BAB 5 KESIMPULAN DAN SARAN -...
-
Upload
trinhhuong -
Category
Documents
-
view
223 -
download
0
Transcript of BAB 5 KESIMPULAN DAN SARAN -...
59
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Bab ini menyajikan beberapa hasil penting yang dapat ditarik sebagai
kesimpulan yang diperoleh dari hasil dan pembahasan pada Bab 4. Adapun
kesimpulan dari penelitian ini sebagai berikut.
1. MATLAB Toolbox PLS Logistic Regression merupakan bentuk implementasi
dari algoritma PLS Generalized Regression dengan link function logit.
Toolbox ini tersusun atas beberapa function dalam bentuk m file yaitu
center.m, logistic.m, plslog.m dan plslr.m. Input yang digunakan adalah
file Microsoft Office Excel baik versi 97/2003 maupun 2007 dengan ekstensi
‘.xls‘ atau ‘.xlsx‘ dan kolom pertama dari data tersebut akan dibaca
sebagai variabel sementara kolom lainnya akan dibaca sebagai variabel .
2. Penerapan metode PLS Logistic Regression pada data ketahanan pangan
kabupaten-kabupaten di Pulau Kalimantan menghasilkan model PLS Logistic
Regression dengan 1 komponen. Adapun model statistik yang dihasilkan
adalah sebagai berikut
g 0.7726 2.7758
atau jika dituliskan dalam bentuk variabel
g 8.6001 0.2212 0.0810 0.0538
0.1268 0.1330 0.0738 0.0290
0.0662 0.5768 0.0545
dimana model tersebut mampu memberikan ketepatan klasifikasi sebesar 90,7
persen. Berdasarkan nilai ketepatan klasifikasi tersebut juga dapat ditarik
kesimpulan bahwa metode PLS Logistic Regression pada data ketahanan
pangan kabupaten-kabupaten di Pulau Kalimantan mampu menghasilkan
model logistik yang memiliki ketepatan klasifikasi lebih tinggi dibandingkan
dengan ketepatan klasifikasi dari model yang dihasilkan oleh metode PCA
yaitu 90.7 persen untuk model PLS Logistic Regression berbanding dengan
88.4 persen untuk model PCA.
60
5.2 Saran
Dari hasil penelitian yang telah dilakukan, terdapat beberapa hal yang
dapat disarankan untuk pengembangan lebih lanjut.
1. Mengembangkan algoritma PLS Logistic Regression untuk variabel respon
yang bersifat ordinal.
2. Menggunakan data kategorik sebagai variabel prediktor.
3. Mengembangkan Toolbox MATLAB berdasarkan PLS-GLR untuk variabel
respon yang mengikuti distribusi keluarga eksponensial.
4. Membangun aplikasi untuk PLS Logistic Regression dengan bahasa
pemrograman tidak berbayar