AGESTINA DWI KURNIAWATI, 081311833040 (2017) GENETIC ALGORITHMS DAN ESTIMATOR KERNEL MULTIPREDIKTOR PADA PEMODELAN KALIBRASI SENYAWA AKTIF KURKUMIN. Skripsi thesis, Universitas Airlangga.

Preview	Text (ABSTRACT) KKC KK ST.S 16 - 17 Kur g-Abstrak.pdf Download (737kB) | Preview
	Text (FULLTEXT) KKC KK ST.S 16 - 17 Kur g(1).pdf Restricted to Registered users only Download (2MB) | Request a copy

Abstract

Masalah yang sering terjadi dalam model kalibrasi misalnya pada senyawa aktif kurkumin adalah “curse of dimentionality” yaitu jumlah variabel prediktor jauh lebih besar dari jumlah observasi sehingga metode statistika dalam mengestimasi parameter dan menginferensi tidak dapat diterapkan. Hal tersebut dapat diatasi dengan mereduksi dimensi data agar jumlah prediktor kurang dari jumlah observasi salah satunya menggunakan metode Genetic Algorithms. Metode Genetic Algorithms merupakan suatu algoritma pencarian yang berbasis pada mekanisme seleksi alam dan genetika. Metode Genetic Algorithms mampu diterapkan dalam pemilihan variabel prediktor terutama saat berhadapan dengan data yang terdiri atas ratusan atau bahkan ribuan variabel prediktor. Variabel variabel prediktor yang terpilih selanjutnya dilakukan estimasi menggunakan regresi nonparametrik yaitu estimator kernel multiprediktor. Estimator kernel multiprediktor digunakan untuk mengestimasi hubungan fungsional antara variabel respon dengan beberapa variabel prediktor dengan keunggulan bentuk yang lebih fleksibel dan perhitungan matematisnya mudah disesuaikan. Estimasi terbaik diperoleh berdasarkan bandwidth optimal dengan GCV minimum. Berdasarkan hasil penerapan Genetic Algorithms dan estimator kernel multiprediktor pada pemodelan kalibrasi senyawa aktif kurkumin diperoleh MSE(h) sebesar 0,000022 dan 2 R sebesar 99,99% , sedangkan untuk validasi dengan menggunakan 4 data diluar titik pengamatan (outsample) nilai MSE(h) sebesar 0,162454 dan 2 R sebesar 79,25%.

Actions (login required)

View Item