Transcript

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


Top Related