Perpustakaan Digital ITB

Kriging telah dikenal sebagai surrogate model yang sering digunakan dalam permasalahan eksplorasi desain teknik. Dalam thesis ini, surrogate model baru diajukan dan dikategorikan sebagai universal Kriging dengan ekspansi polinomial chaos sebagai fungsi trend-nya. Suku polinomial akan ditentukan berdasarkan metode least angle regression (LARS), beserta melatih hyperpa- rameter dalam surrogate model melalui memaksimalkan estimasi likelihood. Performa dari metode yang diajukan, yaitu gradient-enhanced polinomial chaos Kriging (GEPCK), dalam kasus analitik dan kasus real akan dipresentasikan dan kemudian dibandingkan dengan tipe surrogate model umum yang lain, seperti Kriging biasa (OK), gradient-enhanced Kriging (GEK), ekspansi polinomial chaos (PCE), dan gradient-enhanced ekspansi polinomial chaos (GEPCE). Hasil tersebut akan dipresentasikan dalam metrik root-mean-squared-error yg telah dinormalisasi (NRMSE) sebagai sebuah boxplot, dengan 50 perbedaan posisi sampel awal, karenanya menghasilkan 50 data dalam setiap boxplot, untuk melihat robustness dari surrogate model yang diajukan dan kemudian jumlah sampel dalam setiap kasus divariasikan untuk melihat pengaruh dari peningkatan jumlah sampel dalam surrogate model yang diajukan. Dari semua hasil tersebut, GEPCK secara konsisten lebih baik dari surrogate model yang lain, dalam performa akurasi ataupun robustness, untuk kasus analitik dan kasus real.