OPTIMASI MODEL GENERALIZED POISSON REGRESSION MENGGUNAKAN ALGORITME GENETIKA

AJENG DAMARA ERFATIA, . (2020) OPTIMASI MODEL GENERALIZED POISSON REGRESSION MENGGUNAKAN ALGORITME GENETIKA. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER.pdf Download (1MB)
	Text BAB 1.pdf Download (280kB)
	Text BAB 2.pdf Restricted to Registered users only Download (500kB) | Request a copy
	Text BAB 3.pdf Restricted to Registered users only Download (313kB) | Request a copy
	Text BAB 4.pdf Restricted to Registered users only Download (415kB) | Request a copy
	Text BAB 5.pdf Restricted to Registered users only Download (285kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Download (254kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Download (782kB) | Request a copy

Abstract

Regresi Poisson merupakan salah satu model regresi yang menggunakan data diskret untuk variabel respon. Variabel respon pada model regresi Poisson harus mengikuti distribusi Poisson, dengan asumsi rataan variabel respon sama dengan variansnya. Namun pada kondisi riil, asumsi tersebut jarang ditemui. Model alternatif untuk mengolah data diskrit yang tidak memenuhi asumsi equidispersi adalah model Generalized Poisson Regression}(GPR). Pada penelitian ini, model GPR digunakan untuk mengatasi kasus overdispersi. Model GPR menambahkan parameter dispersi untuk menyelesaikan masalah penyimpangan equidispersi. Metode estimasi parameter menggunakan maximum likelihood dengan Newton-Raphson. Algoritme genetika pada GPR digunakan untuk menyeleksi variabel-variabel bebas pada model GPR dengan melakukan tahapan-tahapan genetik mulai dari inisialisasi, seleksi crossover, hingga mutasi. Pada tahap seleksi, fungsi fitness yang digunakan yaitu fungsi devians pada GPR. Seleksi variabel pada model GPR dilakukan agar model dapat lebih optimal dalam memprediksi data. Model dengan devians dan nilai Akaike Information Criteria (AIC) terkecil dipilih sebagai model regresi terbaik. Poisson regression is one of regression model which uses discrete data forthe response variable. The response variable should follow a Poisson distri-bution, with assumption of the mean is equal to the variance of the responsevariable called equidispersion. But in reality, discrete data barely follows thePoisson distribution. An alternative model to process discrete data without fo-llowing equidispersion is by using generalized Poisson regression (GPR). GPRadds a dispersion parameterθto solve non-equidispersion model. The parame-ters are estimated using maximum likelihood with Newton-Raphson. Geneticsalgorithm in GPR is used to select the explanatory variables through series ofprocedures such as selection, crossover, and mutation to get the least error,which is calculated by the deviance of the model. The model with least devian-ce will result in small Akaike Information Criteria (AIC) score, thus will bechosen as the best GPR model.Keywords: optimization, overdispersion, generalized Poisson regression, ge-netics algorithm, variable selection.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Ibnu Hadi, M.Si. ; 2). Siti Rohmah Rohimah, S.Pd., M.Si.
Subjects:	Sains > Matematika
Divisions:	FMIPA > S1 Matematika
Depositing User:	Users 10063 not found.
Date Deposited:	31 Mar 2021 00:52
Last Modified:	31 Mar 2021 00:52
URI:	http://repository.unj.ac.id/id/eprint/15493

Actions (login required)

View Item