Text

Perbandingan Metode Klasifikasi Regresi Logistik Biner dan Radial Basis Function Network Pada Berat Bayi Lahir Rendah (Studi Kasus: Puskesmas Pamenang Kota Jambi)

---

ABSTRAK
Berat Bayi Lahir Rendah (BBLR) merupakan salah satu penyebab utama
kematian bayi. Perlu dilakukan identifikasi dan prediksi bayi sebelum lahir dengan
memperhatikan data historis ibu hamil. Penelitian tugas akhir ini bertujuan untuk
menganalisis klasifikasi status bayi baru lahir guna mengurangi risiko terjadinya
BBLR. Metode statistik yang digunakan adalah Regresi Logistik Biner dan Radial
Basis Function Network. Data yang digunakan dalam penelitian ini adalah data berat
bayi lahir pada Puskesmas Pamenang Kota Jambi pada tahun 2014. Dalam penelitian
ini, data yang digunakan dibagi menjadi data training dan data testing. Data training
digunakan untuk pembentukan model dan pola, sedangkan data testing digunakan
untuk menguji seberapa besar ketepatan model atau pola yang dibentuk dalam
mengklasifikasikan data melalui tabel konfusi. Hasil analisis menunjukkan bahwa
metode Regresi Logistik Biner menghasilkan ketepatan klasifikasi sebesar 81.7%
untuk data training dan 77.4% untuk data testing, sedangkan metode Radial Basis
Function Network menghasilkan ketepatan klasifikasi sebesar 92.96% pada data
training dan 80.64% pada data testing. Metode Radial Basis Function Network
memiliki ketepatan klasifikasi yang lebih baik dari pada Regresi Logistik Biner.
Kata kunci: Berat Bayi Lahir Rendah (BBLR), Regresi Logistik Biner, Radial Basis
Function Network, Klasifikasi, Konfusi

ABSTRACT
Low Birth Weight (LBW) is one of the main causes of infant mortality. LBW
must be identified and predicted before the baby birth by observing historical data of
expectant. This research aims to analyze the classification of status newborn in order
to reduce the risk of LBW. The statistical method used are the Binary Logistic
Regression and Radial Basis Function Network. The data used in this final project is
birth weight at Pamenang Jambi City health center in 2014. In this research, the data
are divided into training data and testing data. Training data will be used to generate
the model and pattern formation, while testing the data is used to measure how the
accuracy of the representative model or pattern formed in classifying data through
confusion tables. The results of analysis showed that the Binary Logistic Regression
method gives 81.7% of classification accuracy for training data and 77.4% of
classification accuracy for testing data, while Radial Basis Function Network method
gives 92.96% of classification accuracy for training data and 80.64% of classification
accuracy for testing data. Radial Basis Function Network method has better
classification accuracy than the Binary Logistic Regression method.
Keywords: Low Birth Weight (LBW), Binary Logistic Regression, Radial Basis
Function Network, Classification, Confusion

---

Ketersediaan

426E15IV

519.536 SAM p

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

STATISTIKA

No. Panggil

519.536 SAM p

Penerbit

: ., 2015

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

950

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

ALGORITMA & PEMROGRAMAN

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Riama Oktaviyani Samosir

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar