Article Details

PEMODELAN KASUS NON-STASIONER DI BIDANG KEDIRGANTARAAN MENGGUNAKAN DEEP GAUSSIAN

Oleh   Muhammad Faiz Izzaturrahman [23620029]
Kontributor / Dosen Pembimbing : Dr. Lavi Rizki Zuhal;Pramudita Satria Palar, S.T., M.T., Ph.D.;
Jenis Koleksi : S2 - Tesis
Penerbit : FTMD - Teknik Dirgantara
Fakultas : Fakultas Teknik Mesin dan Dirgantara (FTMD)
Subjek :
Kata Kunci : Non-stationary surrogate modelling, Deep Gaussian Process, Stochastic Imputation
Sumber :
Staf Input/Edit : Irwan Sofiyan  
File : 1 file
Tanggal Input : 2022-01-12 20:02:08

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.