Prediksi Potensi Donatur Menggunakan Model Logistic Regression
DOI:
https://doi.org/10.56705/ijodas.v4i1.64Keywords:
Missing values, single imputation, logistic regressionAbstract
GRDS menghadapi kelangkaan dana, ketika diperlukan untuk merawat para korban Gaja. Gaja adalah topan bernama kelima dari musim siklon Samudra Hindia Utara 2018 yang mempengaruhi sebagian besar tempat di Tamil Nadu, India selama bulan November 2018. Tujuan dari penelitian ini adalah untuk menggunakan riwayat donasi untuk menganalisis apakah donator akan menyumbang atau tidak menggunakan regresi logistik. Data Tamil Nadu diberikan untuk menerapkan model yang dibangun untuk memprediksi donator yang paling mungkin menjadi korban topan Gaja. Pada tahap pengumpulkan data seringkali terjadi hambatan, salah satu hambatannya yaitu fenomena missing data atau data hilang. Akibat dari adanya missing data adalah pendugaan parameter menjadi tidak efisien. Ukuran data yang berkurang dapat mengakibatkan kesulitan dalam menganalisis, sehingga hasil yang didapatkan menjadi tidak valid dan tujuan dari penelitian tidak tercapai. Data yang hilang akan diisi menggunakan metode single imputation. Data yang telah diimputasi menggunakan beberapa metode akan membantu dalam melakukan prediksi. Dimana algoritma yang digunakan untuk melakukan prediksi ialah logistic regression. Beberapa data dihilangkan setelah melihat multikolinearitas. Dalam tahap pemodelan, data dibagi menjadi 2 yaitu 70% untuk data pelatihan dan 30% untuk data tes. Dimana hasil perhitungan akurasi dari model ialah 0,6129 yang menunjukkan bahwa model tidak melakukan prediksi dengan baik menggunakan metode tersebut.
Downloads
References
S. K. Kwak and J. H. Kim, "Statistical data preparation: management of missing values and outliers," Korean Journal of Anesthesiology, vol. LXX, no. IV, pp. 407-411, 2017.
M. Auld, "Data cleaning and spotting outliers with UNIVARIATE," 2011. [Online]. Available: https://www.lexjansen.com/phuse/2011/cc/CC01.pdf. [Accessed 13 April 2019].
D. N. Schreiber and H. M. Jackson, "Multicollinearity: What Is It, Why Should We Care, and How Can It Be Controlled?," 14 April 2017. [Online]. Available: https://support.sas.com/resources/papers/proceedings17/1404-2017.pdf. [Accessed 28 March 2019].
W. H. W. M. Hanapi, H. M. Sarkan, N. N. A. Sjarif, Y. Yahya and S. Chuprat, "A Prediction Model for Blood Donation Using Multiple Logistic Regression," Open International Journal of Informatics (OIJI), vol. VII, no. 2, pp. 147-157, 2019.
L. Farrokhvar, A. Ansari and B. Kamali, "Predictive Models for Charitable Giving Using Machine Learning Techniques," PLOS ONE, pp. 1-14, 2018.
L. Schetgen, "Predicting Donation Behavior: Acquisition Modeling In The Nonprofit Sector Based On Facebook Data," 2018.
Z. Zhang, "Missing data imputation: focusing on single imputation," vol. IV, no. 1, pp. 1-8, 2016.
S. A. Oktavianti and T. S. Yanti, "Penanganan Data Hilang Menggunakan Metode MarkoviChain Monte Carlo (MCMC)," in Bandung Conference Science: Statistics, Bandung, 2022.
E. Sartika, "Analisis Metode K-Nearest Neighbor Imputation (KNN) untuk Mengatasi Data Hilang Pada Estimasi Data Survey," TEDC, vol. XII, no. 3, pp. 219-227, 2018.
M. Sriningsih, D. Hatidja and J. D. Prang, "Penanganan Multikolinearitas Dengan Menggunakan Analisis Regresi Komponen Utama Pada Kasus Impor Beras di Provinsi Sulut," Jurnal Ilmiah Sains, vol. XVIII, no. 1, pp. 18-24, 2018.
Published
Issue
Section
License
Authors retain copyright and full publishing rights to their articles. Upon acceptance, authors grant Indonesian Journal of Data and Science a non-exclusive license to publish the work and to identify itself as the original publisher.
Self-archiving. Authors may deposit the submitted version, accepted manuscript, and version of record in institutional or subject repositories, with citation to the published article and a link to the version of record on the journal website.
Commercial permissions. Uses intended for commercial advantage or monetary compensation are not permitted under CC BY-NC 4.0. For permissions, contact the editorial office at ijodas.journal@gmail.com.
Legacy notice. Some earlier PDFs may display “Copyright © [Journal Name]” or only a CC BY-NC logo without the full license text. To ensure clarity, the authors maintain copyright, and all articles are distributed under CC BY-NC 4.0. Where any discrepancy exists, this policy and the article landing-page license statement prevail.
