![\"\"](\"https:\/\/dieng.blob.core.windows.net\/library\/2018\/01\/Jangan-Abaikan-Interaksi-Variabel-pada-Permodelan-Prediktif.-Infokomputer.-Edisi-07.-Juli-2017.-Hal-68-69-1500x1005.jpg\")
<\/p>\n<\/p>\n
Saat menyusun model prediktif untuk tujuan apa pun, salah satu aktivitas paling awal yang dikerjakan adalah mengidentifikasi variable predictor.<\/p>\n
Misalnya saja saat menyusun model propensity<\/em> untuk aktivitas kartu debit, analis di bagian electronic banking <\/em>mungkin akan mempertimbangkan informasi besaran saldo tabungan, jenis kelamin, usia, atau aktivitas transaksi ATM nasabah menjadi variabel prediktornya. Sementara untuk program upselling<\/em> kendaraan, variabel predictor yang dapat digunakan oleh tim modelling<\/em> antara lain adalah waktu terakhir membeli kendaraan, jenis kendaraan yang dimiliki, dan tingkat penghasilan.<\/p>\n Dalam pemodelan prediktif terhadap suatu kejadian, sebuah variabel prediktor disebut berpengaruh jika besarnya peluang kejadian tersebut tergantung pada nilai variabel prediktor tersebut. Sebagai contoh, variabel jenis kelamin dikatakn berpengaruh dalam sebuah model propensity<\/em> jika kecenderungan membeli dari seorang perempuan lebih tinggi (atau lebih rendah) dibandingnkan kecenderungan membeli dari individu laki-laki (misalnya saja individu perempuan memiliki peluang membeli sebesar 20% sedangkan yang laki-laki hanya 8%). Jika peluang pembelian dari kedua kelompok jenis kelamin itu sama saja besarnya, jenis kelamin bukanlah variabel<\/em> yang pantas dijadikan variabel prediktor.<\/p>\n Saat menyusun model prediktif, pemeriksaan seperti ini sering disarankan sehingga kita dapat menyeleksi variabel pada tahap awal dengan harapan model menjadi lebih sederhana. Seleksi variabel juga berguna meringankan beban komputasi karena makin banyak variabel akan menyebabkan pemodelan makin rumit. Namun, saat melakukan seleksi variabel secara univariate<\/em> kita perlu hati-hati. Kenapa?<\/p>\n Apa itu Interaksi?<\/strong><\/p>\n Pada saat kita mengatakan bahwa jenis kelamin itu berpengaruh ataupun tidak berpengaruh terhadap peluang pembelian, yang kita lakukan adalah membandingkan kejadian pembelian pada kelompok perempuan dengan peluang pembelian oleh kelompok laki-laki tanpa mempertimbangkan karakteristik yang lain. Kita tidak memperhatikan usianya, dan tidak pula memandang status ekonomi maupun tempat tinggalnya, serta variabel lainnya. Ini sama saja dengan kita menganggap karakteristik lainnya identik. Tentunya tidak selalu demikian karena peluang pembelian oleh konsumen laki-laki di desa bisa jadi berbeda dengan peluang pembelian oleh laki-laki yang tinggal si perkotaan.<\/p>\n Mari kita lihat ilustrasi rekaan pada Gambar 1<\/strong> yang memberikan perbandingan peluang pembelian oleh individu perempuan dan laki-laki. Perbandingan dilakukan pada individu yang tinggal di perkotaan, yang tinnggal di pedesaan, dan secara keseluruhan. Lihat bahwa perbandingan kecenderungan membeli antara perempuan dan laki-laki secara keseluruhan adalah berimbang yaitu 4,2% berbanding 4,3%. Dengan kondisi tersebut kita mengatakan bahwa jenis kelamin tidak ada hubungan dengan kecendrungan pembelian.<\/p>\n Tapi mari kita lihat untuk kondisi setiap lokasi tempat tinggal. Pada kelompok pedesaan, kecenderungan pembelian individu laki-laki lebih besar dibandingkan perempuan. Sementara di perkotaan, kondisinya berlawanan yaitu kecenderungan pembelian oleh perempuan yang lebih tinggi.<\/p>\n Apakah kita masih akan mempertahankan kesimpulan bahwa jenis kelamin tidak ada pengaruhnya terhadap pembelian? Jawabannya tegas: tidak. Jelas bahwa ada pengaruh jenis kelamin terhadap pembelian. Peluang pembelian oleh laki-laki dan perempuan jelas berbeda, namun polanya berlainan antara konsumen yang tinggal di perkotaan dengan mereka yang tinggal di pedesaan. Informasi mengenai perbedaan ini akan hilang jika kita hanya memperhatikan variabel jenis kelamin, sehingga kita dapat melakukan kesalahan jika menghilangkan variabel jenis kelamin dari kandidat prediktor model.<\/p>\n Pengaruh suatu variabel yang tergantung pada variabel lain ini yang disebut sebagai interaksi. Keberadaan interaksi antarvariabel prediktor mengakibatkan kita perlu lebih hati-hati dalam melakukan seleksi. Kesalahan menyisihkan suatu variabel yang penting (padahal dia berinteraksi dengan variabel lain) dapat mengurangi kemampuan model memberikan akurasi prediksi yang tinggi.<\/p>\n Gambar 1<\/strong> menunjukkan ilustrasi salah satu kondisi saja, di mana interaksi terjadi antara dua variabel kategorik dan efek keduanya saling menghilangkan. Cara sederhana untuk memeriksa interaksi adalah kita dapat melakukannya secara visual melalui plot dua-pasang variabel prediktor dan plot setiap variabel predictor<\/em> dengan variabel respons. Pada kenyataannya, interaksi yang terjadi tidaklah sekasatmata sebagaimana ditampilkan pada ilustrasi yang telah diberikan. Proses pendeteksiannya bisa lebih sulit dari itu. Apalagi, jika jumlah variabel yang kita miliki makin banyak.<\/p>\n Lalu bagaimana?<\/strong><\/p>\n Pada riset-riset berbasis eksperimen, pengidentifikasian pengaruh interaksi bukanlah hal yang asing. Bahkan di banyak riset melalui eksperimen yang melibatkan banyak faktor, pengaruh interaksi merupakan focus dari kajian dan menyita perhatian besar dari peneliti. Namun dalam pemodelan prediktif dalam business analytic<\/em>, interaksi kadang terabaikan karena jumlahnya yang banyak. Jika kita memiliki k<\/em> buah variabel prediktor, aka nada interaksi antar dua variabel sebanyak k(k-1)2<\/em>. Bayangkan jika ada 100 variabel prediktor, aka nada 4.950 pengaruh interaksi yang akan diperiksa. Ini merupakan jumlah yang tidak sedikit untuk pekerjaan semi-manual dan bukan juga beban yang ringan bagi komputer.<\/p>\n Interaksi mungkin menambah kompleksitas model prediktif yang akan kita peroleh. Namun tambahan informasi yang diperoleh dengan mengakomodir interaksi dalam model sangatlah berharga pada pemodelan prediktif. Tentu saja pertimbangan kesederhanaan model tetap harus dipertahankan, bukan saja karena terkait kemanfaatan interpretasi bisnis tetapi juga karena pertimbangan teknis pemodelan. Terdapat konsekuensi atas munculnya interaksi ini, yaitu tentang derajat kebebasan yang terkait dengan banyaknya amatan. Makin banyak interaksi yang kita libatkan dalam model, makin banyak pula banyaknya amatan atau ukuran data yang diperlukan. Untuk itu ada juga analis yang melakukan pemilihan secara subjektif terhadap interaksi mana saja yang akan diperiksa. Hanya interaksi-interaksi yang dicurigai timbul sajalah yang coba untuk dilihat.<\/p>\n Pada saat menyusun model regresi (baik regresi linear maupun regresi logistik), dalam tahapan awal pemodelan kita dapat mengikutsertakan interaksi pada daftar covariate<\/em> dari model tersebut. Para pengguna SAS\/EM misalnya dapat mengubah opsi YES pada field interaction<\/em> yang ada di property<\/em> untuk node regression<\/em>. Hal serupa juga dapat dilakukan di software<\/em> lainnya. Jika ini dokombinasikan dengan featurel variable selection<\/em>, akan dilakukan pemeriksaan secara univariate<\/em> pengaruh setiap predictor<\/em> dan juga diidentifikasi variabel mana yang signifikan. Dengan cara ini kita akan memperoleh variabel apa saja yang layak digunakan dan interaksi antarvariabel mana saja yang perlu dipertimbangkan untuk dilibatkan dalam pembuatan model akhir.<\/p>\n Sejak tahun 1960-an, sebenarnya juga berkembang ide analitik yang dikenal sebagai Teknik AID (automatic interaction detection<\/em>) yang bekerja secara iterative membagi gugus data menjadi bagian-bagian yang lebih homogen. Nama teknik ini masih banyak digunakan di beberapa software datamining<\/em> pada teknik pemodelan tree<\/em> yaitu CHAID (chi-square automatic interaction detection<\/em>). Ini merupakan pemodelan klasifikasi yang setara dengan alogaritma CART dan C5.0, tapi menerapkan kriteria berbasis statistika.<\/p>\n Meskipun dengan teknik ini tidak diperlukan bekerja dengan variabel yang banyak sekali seperti dalam pemodelan regresi, analis tidak mudah melihat bagaimana variabel mana yang berinteraksi dengan variabel lain, dan seberapa besar pengaruhnya dibandingkan yang lain. Dengan demikian, untuk mereka yang memerlukan informasi mengenai interaksi yang signifikan dan pola pengaruhnya terhadap target prediksi, pendekatan ini tidak terlalu disukai.<\/p>\n Cara lain yang juga ditempuh oleh para penyusun model prediktif untuk mengakomodasi interaksi dengan pendekatan machine learning<\/em> adalah dengan melakukan transformasi kernel seperti yang banyak dilakukan oleh mereka yang menerapkan teknik support vector machine<\/em> ataupun generalized discriminant analysis<\/em>. Transformasi kernel mengubah ruang data asal menjadi ruang lain yang dimensinya lebih tinggi dengan cara menambah beberapa variabel turunan dari variabel asal yang salah satunya adalah interaksi. Serupa dengan teknik AID, cara yang disebutkan terkahir ini juga menekankan pada peningkatan akurasi hasil prediksi dan tidak pada interpretasi terhadap interaksi.<\/p>\n Sebagai penutup dari tulisan ini, kembali perlu diingatkan bahwa ada kemungkinan satu variabel predictor<\/em> berpengaruh terhadap target prediksi tidak secara mandiri tetapi pengaruhnya bergantung pada kondisi dari variabel lain. Jika hal ini dicurigai terjadi pada data yang dihadapi, memasukkan interaksi dalam pemodelan merupakan solusi untuk memperoleh model yang lebih baik.<\/p>\n <\/p>\n Sumber: Infokomputer.Edisi 07.Juli 2017.Hal 68-69<\/p>\n","protected":false},"excerpt":{"rendered":" Saat menyusun model prediktif untuk tujuan apa pun, salah satu aktivitas paling awal yang dikerjakan adalah mengidentifikasi variable predictor. Misalnya saja saat menyusun model propensity untuk aktivitas kartu debit, analis di bagian electronic banking mungkin akan mempertimbangkan informasi besaran saldo tabungan, jenis kelamin, usia, atau aktivitas transaksi ATM nasabah menjadi variabel prediktornya. Sementara untuk program…<\/p>\n","protected":false},"author":1,"featured_media":11415,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[6],"tags":[],"class_list":["post-11413","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artikel"],"yoast_head":"\n