Perpustakaan Digital ITB

Five hole probe (FHP) merupakan alat sensor yang berguna untuk mengukur karakteristik aliran udara seperti kecepatan, serta arah aliran udara. Terdapat banyak metode yang dilakukan untuk kalibrasi data FHP tersebut. Salah satu metode yang digunakan untuk proses kalibrasi tersebut dengan menggunakan machine learning. Penelitian ini bertujuan untuk mengembangkan sebuah model kalibrasi data FHP yang berbasis pada teknik stacking regressor untuk dapat memprediksi data kecepatan aliran udara, sudut serang, serta sudut slip. Pembuatan model stacking regressor akan dibagi menjadi dua skema. Skema pertama pada pembuatan model tidak menggunakan proses pembersihan data, sedangkan pada skema kedua model akan menggunakan proses pembersihan data dengan menggunakan metode Z-Score. Setelah melatih kedua model pada setiap skema, akan dilakukan proses optimasi untuk setiap skema dengan menggunakan metode iterative error pruning,. Hasil dari performa model pada setiap skema akan dibandingkan dengan performa model yang terdapat pada penelitian sebelumnya yang menggunakan metode ANN. Temuan yang didapatkan pada penelitian ini, pada skema 1 sebelum melakukan optimasi dibandingkan dengan model ANN memiliki waktu komputasi 13 kali lebih cepat, dengan nilai MAE ???? naik sebesar 97.55%, MAE ???? naik sebesar 5.83%, MAE ???? naik sebesar 90.97%, Max AERR ???? naik sebesar 97.11%, Max AERR ???? naik sebesar 12%, Max AERR ???? naik sebesar 66.18%, ????2 ???? naik sebesar 0.005%, ????2 ???? naik sebesar 0.0368%, ????2 ???? naik sebesar 0.001%. Sedangkan pada skema 2 sebelum melakukan optimasi dibandingkan dengan model ANN memiliki waktu komputasi 8.5 kali lebih cepat, dengan nilai MAE ???? naik sebesar 98.41%, MAE ???? turun sebesar 3.83%, MAE ???? naik sebesar 92.10%, Max AERR ???? naik sebesar 98.30%, Max AERR ???? turun sebesar 3.83%, Max AERR ???? memiliki perbaikan sebesar 64.98%, ????2 ???? memiliki kenaikan sebesar 0.005%, ????2 ???? memiliki penurunan sebesar 0.08349%, ????2 ???? memiliki kenaikan sebesar 0.001%.