COVER Kevin
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
PUSTAKA Kevin
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Analisis regresi merupakan analisis yang dilakukan untuk mempelajari hubungan
antar variabel yakni prediktor dan respons. Regresi proses Gaussian sebagai salah
satu bentuk analisis regresi yang memanfaatkan pendekatan bayesian dan bersifat
non-parametrik dapat menggambarkan hubungan antar variabel prediktor dan
respons dengan cukup baik. Namun, regresi proses Gaussian memiliki kelemahan
yakni kompleksitas komputasi yang tinggi yakni O(n3). Salah satu metode untuk
mereduksi regresi proses Gaussian adalah dengan memanfaatkan pendekatan variasional
dan melahirkan regresi VAR-SPGP dengan kompleksitas komputasi O(nm2)
dengan m < n. Namun, hal tersebut belumlah cukup agar dapat diimplementasikan
dalam data berukuran besar. Pengembangan lebih lanjut dari regresi VARSPGP
adalah regresi SVI-GP yang berhasil mereduksi kompleksitas komputasi
menjadi O(m3). Pada karya tulis kali ini, akan diturunkan secara bertahap
pendekatan regresi proses Gaussian penuh, regresi VAR-SPGP, dan regresi SVIGP.
Akan dilihat pula bagaimana pengaruh dari masing-masing hyperparameter
dari fungsi kovariansi (kernel) yang akan digunakan dalam proses pembelajaran
dan prediksi dari regresi proses Gaussian. Adapun pada karya tulis ini, akan lebih
ditekankan mengenai pemanfaatan kernel eksponensial kuadratik. Selain itu, juga
akan dijelaskan mengenai implementasi optimisasi berbasis gradien dan optimisasi
stokastik Adadelta untuk regresi SVI-GP. Hasil simulasi pada data bangkitan juga
menunjukkan bahwa regresi VAR-SPGP dan SVI-GP memiliki performa yang baik.
Selanjutnya, untuk memvalidasi performa model dan pendekatan yang dilakukan
model akan diuji untuk menyelesaikan permasalahan California Housing (1990)
dan Beijing Housing (2011 s.d. 2017). Hasilnya, regresi proses Gaussian SVI-GP
berhasil mengaproksimasi regresi proses Gaussian penuh dengan cukup baik pada
kedua buah masalah tersebut.