Kriteria Informasi Akaike (AIC)
Kriteria Informasi Akaike adalah ukuran berbasis teori informasi untuk pemilihan model yang menyeimbangkan kecocokan model terhadap kompleksitas model. Diperkenalkan oleh Hirotugu Akaike pada tahun 1974, AIC memperkirakan kualitas relatif model untuk kumpulan data tertentu, dengan memberikan penalti pada parameter tambahan untuk mencegah *overfitting*.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716-723. DOI: 10.1109/TAC.1974.1100705 ↗
- Burnham, K. P., & Anderson, D. R. (2002). Model Selection and Multimodel Inference: A Practical Information-Theoretic Approach (2nd ed.). New York: Springer. DOI: 10.2307/3802723 ↗
- Kullback, S., & Leibler, R. A. (1951). On information and sufficiency. Annals of Mathematical Statistics, 22(1), 79-86. DOI: 10.1214/aoms/1177729694 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/id/model-evaluation/akaike-information-criterion
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- R-squared yang Disesuaikan (R²_adj)Evaluasi Model↔ bandingkan
- Kriteria Informasi Bayesian (BIC)Evaluasi Model↔ bandingkan
- Mean Squared Error (MSE)Evaluasi Model↔ bandingkan
- R-squaredEvaluasi Model↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →