Perpustakaan Digital ITB

Disertasi ini mengangkat topik ”kendali untuk pembelajaran.” Algoritma pem-belajaran mesin dapat dipandang sebagai sebuah sistem dinamik dengan um-pan balik. Pendekatan dengan teori kendali secara umum memiliki kerangka kerja yang sistematik di dalam pengendalian proses dan pemilihan strategi kendali. Teori kendali memiliki dasar teori fundamental yang mapan (well es-tablished), meliputi analisis konvergensi dan kestabilan terkait model kendali dengan umpan balik sehingga pendekatan dinamika proses pembelajaran me-sin dengan teori kendali berpotensi meningkatkan kinerja pembelajaran. Kendali untuk pembelajaran direalisasikan pada algoritma mesin pembela-jaran ekstrem sekuensial dan daring (OS-ELM) dengan arsitektur jaringan syaraf tiruan umpan maju satu lapis tersembunyi (SLFN). Pengembangan al-goritma tahap pertama yaitu algoritma MOS-ELM menggunakan skema ken-dali kuadratik linier?kendali model prediktif (LQ-MPC) dan model kendali linier waktu diskrit?bervariasi waktu (DLTV) dengan matriks ruang status tiap sekuen dalam kendali model prediktif diasumsikan tetap untuk horizon waktu terbatas. Prapemroresan data dilakukan dengan teknik PCA untuk reduksi dimensi (MOS-ELM, Alg. 1), dan teknik RPCA untuk mengurangi efek pencilan data (MOS-ELM, Alg. 2). Selanjutnya dikembangkan algo-ritma MOS-ELMv2 menggunakan model kendali DLTV dengan pembaruan matriks ruang status berubah mengikuti horizon waktu terbatas, dan algo-ritma NLMOS-ELM menggunakan model ruang status nonlinier polinomial (PNLSS) dengan blok Wiener dan skema kendali LQ-MPC dan LASSO-MPC. Algoritma MOS-ELM menghasilkan kinerja generalisasi yang lebih baik di-bandingkan algoritma OS-ELM untuk kasus regresi dan klasifikasi. Pada kasus regresi dengan dataset red wine, white wine, abalone, california housing, auto-MPG, diperoleh metrik nRMSE MOS-ELM dan OS-ELM yaitu 0.110 versus 0.135, nMAE 0.080 versus 0.087, dan R2 0.543 versus 0.501. Pada kasus klasifikasi biner pada dataset breast cancer, diabetes, ionosphere, dan heart, diperoleh akurasi rata-rata 0.92 dengan persentase peningkatan kinerja (PIR%) 4.83% (Alg. 1) dan akurasi rata-rata 0.93 dengan PIR% 3.03% (Alg. 2). Pada kasus klasifikasi multikelas dengan dataset iris, satellite image, glass, dan vehicle, diperoleh akurasi bobot rata-rata 0.84 dengan PIR% 8.55% (Alg. 1), dan akurasi bobot rata-rata 0.85 dengan PIR% 7.44% (Alg. 2). Algoritma MOS-ELM diimplementasikan pada pengenalan gestur pengaturan arus lalu lintas dengan attention on hand (AOH), diperoleh akurasi bobot 93.8%. Usulan algoritma MOS-ELMv2 menghasilkan kinerja generalisasi lebih baik pada kasus klasifikasi biner. Algoritma MOS-ELMv2 desain I dan desain II menghasilkan PIR% 5.6% dan 8.2% terhadap OS-ELM, dan ?PIR% sebesar 3.6% dan 6.3% terhadap MOS-ELM dengan dataset hepatitis, haberman*, heart disease, breast cancer*, dan diabetes. Pada kasus klasifikasi multike-las, algoritma MOS-ELMv2 desain I dan desain II menghasilkan PIR% 6.8%dan 6.1% terhadap OS-ELM, dan ?PIR% 2.6% dan 1.9% terhadap MOS-ELM dengan dataset iris, wine, lymphography*, dan glass*. Usulan algoritma NLMOS-ELM menghasilkan kinerja generalisasi lebih baik pada kasus klasi-fikasi biner dengan PIR% 3.4% dan 5.6% terhadap OS-ELM, dan ?PIR% sebe-sar 3.6% dan 6.3% terhadap MOS-ELM, untuk dataset hepatitis, haberman*, heart disease, breast cancer*, dan diabetes. Indeks pemeringkatan seluruh usulan algoritma diperoleh dari uji pemeringkatan Friedman. Studi analisis kestabilan sistem lup tertutup DLTV diperoleh dari pertidaksamaan fungsi Lyapunov, sedangkan studi analisis konvergensi sistem lup tertutup PNLSS dilakukan dengan mencari region of attraction (ROA) menggunakan turunan fungsi Lyapunov. Dari hasil numerik, konstanta Lipschitz bernilai positif, solusi LMI feasible untuk seluruh data latih, dan nilai eigen lup tertutup berada pada radius unit satuan. Nilai batas sinyal nonlinier model PNLSS didekati dengan batas bawah Cramer-Rao (CRLB). Pada studi efisiensi waktu komputasi, kompleksitas komputasi dekomposisi Cholesky untuk solusi invers semu, O(n3/3), lebih efisien dibandingkan dengan dekomposisi SVD.