Prediksi Kepercayaan Pengguna Internet dalam Paradigma Komputasi Pervasif dengan Regresi Logistik Berganda
DOI:
https://doi.org/10.30989/teknomatika.v12i2.284Kata Kunci:
Regresi logistic berganda, preprosessing, Pervasive Computing, Confusion Matrix, ROCAbstrak
Prediksi terhadap data kepercayaan pengguna internet dalam paradigma pervasive computing pernah dilakukan sebelumnya, namun tidak menutup kemungkinan untuk menggunakan metode lain. Model prediksi regresi logistik berganda digunakan sebagai pengembangannya. Variabel hasil (dependen) pada dataset memiliki tipe data binominal menunjukkan keadaan kepercayaan pengguna internet terhadap beberapa variabel prediktor (independen) yang didefinisikan dengan sejumlah faktor-faktor bertipe data polynominal. Penggunaan model prediksi regresi logistik berganda dilakukan beberapa kali dengan persentase pembagian dataset berbeda sehingga menghasilkan koefisien regresi yang berbeda-beda pula. Hal ini dilakukan untuk menemukan nilai kebenaran prediksi yang maksimal melalui nilai keluaran dari Confusion Matrix dan kurva ROC. Hasil penelitian ini menunjukkan bahwa model regresi logistik berganda dapat digunakan secara efektif untuk memprediksi kepercayaan pengguna internet dalam paradigma pervasive computing dengan terlebih dahulu melalui tahap preprosessing data serta pembagian data training dan data testing yang sesuai. Dari beberapa pembagian data, model memprediksi hampir mencapai tingkat akurasi 100%.
Referensi
M. Weiser, “The computer for the 21st century,” in Scientific American, 1991, pp. 94–101.
C. Setiawan, “Pervasive Computing / Ubiquitous Computing (Ubicomp) di Indonesia.”
M.-Y. Cho and T. Thom Hoang, “Feature Selection and Parameters Optimization of SVM Using Particle Swarm Optimization for Fault Classification in Power Distribution Systems,” 2017.
S. Kurkovsky, “Pervasive computing: Past, present and future,” in 2007 ITI 5th International Conference on Information and Communications Technology, 2007.
J. Ye, S. Dobson, and P. Nixon, “An Overview of Pervasive Computing Systems,” in Ambient Intelligence with Microsystems, 2009.
G. Dangelo, S. Rampone, and F. Palmieri, “An Artificial Intelligence-Based Trust Model for Pervasive Computing,” in Proceedings - 2015 10th International Conference on P2P, Parallel, Grid, Cloud and Internet Computing, 3PGCIC 2015, 2015, pp. 701–706.
G. D’angelo, S. Rampone, F. Palmieri, and G. D. ’ Angelo, “Developing a Trust Model for Pervasive Computing Based on Apriori Association Rules Learning and Bayesian Classification,” Soft Comput. - A Fusion Found. Methodol. Appl., vol. 21, no. 21, pp. 6297–6315, 2017.
G. Dangelo, “Dishonest Internet users Dataset Data Set,” UCI Machine Learning Repository, 2018. [Online]. Available: http://archive.ics.uci.edu/ml/datasets/Dishonest+Internet+users+Dataset.
V. Sampath, A. Flagel, and C. Figueroa, “A Logistic Regression Model To Predict Freshmen Enrollments.”
M. Zaidi and A. Amirat, “Forecasting Stock Market Trends By Logistic Regression And Neural Networks Evidence From Ksa Stock Market,” Int. J. Econ. Commer. Manag., vol. IV, no. 6, pp. 220–234, 2016.
N. Srivastava, “A logistic regression model for predicting the occurrence of intense geomagnetic storms,” 2005.
D. Regresi, L. Biner, I. Ketut, P. Suniantara, and M. Rusli, “Klasifikasi Waktu Kelulusanmahasiswa Stikom Bali Menggunakan Chaid Regression Trees Dan Regresi Logistik Biner,” vol. 5, no. 1, 2017.
L. Mary Gladence, M. Karthi, and V. Maria Anu, “A statistical comparison of logistic regression and different bayes classification methods for machine learning,” ARPN J. Eng. Appl. Sci., 2015.
A. Yumalia, R. E. Indrajit, and M. A. Ri, “Penerapan Konsep Business Intelligence Untuk Percepatan Penyelesaian Perkara Pada PANMUD Perdata Khusus Mahkamah Agung RI,” vol. 1, no. 2, 2017.
D. H. Ismunarti, “Regresi Logistik Binomial , Model untuk Toksisitas Logam Berat Timbal Pb terhadap Larva Udang Vannamae,” Bul. Oseanografi Mar. Oktober, vol. 1, pp. 47–52, 2012.
A. Ilham, “Komparasi Algoritma Klasifikasi Dengan Pendekatan Level Data Untuk Menangani Data Kelas Tidak Seimbang,” J. Ilm. Ilmu Komput., vol. 3, no. 1, pp. 2442–4512, 2017.
A. N. Manthovani, “Analisis Perbandingan Klasifikasi Metode Regresi Logistik Biner Dan Random Forest Pada Big Data,” 2018.
H. A. Park, “An introduction to logistic regression: From basic concepts to interpretation with particular attention to nursing domain,” J. Korean Acad. Nurs., 2013.
A. Rohmadi, “Penerapan Metode Regresi Logistik Pada Aplikasi Pemilihan Organisasi Mahasiswa,” 2013.
S. L. David W. Hosmer Jr., Applied logistic regression. 1998.
A. T. Basuki, “Regresi Logistik biner.”
E. Zdravevski, P. Lameski, and A. Kulakov, “Advanced Transformations for Nominal and Categorical Data into Numeric Data in Supervised Learning Problems,” 10th Conf. Informatics Inf. Technol., vol. 7, no. Ciit, pp. 142–146, 2013.
M. te Grotenhuis and P. Thijs, “Dummy variables and their interactions in regression analysis: examples from research on body mass index,” 2015.
S. Garavaglia, A. Sharma, and M. Hill, “A Smart Guide To Dummy Variables : Four Applications and a Macro.”
K. K. Dobbin and R. M. Simon, “Optimally splitting cases for training and testing high dimensional classifiers,” BMC Med. Genomics, vol. 4, 2011.
N. Šarlija, A. Bilandžić, and M. Stanić, “Logistic regression modelling: procedures and pitfalls in developing and interpreting prediction models,” Croat. Oper. Res. Rev., vol. 8, pp. 631–652, 2017.
A. Salim, “Pengoptimalan Naïve Bayes Dan Regresi Logistik Menggunakan Algoritma Genetika Untuk Data Klasifikasi,” 2017.
Y. Jiang, “Using Logistic Regression Model to Predict the Success of Bank Telemarketing,” Int. J. Data Sci. Technol., vol. 4, no. 1, pp. 35–41, 2018.
A. I. Abdelrahman, “Applying Logistic Regression Model to The Second Primary Cancer Data,” InterStat J., 2010.
