Perpustakaan Digital ITB

Keterbatasan skalabilitas pada Regresi Proses Gaussian (GPR) klasik menghambat penerapannya pada data besar. Penelitian ini mengusulkan dan mengevaluasi pendekatan Proses Gaussian Parametrik (PGP) sebagai solusi skalabel untuk masalah tersebut. Metodologi ini memanfaatkan sejumlah M titik induksi (M << N) untuk membangun sebuah representasi data yang ringkas, memungkinkan parameter model diperbarui secara efisien melalui inferensi Bayesian pada mini-batch data. Studi kasus dilakukan pada dataset konsumsi listrik rumah tangga yang terdiri dari sekitar 1,9 juta data observasi. Hasil eksperimen menunjukkan bahwa model PGP berhasil dilatih pada dataset penuh dengan tingkat efisiensi komputasi yang tinggi, mencapai R2 sebesar 0,9983 dan RMSE 0,037. Pada eksperimen perbandingan dengan subset data yang lebih kecil, PGP terbukti hingga 21 kali lebih cepat daripada GPR klasik sambil mempertahankan akurasi yang sebanding. Temuan ini menunjukkan bahwa PGP adalah metodologi yang efektif dan skalabel untuk regresi probabilistik pada dataset berskala besar.