Estimasi Tingkat Kebisingan pada Airfoil dengan Penerapan Metode Neural Network dan Bagging

Estimasi Tingkat Kebisingan pada Airfoil dengan Penerapan Metode Neural Network dan Bagging

• By Tyas Setiyorini;
• Jurnal Informatika
• 269
• 75-79

Sebagian besar kebisingan pada pesawat berasal dari sistem propeller pengangkat, rotor, dan mesin. Secara umum, salah satu parameter yang mempengaruhi kebisingan yang disebabkan oleh propeller adalah geometri dasar pembentuk propeller yaitu airfoil. Dataset airfoil memiliki sifat non linear. Varians yang tinggi pada dataset airfoil juga menunjukkan tingginya noise. Metode neural network memiliki kinerja yang baik dalam mengatasi masalah data nonlinear, namun neural network memiliki kelemahan dalam mengatasi data noise yang tinggi. Untuk menyelesaikan masalah tersebut diperlukan metode bagging untuk mengurangi tingginya noise yang ditunjukkan dari varians yang tinggi pada dataset airfoil. Beberapa eksperimen dilakukan untuk mendapatkan arsitektur yang optimal dan menghasilkan estimasi yang akurat. Hasil eksperiman dari 8 kombinasi parameter penelitian pada dataset airfoil dengan neural network didapatkan nilai RMSE terkecil adalah 2.071, sedangkan dengan menggunakan neural network dan bagging didapatkan nilai RMSE terkecil adalah 1.718. Maka dapat disimpulkan estimasi tingkat kebisingan pada airfoil dengan menggunakan metode bagging dan neural network lebih akurat dibanding dengan metode individual neural network. 

• Katakunci Estimasi, Tingkat kebisingan Airfoil, Neural
• URL https://ejournal.stmikantarbangsa.ac.id/v1/index.php/jti/article/view/134/pdf
• Penerbit Jurnal Teknik Informatika STMIK Antar Bangsa, Ciledug Tangerang

REFERENSI

 [1] Alpaydin, Ethem. (2010). Introduction to Machine Learning. London: The MIT    Press 

[2] Alshihri, M. M., Azmy, A. M., & El-Bisy, M. S. (2009). Neural networks for predicting compressive strength of structural light weight concrete. Construction and Building Materials, 23(6), 2214–2219. 

[3] Breiman, L. (1996). Bagging predictors. Machine Learning, 26(2), 123–140.

[4] Chen, H., Zhang, J., Xu, Y., Chen, B., & Zhang, K. (2012). Performance comparison of artificial neural network and logistic regression model for differentiating lung nodules on CT scans. Expert Systems with Applications, 39(13), 11503–11509.

[5] Culp, M., Michailidis, G., & Johnson, K. (2011). On Adaptive Regularization Methods in Boosting. Journal of Computational and Graphical Statistics, 20(4), 937–955. 

[6] Dimopoulos, L. F., Tsiros, L. X., Serelis, K., & Chronopoulou, A. (2004). Combining Neural Network Models to Predict Spatial Patterns of Airborne Pollutant Accumulation in Soils around an Industrial Point Emission Source. Journal of the Air & Waste Management Association, 54(12), 1506–1515. 

[7] Erdal, H. I. (2013). Two-level and hybrid ensembles of decision trees for high performance concrete compressive strength prediction. Engineering Applications of Artificial Intelligence, 26(7), 1689–1697.   

[8] Erdal, H. I., Karakurt, O., & Namli, E. (2013). High performance concrete compressive strength forecasting using ensemble models based on discrete wavelet transform. Engineering Applications of Artificial Intelligence, 26(4), 1246–1254.  

[9] Giles, C. L. E. E., & Lawrence, S. (2001). Noisy Time Series Prediction using Recurrent Neural Networks and Grammatical Inference, 161–183.

[10] Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Techniques. San Fransisco: Morgan Kauffman. 

[11] Harris, C. M. (1957). Handbook of Noise Control, Sydney: McGraw-Hill Book Company.

[12] K. Lau, R. López, and E. Oñate, “INTERNATIONAL CENTER FOR NUMERICAL METHODS IN ENGINEERING A Neural Networks Approach to Aerofoil Noise Prediction A Neural Networks Approach to Aerofoil Noise Prediction,” 2009.

[13] Kepmenaker No. Kep-51/Men/1999

[14] Kim, M., & Kang, D. (2012). Expert Systems with Applications Classifiers selection in ensembles using genetic algorithms for bankruptcy prediction. Expert Systems With Applications, 39(10), 9308–9314.

[15] Kim, M.-J., & Kang, D.-K. (2010). Ensemble with neural networks for bankruptcy prediction. Expert Systems with Applications, 37(4), 3373–3379.

[16] Maimon, Oded&Rokach, Lior. (2010). Data Mining and Knowledge Discovey Handbook. New York: Springer

[17] Nazari, A., & Pacheco Torgal, F. (2013). Predicting compressive strength of different geopolymers by artificial neural networks. Ceramics International, 39(3), 2247–2257.

[18] T. Setiyorini, “Penerapan Metode Bagging untuk Mengurangi Data Noise pada Neural Network untuk Estimasi Kuat Tekan Beton,” vol. 1, no. 1, pp. 37–42, 2015.

[19] Twala, B. (2010). Multiple classifier application to credit risk assessment. Expert Systems with Applications, 37(4), 3326–3336.

[20] Vercellis, Carlo (2009). Business Intelligent: Data Mining and Optimization for Decision Making. Southern Gate, Chichester, West Sussex: John Willey & Sons, Ltd.

[21] Witten, I. H., Frank, E., & Hall, M. A. (2011). Data Mining: Practical Machine Learning and Tools. Burlington: Morgan Kaufmann Publisher.