Analisis perbandingan algoritma Steepest Descent dengan algoritma Marquardt untuk pendugaan koefisien regresi nonlinier

SUNARTO, Andang, Prof.Drs. Subanar, Ph.D

2004 | Tesis | S2 Ilmu Komputer

Pada sebagaian masalah analisis regresi nonlinier dimana parameternya lebih banyak dan modelnya lebih rumit, penyelesaian persamaan-persamaan normalnya bisa menjadi sangat sulit dan hampir semua kasus, pemecahannya harus menggunakan metode iterative dan bantuan program komputer. Metode iterative tersebut diantaranya adalah metode Steepest Descent dan metode Marquardt. Dalam penelitian ini digunakan suatu model persamaan regresi nonlinier (rumus) untuk menduga parameter/koefisiennya . Hasil penelitian menunjukan bahwa kemampuan metode Steepest Descent dan metode Marquardt dalam mengaproksimasi parameter/koefisien suatu model regresi nonlinier yang meminimalkan simpangan baku sangat bergantung dari penentuan titik awal, data-data yang diberikan dan model yang dibangun. Efektifitas algoritma metode Marquardt lebih efektif daripada metode Steepest Descent, hal ini terlihat dari nilai residual metode Marquardt lebih kecil daripada nilai residual metode Marquardt. Selanjutnya dari hasil penelitian juga menunjukan kompleksitas waktu dari algoritma Metode Steepest Descent dan metode Marquardt adalah sama, namum jika ditinjau dari Waktu proses algoritma metode Marquardt lebih efisien dibandingkan waktu proses algoritma metode Steepest Descent jika digunakan suatu model regresi nonlinier 1 (rumus).

In part of non-linier regression analysis problem with more number and complicated parameters, their normal solutions presumably turn out to be highly difficult, and in nearly all cases, the problems should utilize iterative methods and computer-aided programs. The iterative methods, among others, are Steepest Descent and Marquardt methods. The present research exploits non-linear regression equation model ( formula )to deduce parameters/coefficient. Result indicates that capabilities of Steepest Descent and Marquardt methods in parameters/coefficient approximation of non-linear regression minimalizing standard deviation mostly depend on determined starting points, provided data and developed models. Algorithm effectiveness of Marquardt method is more effective than of Steepest Descent method. This is seen from less residual value of Marquardt than of Steepest Descent method. In addition, research result indicate that the time complexity of Steepest Descent and Marquardt algorithm methods is similar. However, viewed from time process, the Marquardt algorithm method is more efficient than Steepest descent method when non-linear regression model 1 (formula)are exploited.

Kata Kunci : Komputer,Analisis Regresi Non Linier,Steepest Descent and Marquardt, steepest descent, marquardt, iterasi, residual