COVER Muhammad Faiz Izzaturrahman
PUBLIC Alice Diniarti BAB 1 Muhammad Faiz Izzaturrahman
PUBLIC Alice Diniarti BAB 2 Muhammad Faiz Izzaturrahman
PUBLIC Alice Diniarti BAB 3 Muhammad Faiz Izzaturrahman
PUBLIC Alice Diniarti BAB 4 Muhammad Faiz Izzaturrahman
PUBLIC Alice Diniarti BAB 5 Muhammad Faiz Izzaturrahman
PUBLIC Alice Diniarti PUSTAKA Muhammad Faiz Izzaturrahman
PUBLIC Alice Diniarti
Dalam dunia dirgantara, respon-respon yang diperoleh kerap kali bersifat non-stasioner,
dimulai dari parameter-parameter aliran yang didominasi shock sampai relasi-relasi nonlinier
dalam simulasi aeroelastisitas turbin angin. Respon yang bersifat lebih kompleks
ini membutuhkan pendekatan yang lebih kompleks pula untuk memodelkannya. Seiring
berkembangnya pengembangan hierarchical models, Deep Gaussian Process (DGP)
dikenal sebagai satu pilihan yang kompetitif dengan menawarkan kerangka probabilistik
dalam pemodelan deep learning. Diformulasikan sebagai komposisi dari model Gaussian
processes (GP), model DGP memiliki bentuk yang lebih ekspresif, meski dengan
biaya komputasi yang lebih tinggi dalam meng-aproksimasi distribusi posterior-nya.
Salah satu model DGP yang saat ini dianggap paling baik, Doubly Stochastic DGP,
menggunakan metode variational inference dalam perhitungan aproksimasi posterior
untuk mengurangi biaya komputasi yang dibutuhkan tersebut. Akan tetapi, penelitianpenelitian
terakhir menunjukkan asumsi yang digunakan ini tidak tepat dalam kasuskasus
tertentu. Akan hal ini, penelitian ini menawarkan metode sampling baru dalam
aproksimasinya, dinamakan DGP with Stochastic Imputation (DGP-SI), untuk mengatasi
masalah dari metode variational inference. Penelitian ini berfokus dalam peninjauan
DGP-SI sebagai standar dalam pemodelan prediktif. Studi dilakukan pada
tiga kasus-kasus kedirgantaraan yang memiliki karakteristik untuk menyerupai fungsifungsi
diskontinu. Studi juga dilakukan dengan memvariasikan jumlah sampel serta
dimensinya. Hasil-hasil yang diperoleh menunjukkan bahwa DGP-SI memiliki performa
yang lebih baik dari model GPR dalam menangani kasus-kasus dua dan tiga dimensi.
Sementara, dalam kasus-kasus dengan jumlah dimensi yang lebih tinggi, DGP-SI diamati
untuk memiliki performa yang sedikit lebih buruk dari model GPR, dengan hasil yang
tetap kompetitif dan menunjukkan potensi pengembangan yang tinggi. Terbukti dengan performanya yang sama baik saat jumlah sampelnya dinaikkan, meskipun dengan juga
meningkatnya biaya komputasi yang dibutuhkan.