Metode Gradient untuk masalah optimasi: Regresi linear dan non linear

Slides:



Advertisements
Presentasi serupa
Universitas Muhammadiyah Prof. DR. Hamka (UHAMKA)
Advertisements

Disusun oleh : RIANI WIDIASTUTI, S.Pd MATEMATIKA KELAS XI SEMESTER II
BAB III RUANG DIMENSI TIGA.
Oleh : Novita Cahya Mahendra
Gradien Oleh : Zainul Munawwir
Analisis Data Berkala A. PENDAHUlUAN
FUNGSI LINEAR NUR MINDARWATI 2013.
Selamat Datang Dalam Kuliah Terbuka Ini 1. Kuliah terbuka kali ini berjudul “Pilihan Topik Matematika -II” 2.
FMIPA Universitas Indonesia
TRIGONOMETRI Standar Kompetensi Kompetensi Dasar
PERPOTONGAN GARIS DAN POLIGON
Kebebasan Tapak.
GEOMETRI ANALITIK.
Program Linier Nama : Asril Putra S.Pd
Polinom dan Bangun Geometris.
Fungsi Polinom.
Standard Kompetensi TURUNAN
BAB 7 Regresi dan Korelasi
REGRESI NON LINIER (TREND)
ANALISIS REGRESI DAN KORELASI
ANALISIS REGRESI.
Algoritma Golden Section Search untuk Mencari Solusi Optimal pada Pemrograman Non Linear Tanpa Kendala Eni Sumarminingsih Jurusan Matematika Fakultas MIPA.
PENERAPAN DIFFERENSIASI
Nilai Maksimum dan Minimum untuk Fungsi Multi Variabel
REGRESI LINEAR SEDERHANA

VEKTOR ► Vektor adalah besaran yang mempunyai
FUNGSI Cherrya Dhia Wenny, S.E..
TRANSFORMASI VARIABEL RANDOM DISKRIT
PERSAMAAN GARIS PROGRAM STUDI PENDIDIKAN MATEMATIKA Oleh Kelompok 4 :
Persamaan Garis Lurus Materi Kelas VIII.
Persamaan Garis Lurus Latihan Soal-soal.
Assalamualaikum Wr Wb PERSAMAAN GARIS LURUS BY Yanuar Kristina P
Pengali Lagrange Tim Kalkulus II.
PERSAMAAN LINGKARAN x2 + y2 = r2 x2 + y2 = r2` x2 + y2 = r2
PENERAPAN DIFFERENSIASI
Fungsi Polinom.
TRANSFORMASI.
REGRESI LINEAR BERGANDA DAN REGRESI (TREND) NONLINEAR
FUNGSI KUADRAT di buat oleh INNA MUTMAINAH PADA MATA KULIAH MICROTEACHING UNIVERSITAS MUHAMMADIYAH SURAKARTA.
Pertemuan 14 Regresi non linier
Gradient Descent untuk masalah Optimasi dengan Konstrain
Optimasi dengan Konstrain
Beberapa Problem Optimasi:
Implementasi Metode Gradient Descent/Ascent dengan MAPLE
Penyelidikan Operasi Penyelesaian Numerik
PERAMALAN “Proyeksi Tren”
DERET BERKALA DAN PERAMALAN
Metode Gradient Descent/Ascent
MENENTUKAN GARIS LURUS TERBAIK
Modeling and Optimization
Hampiran Fungsi.
Konsep Support Vector Machine
1.4 SISTEM KOORDINAT EMPAT BIDANG
Metode Komputasi Vektor Gradien, Arah Penurunan/ Kenaikan Tercepat, Metode Gradient Ascend/Descend.
SOLUSI PERSAMAAN NON LINEAR
Kalkulus 3 Fungsi Ari kusyanti.
Regresi Linear Sederhana
Regresi Kuadrat Terkecil
Pencocokan Kurva / Curve Fitting
Vektor Gradien dan Arah Penurunan/Kenaikan Tercepat
Damar Prasetyo Metode Numerik I
DERET BERKALA DAN PERAMALAN
IKG2B3/METODE KOMPUTASI
Persamaan non Linier Indriati., ST., MKom.
FUNGSI LINEAR.
Analisis Deret Waktu.
Pertemuan 9 Kalkulus Diferensial
IKG2B3/METODE KOMPUTASI
PENDAHULUAN KALKULUS yogo Dwi prasetyo, m. SI. prodi teknik industri dan rpl [ref : calculus (Purcell, Varberg, and rigdon)]
Transcript presentasi:

Metode Gradient untuk masalah optimasi: Regresi linear dan non linear Metode Komputasi 3 Metode Gradient untuk masalah optimasi: Regresi linear dan non linear

Jumlah Penduduk Indonesia Tahun 2000 2001 2002 2003 2004 2005 Jumlah (dalam ribuan) 205,132.00 207,927.50 210,736.30 213,550.50 216,381.60 219,204.70 Sumber: datastatistik-indonesia.com Bila jumlah penduduk diasumsikan bertambah secara linear terhadap waktu (tahun), maka jumlah penduduk dapat diprediksi dengan menggunakan persamaan linear Y = 1x + 0, x menyatakan tahun setelah tahun 2000 tahun Jumlah Bagaimana menaksir parameter 1 dan 0? Definisi: Jarak vertikal Jarak vertikal antara garis Y = 1x + 0 ke titik Pi(xi, yi) Ji = |yi – (1xi + 0)| = |yi – 1xi –0 | Garis Y = 1x + 0 dipilih sehingga jumlah kuadrat jarak vertikal terkecil

Garis Jumlah Kuadrat Terkecil Garis kuadrat terkecil Y = 1x + 0 untuk himpunan titik (x1,y1), (x2,y2),…,(xn,yn) dapat diperoleh dari masalah peminimuman Bagaimana menentukan nilai 1 dan 0 yang memenuhi masalah optimasi? Berdasarkan kalkulus, syarat perlu agar J(1, 0) mencapai minimum Atau Dengan asumsi J fungsi yang terdifferensialkan Maka, titik kritis

Aturan Cramer

Contoh: Carilah garis kuadrat terkecil untuk himpunan titik (1,2),(3,2),(4,3)

Nonlinear Fitting Diberikan sekumpulan data: (x1,y1),(x2,y2),…,(xn,yn) Jika hubungan antara Y dan X diasumsikan Y = eX lnY = ln  +X Maka Y = lnY 0 = ln  1 =  Contoh: Data set: (1,2),(2,4),(3,9) Y=(2,4,9) Y = ln(2,4,9) XY = … dst

Nonlinear Fitting Diberikan sekumpulan data: (x1,y1),(x2,y2),…,(xn,yn) Jika hubungan antara Y dan X diasumsikan Y = x lnY = ln  +lnX Maka Y = lnY X = lnX 0 = ln  1 =  Jika diasumsikan

Grad. Descent utk Reg. Linear ekivalen dengan Berangkat dari (1(0), 0(0)) , arah pergerakan yang memberikan penurunan paling besar : -J (1(0), 0(0)) Sehingga, iterasi (1(k+1), 0(k+1))=(1(k), 0(k)) -J (1(k), 0(k)) konvergen ke nilai minimum ‘lokal’ dari J untuk suatu nilai  yang cukup kecil. Ulangi proses sampai konvergen 1 = 1 +(yi- 1xi - 0)xi 0 = 0 +(yi- 1xi - 0)

Grad. Descent utk Reg. Linear (Perumuman) Berangkat dari arah pergerakan yang memberikan penurunan paling besar : -J ((0)) Sehingga, iterasi  (k+1) =  (k) -J(k), konvergen ke nilai minimum ‘lokal’ dari J untuk suatu nilai  yang cukup kecil. Ulangi proses sampai konvergen k = k +(yi- Txi)xik, k=1,2,…,M Xi0 = 1 untuk semua i=1,2,…,N

Logistic Fitting Diberikan sekumpulan data: (x1,y1),(x2,y2),…,(xn,yn) Jika Y bernilai biner {0,1} dan diasumsikan dengan Z = 0 + 1X Maka nilai 0, 1 diperoleh Gradien Descent: 1= 1-R/1 0= 0-R/0 Student id Outcome Quantity of Study Hours 1 3 2 34 17 4 6 5 12 15 7 26 8 29 9 14 10 58 11 31 13

Logistic Fitting (Generalization) Diberikan sekumpulan data: (x1,y1),(x2,y2),…,(xn,yn) Jika Y bernilai biner {0,1} dan diasumsikan dengan Z = TX Gradien Descent: k= k-R/k