PERBANDINGAN ANTARAMODEL LOGITMUTINOMIAL DENGAN NEURAL NETWORK PADA DATA POLIKOTOMUS

Abstract

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.