Perbandingan antara regresi logistik dengan jaringan saraf tiruan pada kasus berat kelahiran rendah

AFGHOHANI, Afif, Prof.Drs. Subanar, PhD

2004 | Tesis | S2 Ilmu Komputer

Saat ini perkembangan terapan jaringan saraf propagasi balik di dalam statistik begitu pesatnya, termasuk terapannya di dalam regresi logistik. Suatu data dengan outcome biner seperti data berat kelahiran bayi rendah merupakan salah satu kasus model regresi logistik, data terdiri dari sembilan variable bebas dan satu variable terikat (outcome biner). Penggunaan variable bebas pada data tersebut dibagi menjadi dua kelompok yaitu lima variabel bebas dan sembilan varaibel bebas. Algoritma training jaringan saraf propagasi balik yang digunakan adalah traingd (gradient descent) dan trainlm (Levenberg-Marquadt). Penelitian ini menggunakan 55 macam arsitektur jaringan dan pada setiap arsitektur jaringan diulang 50 kali training. Tujuan yang ingin dicapai dalam penelitian ini adalah untuk mengetahui perbandingan antara regresi logistik dengan jaringan saraf tiruan baik pada kelompok lima variable bebas maupun sembilan varaibel bebas dengan menghitung sensitivitas, specificitas, dan persentase correct dari masing-masing algoritma. Pada kelompok lima variable bebas dengan regresi logistik diperoleh sensitivitas=8.47%, specificitas=50%, dan persentase correct=68.78%; 5-50-1 adalah arsitektur terbaik dengan traingd yaitu menghasilkan sensitivitas=15.73%, specificitas=58.66%, dan persentase correct=70.23%; 5-54-1 adalah arsitektur terbaik dengan trainlm yaitu menghasilkan sensitivitas=21.05%, specificitas=62.54%, dan persentase correct=71.42%. Pada kelompok sembilan variable bebas dengan regresi logistik diperoleh sensitivitas=38.98%, specificitas=62.16%, dan persentase correct=73.54%; 9-53-1 adalah arsitektur terbaik dengan traingd yaitu menghasilkan sensitivitas=43.63%, specificitas=65.23%, dan persentase correct=75.14%; 9-12-1 adalah arsitektur terbaik dengan trainlm yaitu menghasilkan sensitivitas=40.54%, specificitas=69.66%, dan persentase correct=75.93%. Jadi jaringan saraf propagasi balik dengan banyak neuron (unit) yang cukup pada hidden layer akan menghasilkan ketepatan prediksi yang lebih tinggi dari pada regresi logistik.

Neural networks have recently been applied in the statistical approach. It have also been applied in the logistic regression. The low birth weight data which consist of one dependent variable and nine independent variables is used in this observation. This nine independent variables are divided into five independent variables and nine independent variables. The back propagation neural network algorithm that is used in this investigation is traingd (gradient descent) and trainlm (Levenberg-Marquadt). The observation uses 55 architectures and each of the training is repeated 50 times. The goal of this observation is to know the comparison between the logistic regression and back propagation neural networks on five independent variables and nine independent variables by computing sensitivity, specificity, and correct overall in each algorithms. The logistic regression on five independent variables yields sensitivity=8.47%, specificity=50%, and correct overall=68.78%; 5-50-1 is the best architecture for traingd that yields sensitivity=15.73%, specificity=58.66%, and correct overall=70.23%; 5-54-1 is the best architecture for trainlm that yields sensitivity=21.05%, specificity=62.54%, and correct overall=71.42%. The logistic regression on nine independent variables yields sensitivity=38.98%, specificity=62.16%, and correct overall=73.54%; 9-53-1 is the best architecture for traingd that yields sensitivity=43.63%, specificity=65.23%, and correct overall=75.14%; 9-12-1 is the best architecture for trainlm that yields sensitivity=40.54%, specificity=69.66%, and correct overall=75.93%. Thus the back propagation neural network with a sufficient number of nodes in the hidden layer yields more accuracy of prediction than the logistic regression.

Kata Kunci : Jaringan Syaraf Tiruan,Regresi Logistik, logistic regression, back propagation neural networks, gradient descent, Levenberg-Marquadt.