RIVIEW JURNAL INTERNASIONAL MACHINE LEARNING

Nama : Fingki Juanaidi Manurung

Nim : 2055201132
Tugas riview : Machine learning

Pengembangan produk virtual berdasarkan simulasi numerik saat ini

merupakan alat penting dalam industri mobil. Penulis menganalisis data dari simulasi
kecelakaan mobil dengan bantuan metode dari pembelajaran mesin. Setiap instance
adalah proses simulasi penuh, yang saat ini terdiri dari lebih dari satu juta node
elemen hingga (FE) dan sekitar seratus langkah waktu, dan oleh karena itu
dimensinya sangat tinggi, yaitu sekitar 108(waktu×node).
Selama proses pengembangan simulasi model mobil baru dilakukan di mana
parameter desain diubah oleh insinyur. Satu simulasi berjalan memakan waktu sekitar
delapan jam pada sebuah cluster dengan 32 core; akibatnya jumlah titik data tetap
kecil dibandingkan, saat ini hingga 1.000.
penulis mengusulkan kerangka kerja umum untuk analisis data simulasi
elemen, hingga Penggunaan metode pembelajaran mesin memungkinkan untuk secara
signifikan mengurangi upaya analisis selama proses rekayasa dengan
mengungkapkan karakteristik proses simulasi secara semi-otomatis. Oleh karena itu
tujuannya adalah agar setiap simulasi berjalan hanya beberapa atribut yang dihitung
yang tersisa untuk dipertimbangkan, tetapi masih menggambarkan efek tabrakan
mobil dengan detail yang masuk akal. Seseorang kemudian dapat dengan mudah
mendeteksi simulasi yang berjalan yang menunjukkan perilaku ekstrim atau luar
biasa dan menganalisisnya lebih lanjut.
 Penulis menyimpulkan Dengan menerapkan alur kerja yang disajikan untuk
analisis data tabrakan mobil pada contoh dunia nyata,penulis telah menunjukkan
bahwa kami memang dapat mengungkap karakteristik tabrakan.
langkah pertama Yang dilakukan penulis yaitu memperoleh penugasan cluster
dari node di mana penulis mengelompokkan node dengan intensitas pergerakan dan
pola pergerakan yang sama menjadi satu cluster. Berdasarkan itu, penulis dapat
memverifikasi bahwa pengelompokan memang menangkap node mana yang paling
banyak dihancurkan pada langkah waktu saat ini. Selain itu, hasil juga menunjukkan
perlunya metode pengelompokan yang dapat menemukan cluster nonconvex karena
hanya pengelompokan spektral berbasis jaringan jarang yang dapat menemukan
pengelompokan yang masuk akal di semua situasi. Pada langkah kedua kami
menggunakan pengurangan dimensi nonlinier pada cluster yang diperoleh pada
langkah pertama. Karena pengelompokan sudah secara kasar mencerminkan perilaku
kerusakan, metode pengurangan dimensi diterapkan pada data yang telah diproses
sebelumnya untuk memberikan input yang lebih baik daripada hanya mengambil
semua node sekaligus. Contoh kami bagaimana misalnya embedding yang diperoleh
dengan peta dimensi pada setiap cluster secara terpisah mencerminkan bifurkasi yang
lebih baik dalam perilaku balok daripada embedding yang diperoleh dengan
menerapkan metode pada semua data. Dengan pendekatan linier lokal berdasarkan
estimasi ruang tangen dan pembelajaran manifold utama dengan grid jarang kami
juga telah menunjukkan bahwa kami tidak hanya dapat memperoleh embedding data
crash berdimensi rendah tetapi juga dapat dengan cepat merekonstruksi simulasi
berjalan untuk mengeksplorasi simulasi dengan di menyewa konfigurasi parameter.
Analisis data yang direduksi telah menunjukkan bahwa kami mendapatkan
rekonstruksi yang lebih baik dari simulasi yang berjalan dengan metode nonlinier
kami.
Secara keseluruhan, dengan menggunakan alat pembelajaran mesin modern,
penulis dapat memberikan bantuan kepada teknisi mobil dalam proses desain model
mobil baru. Dengan menggunakan prosedur nonlinier, jumlah parameter yang relevan
untuk diselidiki dapat dikurangi, sedangkan kombinasi pengelompokan dan reduksi
dimensi nonlinier menghasilkan identifikasi variabel lambat yang lebih baik.
Misalnya, pendeteksian proses bifurkasi dengan peta difusi, yaitu pemisahan simulasi
ke dalam grup dengan perilaku tekukan yang berbeda dan nilai parameter masukan
(ketebalan) yang berbeda, memungkinkan insinyur untuk dengan mudah
mengidentifikasi grup yang terdiri dari proses dengan perilaku yang diinginkan. hal
keselamatan penumpang dan rentang parameter yang sesuai. Kami membayangkan
bahwa algoritme rekonstruksi yang baik dapat menghindari penghitungan simulasi
numerik lengkap yang mahal untuk konfigurasi parameter yang sesuai, khususnya
jika indikator seperti misalnya indeks HIC (Indeks Kriteria Cedera Kepala) atau
intrusi dinding api menarik. Alur kerja analisis data semi-otomatis semacam itu
memproses bundel simulasi berjalan dengan demikian dapat secara signifikan
mengurangi waktu yang dihabiskan oleh insinyur yang menganalisis pengaruh
parameter desain pada bobot, biaya, atau properti fungsional model mobil baru.

2. Car Price Prediction using Machine

Learning Techniques/
Prediksi Harga Mobil menggunakan Mesin
Teknik Pembelajaran
Penulis mengatakan entah mengapa prediksi harga mobil menjadi masalah yang
menarik dan populer. Sesuai informasi yang diperoleh dari Badan Pusat Statistik BiH,
tercatat sebanyak 921.456 unit kendaraan pada tahun 2014 dimana 84%
diantaranya adalah kendaraan pribadi [1]. Angka ini meningkat sebesar 2,7% sejak
tahun 2013 dan kemungkinan tren ini akan terus berlanjut, serta jumlah mobil akan
terus bertambah. Prediksi harga mobil yang akurat melibatkan pengetahuan ahli, karena
harga biasanya bergantung pada banyak fitur dan faktor yang berbeda. Biasanya, yang
paling signifikan adalah merek dan model, usia, tenaga kuda, dan jarak tempuh.
Data dikumpulkan dari portal web lokal untuk jual beli mobil autopijaca.ba, selama
musim dingin, karena interval waktu itu sendiri berdampak tinggi pada harga mobil di
Bosnia dan Herzegovina. Pendekatan classifier pembelajaran mesin tunggal yang telah
digunakan dalam semua penelitian sebelumnya juga diuji dalam penelitian ini. Seluruh
kumpulan data yang dikumpulkan dalam penelitian ini telah dibagi menjadi pelatihan (90%)
dan pengujian (10%) subset dan model Jaringan Syaraf Tiruan, Support Vector Machine dan
Random Forest dibangun.
Dalam penelitian ini, skrip PHP dibangun untuk menormalkan, menstandarisasi, dan
membersihkan data untuk menghindari kebisingan yang tidak perlu untuk algoritme
pembelajaran mesin. Pembersihan data adalah salah satu proses yang meningkatkan kinerja
prediksi, namun tidak cukup untuk kasus kumpulan data yang kompleks seperti yang ada
dalam penelitian ini. Menerapkan algoritma mesin tunggal pada akurasi kumpulan data
kurang dari 50%. Oleh karena itu, ansambel dari beberapa algoritma pembelajaran mesin
telah diusulkan dan kombinasi metode ML ini memperoleh akurasi sebesar 92,38%. Ini
adalah peningkatan yang signifikan dibandingkan dengan pendekatan metode pembelajaran
mesin tunggal. Namun, kelemahan dari sistem yang diusulkan adalah ia menghabiskan lebih
banyak sumber daya komputasi daripada algoritma pembelajaran mesin tunggal.
tujuan kami untuk penelitian mendatang adalah menguji sistem ini agar berhasil
bekerja dengan berbagai kumpulan data.