengalami bias spesifikasi model apabila asumsi tidak terpenuhi. Model logit multinomial mampu memberikan taksiran parameter yang dapat diinterpretasi dan statistik uji untuk mengetahui signifikansi taksiran parameter tersebut, sedangkan NN sangat sulit untuk interpretasi namun arsitektur jaringan dapat dengan mudah ditingkatkan untuk mendapatkan hasil yang optimal. Model logit multinomial dan NN keduanya dapat digunakan untuk menyelesaikan masalah klasifikasi, oleh karena itu makalah ini membahas tentang perbandingan ketepatan klasifikasi antara model logit multinomial dengan NN menggunakan data simulasi. Hasil penelitian menunjukkan bahwa NN mampu memberikan ketepatan klasifikasi yang lebih tinggi dibandingkan dengan model logit multinomial, baik pada data training maupun pada data testing.
PERBANDINGAN ANTARAMODEL LOGITMUTINOMIAL DENGAN NEURAL NETWORK PADA DATA POLIKOTOMUS
Model logistik untuk data respon yang mempunyai lebih dari dua kategori dikenal sebagai model regresi logistik polikotomus atau model logit multinomial. Pendekatan lain yang dapat dilakukan untuk menganalisis data respon yang demikian adalah dengan menggunakan model neural network (NN). Model feedforward neural network (FFNN) merupakan salah satu bentuk model NN yang dipandang sebagai suatu bagian dari kelompok model yang sangat fleksibel dan dapat digunakan untuk berbagai aplikasi. FFNN dengan satu hidden layer dan parameter/bobot yang digunakan bersama (shared weights) merupakan generalisasi dari model logit multinomial. Perbedaan utama diantara kedua pendekatan tersebut adalah NN merupakan model nonparametrik, sehingga tidak membutuhkan asumsi awal tentang bentuk hubungan yang dimodelkan, sedangkan model logit multinomial merupakan model parametrik yang dalam hal ini dapat mengalami bias spesifikasi model apabila asumsi tidak terpenuhi. Model logit multinomial mampu memberikan taksiran parameter yang dapat diinterpretasi dan statistik uji untuk mengetahui signifikansi taksiran parameter tersebut, sedangkan NN sangat sulit untuk interpretasi namun arsitektur jaringan dapat dengan mudah ditingkatkan untuk mendapatkan hasil yang optimal. Model logit multinomial dan NN keduanya dapat digunakan untuk menyelesaikan masalah klasifikasi, oleh karena itu makalah ini membahas tentang perbandingan ketepatan klasifikasi antara model logit multinomial dengan NN menggunakan data simulasi. Hasil penelitian menunjukkan bahwa NN mampu memberikan ketepatan klasifikasi yang lebih tinggi dibandingkan dengan model logit multinomial, baik pada data training maupun pada data testing.
PERBANDINGAN ANTARAMODEL LOGITMUTINOMIAL DENGAN NEURAL NETWORK PADA DATA POLIKOTOMUS
Sri Rezeki (Autor:in) / Subanar Subanar (Autor:in)
2014
Aufsatz (Zeitschrift)
Elektronische Ressource
Unbekannt
Metadata by DOAJ is licensed under CC BY-SA 1.0
Perbandingan Peningkatan Kuat Tekan dengan Kuat Lentur pada Berbagai Umur Beton
| DOAJ | 2019
PERBANDINGAN ANALISIS REGRESI DENGAN JARINGAN SYARAF TIRUAN PADA PEMODELAN PENUMPANG PESAWAT
| DOAJ | 2020
PERBANDINGAN METODE PRELOADING DENGAN VAKUM KONSOLIDASI TANAH PADA PEMODELAN DI LABORATORIUM
| BASE | 2021
Perbandingan Bubble Sort dengan Insertion Sort pada Bahasa Pemrograman C dan Fortran
| DOAJ | 2013
ANALISIS PERBANDINGAN PERILAKU SRUKTUR BAJA DIAGRID DENGAN RANGKA TERBREIS PADA GEDUNG 16 LANTAI
| DOAJ | 2019