Perpustakaan Digital ITB

Masalah regresi dengan lebih dari satu output merupakan tantangan penting dalam bidang pembelajaran mesin, terutama ketika terdapat keterkaitan atau korelasi antar output yang dapat dimanfaatkan untuk meningkatkan kualitas prediksi. Salah satu pendekatan untuk menyelesaikan permasalahan ini adalah Proses Gauss (Gaussian Process/GP), yang dikenal sebagai model non-parametrik dan probabilistik yang mampu menangani ketidakpastian dengan baik. Tugas akhir ini bertujuan mengeksplorasi dan mengeksploitasi model Multi-Output Gaussian Process (MOGP) dalam menyelesaikan permasalahan regresi dengan mempertimbangkan keterkaitan antar output. Secara khusus pada Tugas Akhir ini akan dikaji terkait double output. Studi dimulai dengan membuat data sintesis dua output, kemudian sebagian data pada salah satu output dihilangkan pada rentang yang berbeda-beda untuk menguji kemampuan model dalam melakukan prediksi ketika informasi tidak lengkap. Dua pendekatan dibandingkan, yaitu dengan model Single-Output Gaussian Proces (SOGP) dan model Multi-Output Gaussian Process (MOGP). Selanjutnya, dalam model MOGP dilakukan dua simulasi sub model yang berbeda, yakni Linear Model of Coregionlization (LMC) dan Intrinsic Coregionalization Model (ICM). Hasil simulasi menunjukkan bahwa pendekatan MOGP secara konsisten memberikan performa yang lebih baik dibandingkan model independen, terutama ketika terjadi kehilangan data pada salah satu output, serta mampu menangkap struktur korelasi antar output secara efektif. Tugas Akhir ini memberikan kontribusi terhadap pemahaman dan penerapan model GP dalam konteks multi-output regression serta berpotensi untuk diterapkan dalam berbagai aplikasi nyata yang memerlukan prediksi multivariabel.