Pembuatan Package Regresi Nonparametrik Kernel

dengan Optimasi Parameter Penghalus

Menggunakan Particle Swarm Optimization

BURHANUDDIN
(G1D016007)

Matematika MIPA Universitas Mataram

PENDAHULUAN
SLIDE 2
PSO

Regresi Nonparametrik Kernel bandwidth R-Software

GCV
PENDAHULUAN
SLIDE 3
Rumusan Masalah Manfaat Penelitian

Bagaimana pembuatan packages? Mempermudah peneliti selanjutnya

Tujuan Penelitian Batasan Masalah

Membuat packages regresi NP 1. Nadaraya-Watson

2. Generalized Cross Validation

TINJAUAN PUSTAKA
SLIDE 4
LANDASAN TEORI
SLIDE 5
Analisis Regresi Regresi Nonparametrik Kernel
Suatu metode statistika untuk
menentukan hubungan antara 1
satu variabel dengan variabel yang lain, 1. Kernel Uniform : K x   I  x  1
(2.2)
2
(Astuti, Hadijati, & Irwansyah, 2018)
x   1  x I  x  1
y

2. Kernel Triangle : K (2.3)

Regresi Nonparametrik
3
m
3. Kernel Epanechnikov :
4

1  x I  x  1
K x  (2.4) 2

y i   g j xij    i (2.1)
15
j 1
4. Kernel Quartic :
16
 2 2

  1  x I  x  1
K x(2.5)

i  1,2, , n 35
5. Kernel Triweight :
32
 2 3

K x  (2.6) 1  x I  x  1
 LANDASAN TEORI
SLIDE 6
Regresi Nonparametrik Kernel Algoritma PSO
  
6. Kernel Cosinus : x   cos
K(2.7) x  I  x  1 1. Inisialisasi posisi awal dan kecepatan
4 2  awal partikel.
1 1 2 
2. Evaluasi fungsi fitness dari tiap
7. Kernel Gaussian : K x   exp ( x )  ,    x  
(2.8) partikel.
2 2 
3. Membandingkan Pbest dan Gbest
saat ini dengan iterasi sebelumnya.
digunakan estimator kernel Nadaraya Watson :
4. Memeriksa nilai fitness.
n m  x ij  x j  5. Jika sudah, algoritma berhenti.
 K
 h
y i
 6. Jika belum, proses dilanjutkan
ˆf x   i 1 j 1  j 
i dengan memperbarui nilai kecepatan
n m  x ij  x j  untuk merubah nilai posisi partikel
 K
 h

 selanjutnya.
i 1 j 1  j 
LANDASAN TEORI SLIDE 7
R-Software

1. merupakan bahasa pemrograman

statistika yang dapat digunakan untuk analisis 3. terdapat banyak fungsi baru dari hasil
dan manipulasi data statistika (pemodelan kontribusi pengguna R
statistika), dan grafik

4. dapat dengan mudah menuliskan software

2. mudah untuk mendapatkan bantuan dari
sendiri dan mendistribusikannya dalam bentuk
user community
add-on packages
METODE PENELITIAN
SLIDE 8

Mulai
Alat Penelitian : Software R 3.6.3
Data penelitian : Data bangkitan
Membuat package regresi nonparametrik kernel

Tidak Berhasil Pengujian Berhasil

Analisis parameter Selesai
program
 HASIL DAN PEBAHASAN
SLIDE 9
No

Generate Data 1 -1.6454485 0.02477649 -0.9976168 -0.23197469

2 1.2842725 -0.29208458 -0.5355450 0.80737660

Menggunakan Software R,
dibangkitkan secara acak 3 -0.7956836 -0.52728915 0.5276986 -0.07128117
bilangan () menggunakan 4 0.8335350 0.45671158 -0.3624408 0.76474810
distribusi uniform (seragam)
dengan varian 1, 5, 10, 20, 5 0.1271297 -0.57541828 0.6069832 -0.41770263
dan 50 serta berdistribusi 6 -1.2515853 -0.39396173 0.5598263 -0.78201870
normal.
7 -2.9361788 -0.10441540 -0.9867029 -0.95075656

8 -1.0700169 -0.47621883 -0.2218378 -0.57722816

9 2.8341998 0.63208427 0.8697311 0.94077725

10 -0.5203234 0.28391944 -0.8157464 0.75128192

HASIL DAN PEMBAHASAN
SLIDE 10
Pembuatan Package
HASIL DAN PEBAHASAN
SLIDE 11
Keterangan
No Data Aktual Data Estimasi

Bandwidth 1 -1.6454485
Optimal 2.402558155 0.763604476 0.006613373 -1.6454485
2 1.2842725 1.2842725

GCV Minimum 0.006778892     3 -0.7956836 -0.7956836

4 0.8335350 0.7046619

5 0.1271297 0.1271297

6 -1.2515853 -1.2515853

7 -2.9361788 -2.9361788

8 -1.0700169 -1.0700169

9 2.8341998 2.8341998

10 -0.5203234 -0.3914502
 HASIL DAN PEBAHASAN
SLIDE 12
Fungsi Kernel GCV Fungsi Kernel GCV

1.512388 1.353958 1.236355 1.890564 2.797380 2.093145 4.849113 4.969564

Uniform Uniform
0.4623624 1.7608963 0.1351770 0.1870339 0.7502714 1.4377829 1.3098993 1.238837

1.512388 1.353958 1.236355 0.4468229 2.797380 2.093145 4.849113 2.775097

Triangle Triangle
0.4970542 0.2387852 0.8136547 0.07038391 1.72136834 0.02532204 1.39827058 0.02820518

1.512388 1.353958 1.236355 0.8379128 2.797380 2.093145 4.849113 3.930883

Epanechnikov Epanechnikov
0.87260420 0.06940018 1.10836863 0.1680709 1.3217842 1.6978027 0.4174341 0.4991308

1.512388 1.353958 1.236355 0.5673317 2.797380 2.093145 4.849113 3.384763

Quartic Quartic
1.18425311 0.00446527 1.98480484 1.25775e-32 2.15405273 1.06528976 0.07811931 0.1287811
1.512388 1.353958 1.236355 0.4702023 2.797380 2.093145 4.849113 2.943549
Triweight Triweight
0.058644 1.552553 0.825174 0.0001214784 0.1338975 1.1949357 1.4465916 0.04010463
1.512388 1.353958 1.236355 2.852146 2.797380 2.093145 4.849113 4.567204
Gaussian Gaussian
0.20256613 1.93988910 0.03009548 0.1082771 1.15978715 0.92664348 0.01858085 0.1161178
1.512388 1.353958 1.236355 0.7583909 2.797380 2.093145 4.849113 3.817132
Cosinus Cosinus
2.0388886 1.7145291 0.1132347 0.2784946 1.1661198 0.5119024 0.8456748 0.3546592
KESIMPULAN DAN SARAN
SLIDE 13
Package dibangun dengan mebuat fungsi kernel uniform, triangle,
epanechnikov, quartic, triweight, Gaussian, cosinus, estimator kernel Nadaraya
Watson, dan PSO dengan Bahasa pemrograman R.

Pemilihan bandwidth awal dan varian berpengaruh

terhadap optimisasi GCV

The Power of PowerPoint | http://thepopp.com

DAFTAR PUSTAKA
SLIDE 14
Amini, N., Hadijati, M., dan Aini, Q., 2019, Mengatasi Error Berkorelasi Menggunakan Metode Transformasi
Prewhitening pada Regresi Nonparametrik Kernel, Eigen Mathematics Journal, Vol.02 No.02.

Astuti, W. T., Hadijati, M., & Irwansyah, 2018, Model Regresi Nonparametrik
Deret Fourier pada Pola Data Curah Hujan di Kota Mataram, Eigen
Mathematics Journal, Vol.1 No.2.
Eubank, R. L., 1999, Spline Smoothing and Nonparametric Regression, 2nd Edition, Marcel Dekker, New York.
Hardle, W., 1990, Applied Nonparametric Regression, Cambridge University Press, New York.
Marini, F., and Walczak, B., 2015, Particle swarm optimization: A tutorial, Chemometrics and Intelligent Laboratory
Systems, Vol. 149, pp. 153-165.

Pratiwi, D., dkk., 2020, Regresi Nonparametrik Kernel Gaussian pada Pemodelan Angka Kelahiran Kasar di Provinsi
Nusa Tenggara Barat, Eigen Mathematics Journal, Vol.03 No.01.
DAFTAR PUSTAKA
SLIDE 15

Rosita. A., Purwananto. Y., dan Soelaiman. R., 2012, Implementasi Algoritma Particle Swarm untuk Menyelesaikan
Sistem Persamaan Nonlinear, JURNAL TEKNIK ITS Vol. 1.
Toegeh, Maickel, dkk., 2009, Modified Improved Particle Swarm Optimization For Optimal Generator Scheduling,
Seminar Nasional Aplikasi Teknologi Informasi, Yogyakarta.
Torgo, L., 2011, Data Mining with R : Learning with Case Studies, Taylor and Francis Group, LLC, USA.
Utami, T. W dan Nur, I. M, 2015, Pemodelan Pasang Surut Air Laut di Kota Semarang dengan Pendekatan Regresi
Nonparametrik Polinomial Lokal Kernel, Research Gate, Semarang.
Wati, D. A. R. dan Yuli, A. R., 2013, Model Penjadwalan Matakuliah Secara Otomatis Berbasis Algoritma Particle
Swarm Optimization (PSO), Jurnal Rekayasa Sistem Industri Vol. 2, No.1.
 SLIDE 16

TERIMA KASIH