Peningkatan Ketepatan Klasifikasi Model Regresi Logistik Biner dengan Metode Bagging (Bootstrap Aggregating)

Abstract

Tujuan penelitian ini adalah mengetahui ketepatan klasifikasi regresi logistik dan bagging (bootstrap aggregating) regresi logistik biner pada status peserta KB Kota Tegal tahun 2016 serta mengetahui model terbaik regresi logistik biner. Penelitian ini melakukan estimasi status peserta KB Kota Tegal dengan metode maximum likelihood estimation disertai dengan algoritma newton raphson, dilanjutkan dengan pengujian signifikansi parameter baik secara simultan dengan Uji likelihood ratio dan parsial dengan uji wald. Selanjutnya uji kesesuaian model menggunakan Hosmer dan Lemeshow, uji ketepatan klasifikasi regresi logistik biner dan bootstrap aggregating, dan pemilihan model terbaik dengan melihat nilai ketepatan klasifikasi tertinggi dengan tingkat kesalahan terkecil. Software yang digunakan adalah program R 3.4.1. Disimpulkan, ketepatan klasifikasi metode bagging (bootstrap aggregating) sebesar 75,641% dengan kesalahan klasifikasi 24,359%. Metode bagging (bootstrap aggregating) meningkatkan ketepatan klasifikasi pada model regresi logistik biner dengan nilai ketepatan klasifikasi pada model regresi logistik biner 69,74% meningkat menjadi 75,641%. Model yang terbaik adalah model regresi logistik biner dengan menggunakan bagging (bootstrap aggregating).