[2]13621053
[3]13621062
1
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
𝑌𝑌𝑖𝑖 = 𝛽𝛽0 + ∑𝑘𝑘𝑖𝑖=1 𝛽𝛽𝑘𝑘 𝑓𝑓𝑘𝑘 �𝑋𝑋𝑖𝑖1 , 𝑋𝑋𝑖𝑖2 , … , 𝑋𝑋𝑖𝑖𝑖𝑖 � + Dengan y_i adalah nilai fungsi ke-i yang akan
𝜀𝜀𝑖𝑖 , 𝑖𝑖 = 1, … , 𝑛𝑛 (3) diprediksi, dan β adalah prediksi dari koefisien-
koefisiennya yang membentuk prediksi untuk y_i.
Dengan catatan, 𝛽𝛽0 adalah bias atau intercept, 𝛽𝛽𝑖𝑖 Persamaan ini dapat diubah menjadi bentuk
adalah koefisien yang merepresentasikan matriks sebagai berikut:
kemiringan atau slope dari fungsi 𝑓𝑓, 𝑋𝑋𝑖𝑖𝑖𝑖 adalah
𝑅𝑅𝑅𝑅𝑅𝑅�𝜷𝜷 � �𝑇𝑇 �𝒚𝒚 − 𝑭𝑭𝜷𝜷
� � = �𝒚𝒚 − 𝑭𝑭𝜷𝜷 �� (8)
variabel independen pada pengamatan ke-i serta
prediktor ke-j (j = 1, 2, …, p), 𝜀𝜀 adalah besar
random error, dan apabila suatu dataset hanya Sehingga, nilai minimum dapat dicari dengan
memiliki variabel independen, maka p = 1. Proses mengubah ulang persamaan (8) menjadi berikut:
persamaan ini dapat diubah menjadi komponen
vektor dengan 𝜷𝜷 = {𝛽𝛽0 , 𝛽𝛽1 , 𝛽𝛽2 , … , 𝛽𝛽𝑝𝑝 } dan matriks � = �𝑭𝑭𝑻𝑻 𝑭𝑭�−1 𝑭𝑭𝑻𝑻 𝒚𝒚
𝜷𝜷 (9)
𝑿𝑿. Sehingga, data ini dapat diubah menjadi:
Setelah kita tahu bahwa dari rumus variansi kita
𝑝𝑝 dapat menggunakan nilai RSS sebagai berikut:
𝒀𝒀 = 𝛽𝛽0 + � βp 𝑿𝑿𝑝𝑝 + 𝜀𝜀 (4)
𝑖𝑖=1 𝑅𝑅𝑆𝑆𝑆𝑆�𝛽𝛽̂ �
𝜎𝜎� 2 = (10)
𝑛𝑛𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 − 𝑛𝑛𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣
Dengan:
Dengan 𝑛𝑛𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 sebagai jumlah baris dan
𝑭𝑭 = (𝟏𝟏, 𝑿𝑿) (5) 𝑛𝑛𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 sebagai jumlah variabel. Maka dari itu,
Sehingga kita dapat membuat perkalian matriks
𝑉𝑉𝑉𝑉𝑉𝑉�𝛽𝛽̂ � = (𝑭𝑭𝑇𝑇 𝑭𝑭)−1 𝜎𝜎� 2 (11)
dimana:
2.2.3. Model Regresi Logistik
𝑭𝑭𝑭𝑭 = 𝒚𝒚 (6)
Model regresi logistik merupakan suatu metode
Model linear ini berarti kita harus mencari nilai 𝛽𝛽̂ statistik yang digunakan untuk memodelkan
yang paling mewakili regresi ini. Maka dari itu, hubungan antara variabel dependen biner (dua
perlu adanya upaya fitting yang menggunakan kategori) dengan satu atau lebih variabel
metode least squares. Proses ini lebih dijelaskan independen. Regresi logistik adalah salah satu
pada topik RSS atau Residual Sum of Squares. metode yang umum digunakan untuk melakukan
analisis prediktif pada data kategori atau data
2.2.2. RSS (Residual Sum of Square)
biner. Fungsi logistik memetakan variabel
independen ke dalam rentang 0 hingga 1, yang
RSS mengukur tingkat variansi dalam konteks
dapat diinterpretasikan sebagai probabilitas suatu
error atau residu dalam sebuah model regresi.
kejadian. Persamaan model logistik dimodelkan
Oleh karena itu, kita perlu meminimalkan nilai
dalam bentuk berikut.
dari RSS ini. Dengan menggunakan metode RSS
ini, akan diperoleh nilai β yang meminimalisir 𝑝𝑝
RSS yang memiliki persamaan sebagai berikut: 𝑃𝑃
ln � � = 𝛽𝛽0 + � βp 𝑿𝑿𝑝𝑝 (12)
1 − 𝑃𝑃
𝑖𝑖=1
2
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
Dengan P adalah probablilitas. Model logistik ini diperlukan nilai jaraknya, sehingga setiap input
menggunakan prinsip maximum likelihood untuk perlu dinormalisasi agar memiliki skala yang
meningkatkan likelihood. Itu merupakan fungsi dapat dibandingkan. Perlu diketahui juga bahwa
mencari fit terbaik dari model. KNN hanya dapat diterapkan untuk memodelkan
permasalahan dengan satu (p=1) atau dua (p=2)
𝐿𝐿(𝛽𝛽) = � 𝑝𝑝(𝑥𝑥) � �1 − 𝑝𝑝(𝑥𝑥 ′ )� (13) variabel independen nya.
𝑥𝑥∈𝐶𝐶1 𝑥𝑥 ′ ∈𝐶𝐶0
2.2.6. Interpretasi Model menggunakan
𝑁𝑁 Hipotesis
log�𝐿𝐿(𝛽𝛽)� = ��𝑦𝑦𝑖𝑖 𝛽𝛽𝑥𝑥𝑖𝑖 − log�1 + 𝑒𝑒 𝛽𝛽𝑥𝑥𝑖𝑖 �� (14)
Dalam menentukan suatu value pasti terdapat
𝑖𝑖=1
error di dalamnya. Oleh karena itu diperlukan
Hasil komputasi menggunakan metode iteratif confidence interval dari suatu value yang
Newton-Rhapson hingga turunan kedua. Proses didapatkan. Confidence interval berguna untuk
tersebut dilakukan dengan menurukan rumus menentukan seberapa yakin akan keakuratan
sebagai berikut: value yang didapatkan. Untuk melakukan uji
hipotesis digunakan metode t-test. T-test adalah
𝑁𝑁 suatu cara untuk mencari signifikansi perbedaaan
𝜕𝜕𝜕𝜕(𝛽𝛽) antara dua objek. Penurunan yang dilakukan
= � 𝐹𝐹𝑖𝑖 �𝑦𝑦𝑖𝑖 − 𝑝𝑝(𝑥𝑥𝑖𝑖 , 𝛽𝛽)� (15)
𝜕𝜕𝜕𝜕 ditampilkan seperti berikut:
𝑖𝑖=1
𝑁𝑁
𝜕𝜕 2 𝐿𝐿(𝛽𝛽) 𝑆𝑆𝑆𝑆�𝛽𝛽̂ � = �𝑉𝑉𝑉𝑉𝑉𝑉�𝛽𝛽̂ � (17)
= � −𝐹𝐹𝑖𝑖 𝐹𝐹𝑖𝑖𝑇𝑇 𝑝𝑝(𝑥𝑥𝑖𝑖 , 𝛽𝛽)�1 − 𝑝𝑝(𝑥𝑥𝑖𝑖 , 𝛽𝛽)� (16)
𝜕𝜕𝜕𝜕𝜕𝜕𝛽𝛽 𝑇𝑇
𝑖𝑖=1
𝛽𝛽̂ ± 𝑡𝑡𝛼𝛼\2 ∙ 𝑆𝑆𝐸𝐸�𝛽𝛽̂ � (18)
3
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
mengkuantifikasi keakuratan dalam mengestimasi production while moving forward. The schematic
koefisien, 𝑅𝑅 2 menunjukan nilai keakuratan dalam is given in the figures below, where the fin rotates
sebuah model memprediksi sebuah data. Untuk with a maximum angle alpha with a certain
mengukur nilai 𝑅𝑅 2, dapat digunakan persamaan flapping frequency. The plate is composed of
sebagai berikut: Acrylic and silicone rubber length attached in
tandem. The plate with 0% and 100% percentage
𝑅𝑅𝑅𝑅𝑅𝑅 of acrylic represents the most flexible and the
𝑅𝑅 2 = 1 − � � (20)
𝑇𝑇𝑇𝑇𝑇𝑇 stiffest panel, respectively. The stiffness of the
𝑇𝑇𝑇𝑇𝑇𝑇 = Σ(𝑦𝑦𝑖𝑖 − 𝑦𝑦�)2 (21) plate is varied by changing the proportion of the
Acrylic and the silicone rubber length, in which
1 the effective stiffness of the composite plate can
𝑅𝑅𝑆𝑆𝑆𝑆 = � 𝑅𝑅𝑅𝑅𝑅𝑅 (22)
𝑛𝑛 − 2 then be calculated. For each proportion of
material, the flapping frequency is varied, and the
thrust is measured using a set of experimental
setups comprising a towing tank and a load cell.
2.2.8. Min-Max Scaling
4
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
3.2.2. Visualisasi
5
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
flapping frequency 3.03125 Hz menghasilkan pada perubahan nilai thrust dengan persentase
52.9283594906917 N Thrust force. akrilik yang konstan.
Untuk menjawab permasalahan ini akan Seperti yang sudah disebutkan, akan digunakan
digunakan pemodelan multiple linear regression metode KNN untuk dapat memodelkan data-data
dan juga KNN. Metode ini berfungsi untuk input menjadi output yang sesuai. Setelah
memodelkan hubungan antara gaya dorong, thrust dilakukan pemodelan KNN, diperoleh model
sebagai outputnya dengan flapping frequency dan berupa surface yang menunjukkan hubungan antar
stiffness yang direpresentasikan oleh besarnya variabel independen dengan variabel
persentase komposisi akrilik pada fin. Model- dependennya, yaitu:
model ini sudah dijelaskan pada dasar teori di
subbab sebelumnya.
1 0.00624991 0.109468
�0.00624991 1 0.30843139� (24)
0.109468 0.30843139 1
6
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
Tabel.3.1. Tabel Regresi Linear dari Data Flapping Fin Berdasarkan beberapa model yang telah
didapatkan, akurasi yang paling tinggi dimiliki
Dari hasil data ini, terlihat bahwa pada uji model oleh model KNN. Pada model regresi linear
regresi linear, terlihat bahwa uji hipotesis pada β2 didapatkan akurasi terhadap pengujian test dataset
adalah satu-satunya yang terbukti hipotesis sebesar 11.632%. Hasil akurasi yang rendah
korelasi. Sehingga, uji ini menyatakan bahwa menandakan hubungan antar variabel yang tidak
variabel ke-2 atau flapping frequency ternyata linear. Oleh karena itu diperlukan metode non-
memiliki pengaruh yang kuat terhadap hasil parametrik untuk mengaproksimasi hasil uji test
variabel respons. Pendekatan regresi linear dataset terhadap training test set.
menjadi sebagai berikut:
4. Problem 2
𝑦𝑦 = 2.4227 + 0.0481x1 + 3.4038𝑥𝑥2 (25) 4.1. Pertanyaan
Dengan 𝑦𝑦 adalah thrust dengan 𝑥𝑥1 sebagai A study was performed to investigate the impact of
variabel persentase acrylic dan 𝑥𝑥2 sebagai variabel transonic airfoil geometries on the drag and lift
flapping frequency. Selain tabel ini, didapatkan production. The airfoil is designed to operate at
hasil R2 dan RSE sebagai berikut: Mach number of 0.73 and Angle of Attack of 2
degrees. The aerodynamics coefficients are
evaluated using a simplified aerodynamic solver,
R2 0.10669529482018798 which neglects the viscosity of the air. The nine
RSE 13.225845481164576 geometrical parameters, with the lower, upper
bounds, and the definitions are shown below:
Tabel.3.2. Tabel R2 dan RSE dari Data Flapping Fin
Keakurasian dari regresi linear dari pengujian test a) Build a model that best approximates the
dataset adalah 11.632%. relationship between the nine geometrical
parameters with the lift coefficient (CL), drag
3.3. Interpretasi Hasil coefficient (CD), and moment coefficient (CM).
7
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
b) Is the relationship between CL, CD, CM with 4.2.3.1. Pearson Correlation Coefficient
the nine geometrical parameters linear?
Permodelan dari data ini dapat dibantu dengan
c) Rank the input variables according to their melihat matrik korelasi dari masing-masing
importance on the aerodynamics coefficient (hint: variabel yang terdapat di data ini. Dengan
you should normalize the input variables so that menggunakan rumus pearson correlation
they have the same scale). coefficient di persamaan (1). Hasilnya adalah
sebagai berikut:
4.2. Jawaban
8
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
[-2.26e-02 -2.85e-02 -2.27e-02 1.15e-03 input menjadi output yang sesuai. Setelah
-1.40e-02 -6.12e-03 1.00e+00
6.26e-03 -2.43e-02 9.77e-02]
dilakukan pemodelan KNN, diperoleh model
[-1.40e-02 -9.07e-03 -3.08e-02 -1.11e-03 berupa surface yang menunjukkan hubungan antar
-1.38e-02 1.03e-03 6.26e-03 variabel independen dengan variabel
1.00e+00 1.91e-02 -1.48e-01] dependennya. Aproksimasi ini dapat dilakukan
[-9.08e-03 2.52e-04 2.18e-03 -9.00e-03
1.58e-02 -2.02e-02 -2.43e-02
dengan nilai n sebanyak 7 tetangga. Hal ini
1.91e-02 1.00e+00 -1.64e-02] menghasilkan keakurasian KNN dengan test
[-2.79e-02 -3.55e-01 7.80e-01 1.68e-02 - dataset sebagai berikut:
6.06e-02 2.47e-01 9.77e-02
-1.48e-01 -1.64e-02 1.00e+00]] KNNCL 0.8188354041401852
CM: KNNCD 0.717464327890282
[[ 1.00e+00 -2.05e-02 -1.60e-02 -3.95e-03 KNNCM 0.8338900167582667
3.02e-03 -4.53e-03 -2.26e-02
-1.40e-02 -9.08e-03 -5.26e-02] Tabel.4.1. Tabel Keakuratan KNN dari Data Problem 2
[-2.05e-02 1.00e+00 -5.75e-03 -1.60e-02
1.53e-04 -7.94e-03 -2.85e-02
-9.07e-03 2.52e-04 1.95e-01] 4.2.3.3. Model Regresi Linear
[-1.60e-02 -5.75e-03 1.00e+00 1.18e-02
2.78e-02 2.08e-03 -2.27e-02 Pada model regresi linear, kita dapat menemukan
-3.08e-02 2.18e-03 7.94e-01] nilai beta yang dapat diwakilkan seperti
[-3.95e-03 -1.60e-02 1.18e-02 1.00e+00 -
3.76e-02 -1.69e-02 1.15e-03 persamaan multi-regresi yang merepresentasikan
-1.11e-03 -9.00e-03 9.60e-02] data tersebut. Dari hasil analisis, terlihat bahwa
[ 3.02e-03 1.53e-04 2.78e-02 -3.76e-02 didapat komponen-komponen regresi linear
1.00e+00 1.97e-02 -1.40e-02 sebagai berikut:
-1.38e-02 1.58e-02 -1.89e-01]
[-4.53e-03 -7.94e-03 2.08e-03 -1.69e-02
1.97e-02 1.00e+00 -6.12e-03 β s2 t-stat p-val uji
1.03e-03 -2.02e-02 4.02e-01] 0 0.3007 0.0265 11.572 0 1
[-2.26e-02 -2.85e-02 -2.27e-02 1.15e-03 1 6.5481 1.2735 5.1416 0 1
-1.40e-02 -6.12e-03 1.00e+00
6.26e-03 -2.43e-02 1.48e-01] 2 0.4075 0.0195 20.891 0 1
[-1.40e-02 -9.07e-03 -3.08e-02 -1.11e-03 3 10.384 0.1369 75.830 0 1
-1.38e-02 1.03e-03 6.26e-03 4 0.3475 0.0204 17.010 0 1
1.00e+00 1.91e-02 -2.61e-01]
[-9.08e-03 2.52e-04 2.18e-03 -9.00e-03 5 -0.4179 0.0242 -17.25 0 1
1.58e-02 -2.02e-02 -2.43e-02 6 9.4429 0.1476 63.9649 0 1
1.91e-02 1.00e+00 -1.15e-02] 7 0.2559 0.0121 21.0692 0 1
[-5.26e-02 1.95e-01 7.94e-01 9.60e-02 -
1.89e-01 4.02e-01 1.48e-01 8 -2.4026 0.0768 -31.274 0 1
-2.61e-01 -1.15e-02 1.00e+00]] 9 0.0516 0.0526 0.9794 0.3279 0
Dengan diketahui tidak adanya satupun variabel Tabel.4.2. Tabel Regresi Linear dari Cl
independen yang tidak berkorelasi sama sekali
dengan suatu koefisien aerodinamika dan bahwa
variabel independen saling mempengaruhi satu
dengan variabel parameter geometrik yang lain. β s2 t-stat p-val uji
0 -0.0092 0.0043 -2.1351 0.033 1
Namun, karena banyaknya variabel yang harus
diuji, Pearson Correlation Coefficient sudah gagal 1 -0.2029 0.2075 -0.9777 0.3287 0
dalam memberikan representasi baik dari data 2 -0.0522 0.0032 -16.427 0.000 1
tersebut, sehingga harus lanjut pada permodelan. 3 0.8220 0.0223 36.843 0.000 1
4 0.0004 0.0033 0.1172 0.9067 0
4.2.3.2. KNN Model 5 -0.0163 0.0039 -4.121 0 1
6 0.2795 0.2405 11.6206 0 1
Seperti yang sudah disebutkan, akan digunakan 7 0.0099 0.0020 5.0135 0 1
metode KNN untuk dapat memodelkan data-data 8 -0.0768 0.0125 -6.1362 0 1
9
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
9 -0.0028 0.0086 -0.3225 0.7472 0 Dari hasil ini, terlihat bahwa nilai regresi linear
merepresentasikan ke-linear-an yang sangat tinggi
Tabel.4.3. Tabel Regresi Linear dari Cd dengan nilai R2 yang tinggi dan RSE yang sangat
kecil.
β s2 t-stat p-val uji
0 -0.0877 0.0078 -11.156 0 1
1 -1.1514 0.3769 -4.0173 0 1 RLCL 0.9638760033230835
2 0.1483 0.0058 25.688 0 1 RLCD 0.6581909829441328
3 4.0168 0.4052 99.131 0 1 RLCM 0.9654968825502612
4 0.0662 0.0060 10.989 0 1
5 -0.1939 0.0072 -27.050 0 1 Tabel.4.8. Tabel Keakuratan Regresi Linear dari Data
6 2.2275 0.0437 50.9905 0 1 Problem 2
7 0.0772 0.0036 21.4736 0 1
8 -0.6806 0.0227 -29.940 0 1 Untuk menjawab problem 2b, menggunakan
0.0149 0.0156 0.9581 0.3384 0 model yang sudah diperoleh untuk menemukan
9
sifat linearitas suatu variabel independen geometri
Tabel.4.4. Tabel Regresi Linear dari Cm airfoil terhadap masing-masing koefisien
aerodinamika sehingga diperoleh sifat linearitas
Untuk menjawab problem 2b, menggunakan antar sembilan variabel parameter geometri
model yang sudah diperoleh untuk menemukan terhadap Cl, Cd, dan Cm sembilan variabel
sifat linearitas suatu variabel independen geometri parameter geometri yang bersifat variatif. Namun,
airfoil terhadap masing-masing koefisien terlihat bahwa hubungan dari parameter ini
aerodinamika sehingga diperoleh sifat linearitas menghasilkan hubungan linear yang cukup baik,
antar sembilan variabel parameter geometri kecuali dengan Cd dengan nilai yang cukup rendah
terhadap Cl, Cd, dan Cm sembilan variabel sebesar 0.82 nilai R2 dan 65.82% keakuratan.
parameter geometri yang bersifat variatif. Namun,
terlihat bahwa hubungan dari parameter ini 4.2.3.4. Normalisasi Model Regresi
menghasilkan hubungan linear yang cukup baik,
kecuali dengan Cd dengan nilai yang cukup rendah Untuk menjawab 2c yang menginginkan faktor
sebesar 0.82 nilai R2 dan 65.82% keakuratan. importance dari setiap variabel, perlunya data
input untuk dinormalisasi terlebih dahulu.
Sebelum membuat pemodelan data input yang
sudah dinormalisasi terhadap outputnya, perlu
R2 0.9690495965726103 diperiksa terlebih dahulu masing-masing variabel
RSE 0.019727260168915656 independennya menggunakan box plot untuk
memastikan tidak ada penyebaran data yang
Tabel.4.5. Tabel R2 dan RSE dari Data Cl ekstrim atau yang tidak normal. Box Plot untuk
masing-masing variabel yaitu sebagai berikut:
R2 0.826458419400856
RSE 0.003214196596767444
R2 0.9749716085946188
RSE 0.005837640401239611
Tabel.4.7. Tabel R2 dan RSE dari Data Cm Grafik.4.1. Box Plot rle dan xup
10
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
Grafik.4.2. Box Plot yup dan yxxup 4.2.3.5. Model Regresi Linear yang
Ternormalisasi
11
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
1 -0.0006 0.0010 -4.0173 0.0001 1 Upper Crest Curvature (Yxxup), Lower Crest
2 -0.0090 0.0010 25.6876 0.0000 1 Curvature (Yxxlo), dan Trailing Edge Wedge
3 0.0206 0.0010 99.1313 0.0000 1 Angle (𝛽𝛽𝑇𝑇𝑇𝑇).
4 0.0001 0.0010 10.9894 0.0000 1
5 -0.0024 0.0010 -27.050 0.0000 1 ● Pada Coefficient of Moment (Cm), mirip
0.0066 0.0010 50.9906 0.0000 1
seperti yang diperoleh pada Cd, seluruh
6
variabel independen menunjukkan linearitas
7 0.0028 0.0010 21.4736 0.0000 1
yang rendah terhadap Cm. Dengan variabel
8 -0.0034 0.0010 -29.940 0.0000 1 Upper Crest Ordinate (Yup) dan Lower Crest
9 -0.0002 0.0010 0.9582 0.3384 0 Ordinate (Yloo) merupakan kedua variabel
independen yang memiliki linearitas tertinggi
Tabel.4.11. Tabel Regresi Linear dari Cm terhadap Cm. Selain itu, Radius of Leading
Edge (rLe) merupakan variabel independen
Sesuai dengan persamaan (4) mengenai regresi dengan linearitas negatif tertinggi dan juga
linear. Proses pemilihan linearlitas yang paling variabel independen Trailing Edge Wedge
mencolok atau variabel yang paling signifikan
Angle (𝛽𝛽𝑇𝑇𝑇𝑇) memiliki linearitas yang
berada pada nilai mutlak β. Semakin besar nilai
terendah terhadap Cm.
mutlak tersebut pada kondisi sudah ternormalisasi,
maka semakin berpengaruh parameter tersebut
pada variabel respons. Urutan variabel input berdasarkan tingkat
pengaruhnya terhadap setiap koefisien
Meninjau sembilan koefisien independen dengan aerodinamis dapat dilihat sebagai berikut:
untuk setiap regresi linear untuk setiap koefisien
aerodinamik, diperoleh deskripsi sebagai berikut:
● Lift Coefficient (Cl)
● Pada Coefficient of Lift (Cl), variabel dengan 1. Upper Crest Ordinate (Yup)
linearitas yang paling mencolok terhadap Cl 2. Lower Crest Ordinate (Yloo)
terlihat pada variabel Upper Crest Ordinate 3. Trailing Edge Direction (𝛼𝛼𝑇𝑇𝐸𝐸)
(Yup) dan Lower Crest Ordinate (Yloo) 4. Lower Crest Curvature (Yxxlo)
dimana keduanya memiliki koefisien 5. Upper Crest Abssisca (Xup)
independen masing-masing yang tinggi di 6. Lower Crest Abssisca (Xlo)
antara variabel yang lainnya dan merupakan 7. Upper Crest Curvature (Yxxup)
linear positif. Sementara untuk variabel 8. Radius of Leading Edge (rLe)
independen lainnya berada pada linearitas 9. Trailing Edge Wedge Angle (𝛽𝛽𝑇𝑇𝑇𝑇)
cukup rendah dengan linearitas negatif
tertinggi ditunjukkan oleh variabel geometri, ● Drag Coefficient (Cd)
Trailing Edge Direction (𝛼𝛼𝑇𝑇𝑇𝑇) dan linearitas 1. Upper Crest Ordinate (Yup)
terendah, yaitu Trailing Edge Wedge Angle 2. Upper Crest Abssisca (Xup)
(𝛽𝛽𝑇𝑇𝑇𝑇). 3. Lower Crest Ordinate (Yloo)
4. Trailing Edge Direction (𝛼𝛼𝑇𝑇𝑇𝑇)
● Pada Coefficient of Drag (Cd), hampir seluruh 5. Lower Crest Curvature (Yxxlo)
variabel independen memiliki linearitas yang 6. Lower Crest Abssisca (Xlo)
rendah terhadap Cd, dengan variabel Upper 7. Radius of Leading Edge (rLe)
Crest Ordinate (Yup) dan Lower Crest 8. Trailing Edge Wedge Angle (𝛽𝛽𝑇𝑇𝑇𝑇)
Ordinate (Yloo) merupakan kedua variabel 9. Upper Crest Curvature (Yxxup)
independen yang memiliki linearitas tertinggi
terhadap Cd. Selain itu, Radius of Leading ● Moment Coefficient (Cm)
Edge (rLe) merupakan variabel independen 1. Upper Crest Ordinate (Yup)
dengan linearitas negatif tertinggi dan terdapat 2. Lower Crest Ordinate (Yloo)
beberapa variabel independen yang memiliki 3. Trailing Edge Direction (𝛼𝛼𝑇𝑇𝑇𝑇)
linearitas sangat kecil mendekati nol, yaitu 4. Lower Crest Abssisca (Xlo)
12
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
R2 0.9690495965726103
RSE 0.019727260168915656
13
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
respons. (damping coefficient). Setelah diteliti diperoleh model yang dapat merepresentasikan
problem ini terdapat 300 baris data points yang problem dengan menunjukan hasil output yang
harus dikelola. sesuai dengan inputnya menggunakkan metode
gradient descent optimization. Setelah itu,
5.2.1. Pembagian Data Train-Test menggunakan matriks rangkuman, kita dapat
memastikan bahwa model yang telah dilatih
Pembagian data ini dilakukan dengan acak. Dari memenuhi confidence level sebesar 95% dalam
data ini, akan dipisah menjadi train dan test memprediksi data point yang akan digunakan
dataset. Proses analisis akan menggunakan train untuk membuat flutter boundary line.
dataset dengan test dataset dipakai untuk
mencoba menguji keakuratkan train dataset. Salah satu manfaat dari data ini adalah data
tersebut mempertimbangkan hanya nilai positif-
5.2.2. Visualisasi negatif dari variabel response (apakah perlu
damping atau tidak), maka dengan itu, dapat
Sama seperti problem 1, sebelum mulai didekatkan dengan regresi logistik dan dapat plot
menganalisis model yang diberikan. Perlu adanya scatter 2D dengan tidak mempertimbangkan besar
visualisasi terlebih dahulu agar dapat memberikan nilai negatif atau positif. Hasilnya adalah sebagai
sense of direction atas penggunakan model yang berikut:
lebih baik. Pertama, kita perlu memvisualisasikan
data set ke dalam bentuk grafik 3D, yaitu mach
number pada sumbu-x, persentase komposisi
akrilik pada sumbu-y, dan damping coefficient
pada sumbu-z yang ditunjukkan oleh grafik di
bawah ini:
14
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
15
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
R2 0.2950214291819448
RSE 0.03311694322371763
𝑃𝑃
log � � = 10.2847 − 9.7918𝑥𝑥1 − 9.7918𝑥𝑥2 (27)
1 − 𝑃𝑃
16
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
Dengan 𝑦𝑦 adalah damping coefficient dengan 𝑥𝑥1 Palar, Pramudita Satria, Lucia Parussini, Luigi
sebagai variabel mach number dan 𝑥𝑥2 sebagai Bregant, Koji Shimoyama, and Lavi Rizki
variabel flutter speed. Selain tabel ini, didapatkan Zuhal. "On kernel functions for bi-fidelity
hasil pseudo R2 dan log loss sebagai berikut: Gaussian process regressions." Structural and
Multidisciplinary Optimization 66, no. 2
(2023): 37.
Pseudo R2 0.23200869207306632
Log loss 0.4713440123977804 7. Individual Contribution
17
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
APPENDIX
Coding Folder:
https://drive.google.com/drive/folders/1VQlDLEfl-XIppdCuI621GSZ7mf_U7h9F?usp=sharing
Link Youtube:
https://www.youtube.com/watch?v=2AE83F0Qxuw
18