Andri Agus Prasetyo, 0813118330 (2017) Genetic Algorithms dan Estimator Lokal Linear Multiprediktor pada Pemodelan Kalibrasi Senyawa Aktif Kurkumin. Skripsi thesis, UNIVERSITAS AIRLANGGA.

Preview	Text (abstrak) ST.S.37-17 Pra g - Abstrak.pdf Download (111kB) | Preview
	Text (fulltext) ST.S.37-17 Pra g - Fulltext.pdf Restricted to Registered users only until 13 November 2020. Download (1MB) | Request a copy

Abstract

Permasalahan yang sering terjadi pada pemodelan kalibrasi yaitu jumlah variabel prediktor yang jauh lebih besar dibandingkan dengan jumlah observasi sehingga statistika klasik tidak dapat diterapkan. Oleh karena itu, hal tersebut dapat diatasi dengan mereduksi dimensi data agar jumlah variabel prediktor kurang dari jumlah pengamatan. Salah satu metode untuk mereduksi dimensi data adalah Genetic Algorithms (GA). Metode GA adalah suatu algoritma pencarian yang berbasis pada mekanisme seleksi alam dan genetika. Dalam kasus ini dilakukan reduksi dimensi data hasil pengukuran senyawa aktif pada kurkumin. Metode GA dapat diterapkan dalam pemilihan variabel prediktor terutama pada saat berhubungan dengan data yang terdiri atas ratusan atau ribuan variabel prediktor. Variabel prediktor terbaik yang terpilih selanjutnya dilakukan estimasi menggunakan pendekatan regresi nonparametrik yaitu estimator lokal linear multiprediktor. Estimator lokal linear merupakan kasus khusus dari metode Lokal Polynomial Kernel (LPK) yang memiliki derajat satu. Estimator lokal linear mempunyai kelebihan yaitu mengestimasi fungsi di setiap titik pengamatan sehingga model yang didapatkan akan lebih mendekati pola dari data yang sesungguhnya dan estimator lokal linear tidak memerlukan data dalam jumlah banyak dalam pengestimasian model. Estimasi terbaik diperoleh berdasarkan nilai bandwidth optimal dengan kriteria GCV minimum. Berdasarkan hasil penerapan GA dan estimator lokal linear multiprediktor dalam pemodelan kalibrasi senyawa aktif kurkumin diperoleh MSE(h) sebesar 0,00001758 dan R2 sebesar 99,99%. Nilai MSE(h) untuk validasi dengan menggunakan 4 data outsample sebesar 0,146 dan R2 sebesar 0,809286 atau 80,92%.

Actions (login required)

View Item