commit to user 7
= , =
1, + 2, + ⋯ + , =
1
+
2
+ ⋯ +
= . 2.2
Jika | adalah probabilitas bahwa sebuah objek adalah anggota kelas j yang
berada dalam node t, maka berdasarkan persamaan 2.2 diperoleh | =
, =
= 2.3
dan | = 1 .
2.1.2 Analisis Klasifikasi
Analisis klasifikasi yaitu suatu analisis untuk memisahkan objek-objek ke dalam dua kelas atau lebih serta menentukan atau mengalokasikan objek-objek baru
ke dalam kelas-kelas tersebut. Jadi, ada dua fungsi dalam analisis klasifikasi, yaitu 1. fungsi partisi, yaitu memisahkan objek-objek ke dalam dua kelas atau lebih
berdasarkan aturan klasifikasi tertentu. 2. fungsi prediksi, yaitu untuk mengalokasikan objek-objek baru belum diketahui
kelasnya ke dalam kelas-kelas tersebut. Untuk melakukan kedua fungsi tersebut digunakan suatu alat klasifikasi
yaitu classifier dengan cara-cara atau metode yang sistematis. Beberapa contoh classifier diantaranya adalah Analisis Diskriminan, Regresi Logistik, K-th Nearest
Neighbor, Kernel Density Estimation, Neural Network, dan Classification and Regression Trees CART. Classifier memisahkan objek-objek ke dalam kelas-
kelas yang berbeda berdasarkan pengukuran pada M variabel random ;
=
commit to user 8
1, 2, 3, … , yang selanjutnya disebut dengan variabel independen sedangkan
variabel yang memuat kelas-kelas dari objek disebut variabel dependen =
{
1
,
2
, ⋯ , } dimana ∶ kelas ke- ; = 1, 2, ⋯ , .
Definisi 2.2. Breiman et al, 1993 Classifier adalah partisi dari ke
dalam himpunan bagian
1
, ⋯ , dengan =
sedemikian sehingga untuk setiap
� objek tersebut diprediksikan ke dalam kelas j. = {
∶ = } Classifier dibentuk berdasarkan data terdahulu atau observasi pada masa
lampau past experience. Data-data terdahulu ini terhimpun dalam satu bentuk susunan yang disebut dengan Learning Sample atau Training sample. Learning
Sample terdiri dari variabel-variabel independen dan variabel dependen pada kolom dan objek-objek cases sebanyak N pada baris.
Definisi 2.3. Breiman et al, 1993 Learning sample terdiri dari data
1
,
1
,
2
,
2
, ⋯ ,
, dengan
� dan � 1, ⋯ , , = 1, 2, ⋯ , , dengan N adalah banyaknya objek case.
Learning sample dinotasilan dengan ℒ = {
1
,
1
,
2
,
2
, ⋯ , ,
.
2.1.3 Masalah Umum Klasifikasi Misclassification, Rebstitution Estimate dan
