Metode Pohon Klasifikasi pada Data Respon Biner

Abstrak

Pelanggaran terhadap asumsi dalam metode parametrik menyebabkan suatu data tidak dapat dianalisis dengan metode yang dilandasi asumsi tersebut, namun dalam kenyataannya data tersebut perlu dianalisis karena ingin diperoleh informasi yang terdapat dalam data. Oleh karena itu digunakan metode nonparametrik sehingga data tersebut dapat dianalisis dan diperoleh informasi yang bermanfaat. Metode pohon klasifikasi merupakan metode nonparametrik yang dapat digunakan untuk menduga dan mengelompokkan suatu obyek ke dalam salah satu kategori peubah respon. Metode ini dapat digunakan untuk mencari peubah yang berpengaruh terhadap kematian dini pada neonatus (bayi yang baru lahir) dan membentuk model pohon klasifikasi. Model pohon optimal digunakan sebagai model untuk pendugaan terhadap status neonatus karena model ini memiliki struktur pohon yang sederhana dan memiliki tingkat kesalahan relatif validasi silang lipat-10 yang lebih kecil dari pada model pohon maksimal, yaitu masing-masing sebesar 0,383 dan 0,586. Dari 3 peubah prediktor yang terdapat dalam data, hanya berat lahir (X1)
dan skor apgar (X2) yang mempengaruhi pembetukan model. Neonatus yang memiliki berat lahir lebih dari
2027,5 gram dan memiliki skor apgar 2 atau 6 atau 7 dikategorikan neonatus akan tetap hidup dengan
peluang sebesar 0,958.