Perpustakaan Digital ITB

Sains dan teknik berbasis data dengan metode pembelajaran mesin saat ini berkembang sebagai metode yang populer karena performa prediksinya yang baik dalam tugas pemodelan fisika, model pembelajaran mesin banyak digunakan untuk melakukan pemodelan prediktif, terutama di bidang teknik kedirgantaraan dan ilmu fluida yang kebanyakan melibatkan masalah dengan dimensi yang tinggi dan non-linearitas. Namun, model populer seperti neural network biasanya membutuhkan sejumlah besar data pelatihan agar dapat memiliki performa yang baik. Namun, sayangnya, data berlabel di bidang teknik kedirgantaraan yang biasanya diperoleh dari simulasi komputasi atau eksperimen, bisa sangat mahal untuk didapatkan. Oleh karena itu, tesis ini mendemonstrasikan bagaimana model pembelajaran mesin tertentu yang disebut dengan gene expression programming dapat memiliki performa yang lebih baik daripada model pembelajaran mesin populer lainnya dalam lingkungan data pelatihan yang lebih sedikit. Selain itu, tantangan lain yang muncul dengan menggunakan model pembelajaran mesin adalah tingkat interpretabilitasnya. Di bidang militer dan kedirgantaraan, menerapkan model pembelajaran mesin untuk kasus kehidupan nyata membutuhkan alasan prediksi yang dapat dibenarkan karena model berbasis data harus dapat disertifikasi dan diverifikasi untuk alasan keamanan. Mengatasi tantangan tersebut dalam pemodelan pembelajaran mesin berbasis data, penelitian ini menunjukkan bagaimana metode interpretasi model-specific dapat dilakukan untuk menjelaskan model pembelajaran mesin yang dapat ditafsirkan atau sering disebut sebagai model white-box dan bahkan dapat menjelaskan yang kurang dapat ditafsirkan yang biasa disebut dengan model black-box dengan metode interpretasi model-agnostic terutama untuk studi kasus yang berkaitan dengan bidang teknik dirgantara.