%A 1517031150 Vera Yuni Arsa 
%T PENDUGAAN MISCLASSIFICATION ERROR DENGAN METODE
RESUBSTITUSI DAN JACKKNIFE PADA ANALISIS DISKRIMINAN
FISHER


%X Analisis diskriminan merupakan suatu teknik analisis data multivariat yang
digunakan untuk mengklasifikasikan objek ke dalam populasi-populasi yang
berbeda, yaitu dengan menggunakan suatu aturan klasifikasi berdasarkan sampel
latihan yang telah diketahui asal populasinya. Namun, setiap aturan klasifikasi
tidak selalu memberikan ketepatan dalam mengklasifikasikan objek. Sehingga
dalam setiap aturan klasifikasi tersebut akan selalu terdapat kesalahan klasifikasi. 
Tingkat kesalahan klasifikasi ini dapat diduga dengan menggunakan metode
pendugaan, dua diantaranya adalah metode Resubstitusi dan Jackknife.  

Penelitian ini bertujuan untuk menduga tingkat kesalahan klasifikasi
menggunakan metode Resubstitusi dan Jackknife dalam analisis diskriminan
Fisher. Data yang digunakan adalah data simulasi yang dihasilkan menggunakan
software SAS 9.4 yang berisi dua populasi dengan matriks kovarians yang sama
yaitu ?1 = ?2. Dua kasus yang diperhatikan yaitu populasi dengan 1) matriks
kovarian diagonal dan 2) matriks kovarian nondiagonal. Perbandingan kedua
metode tersebut dianalisis berdasarkan kuadrat tengah galat (KTG) dari menduga
kesalahan klasifikasi. Hasil penelitian ini menunjukkan bahwa penduga Jackknife
baik dalam menduga misclassification error pada kasus pertama hanya untuk
ukuran sampel kecil. Sementara itu, penduga Resubstitusi cenderung lebih baik
pada ukuran sampel yang besar. Namun, penduga Resubstitusi selalu lebih baik
daripada Jackknife untuk kasus kedua. Dapat juga disimpulkan bahwa semakin
banyak peubah dan ukuran sampel yang digunakan dalam simulasi semakin kecil
nilai MSE dari menduga kesalahan klasifikasi yang diperoleh dari penduga
Resubstitusi dan Jackknife.

Kata Kunci: Analisis Diskriminan Fisher, Resubstitusi, Jackknife,
Misclassification error 
 Discriminant analysis is a multivariate data analysis technique that is used to
classify objects into different populations, by using a classification rule based on
an exercise sample whose origin is known. However, each classification rule does
not always provide accuracy in classifying objects. So that in each classification
rule there will always be a classification error. The level of misclassification can
be estimated by using estimation methods, two of them are Resubstitution and
Jackknife methods.

This study aimed to predict misclassification rate using the Resubstitution and
Jackknife methods in Fisher discriminant analysis. The data used were simulated
data generated using SAS 9.4 software containing two populations with equal
covariance matrices i.e ?1 = ?2. Two cases were concerned namely populations
with 1) diagonal covariance matrix and 2) nondiagonal covariance matrices. The
comparison of the two methods was analyzed based on the mean squared error
(MSE) of their misclassification estimates. The results of this study indicate that
the Jackknife estimator was satisfactory in the misclassification error estimation
of the first case only for small sample sizes. Meanwhile, the Resubstitution
estimator tends to be better at large sample sizes. However, the Resubstitution
estimator is always better than the Jackknife for the second case. It also can be
concluded that the more variables and the sample sizes used in the simulation the
smaller the value of the MSE of misclassification estimates obtained from
Resubstitution and Jackknife estimators.

Keywords: Fisher Discriminant Analysis, Resubstitution, Jackknife,
Misclassification error 
%D 2022
%C UNIVERSITAS LAMPUNG
%R 1517031150
%I FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
%L eprints63284