PERBANDINGAN ANALISIS REGRESI POISSON DAN POISSON-INVERSE GAUSSIAN (PIG) PADA STUDI KASUS : BIKE SHARING 2011-2012NIM.: 22106010008Ellif Zahara Yasmin AsadillahauthorJumlah penyewaan sepeda merupakan count data yang dapat dimodelkan menggunakan regresi Poisson. Namun, regresi Poisson mensyaratkan asumsi equidispersi, yaitu nilai rata-rata sama dengan variansi. Pada praktiknya, count data sering mengalami overdispersi sehingga asumsi tersebut tidak terpenuhi dan dapat menyebabkan estimasi parameter menjadi kurang efisien. Salah satu metode yang dapat digunakan untuk mengatasi permasalahan tersebut adalah regresi Poisson–Inverse Gaussian yang merupakan pengembangan dari regresi Poisson dengan memasukkan parameter dispersi. Penelitian ini bertujuan untuk memperoleh model regresi Poisson dan regresi Poisson–Inverse Gaussian (PIG) dalam memodelkan jumlah penyewaan sepeda pada data Bike Sharing tahun 2011–2012 serta menentukan model terbaik berdasarkan nilai Akaike Information Criterion (AIC). Data yang digunakan merupakan Bike Sharing Dataset yang diperoleh dari UCI Machine Learning Repository. Estimasi parameter dilakukan menggunakan metode Maximum Likelihood Estimation (MLE) dan pengolahan data dilakukan dengan perangkat lunak R versi 4.5.2. Dari hasil analisis diperoleh model regresi Poissonnya adalah ln(μi) = 8, 192982+1, 677465X1 −0, 672520X3 −1, 034128X4 dan model regresi Poisson Inverse Gaussiannya diperoleh μi = exp(8, 3398 + 2, 2177X1 − 1, 0864X3 − 1, 8261X4). Berdasarkan perbandingan nilai AIC, model regresi Poisson–Inverse Gaussian menghasilkan nilai AIC yang lebih kecil dibandingkan model regresi Poisson. Oleh karena itu, regresi Poisson–Inverse Gaussian dipilih sebagai model terbaik untuk memodelkan jumlah penyewaan sepeda pada data Bike Sharing tahun 2011–2012. Kata kunci: Bike Sharing, count data, overdispersi, regresi Poisson, regresi Poisson–Inverse GaussianMatematika2026-05-25UIN SUNAN KALIJAGA YOGYAKARTA;FAKULTAS SAINS DAN TEKNOLOGIThesis