Penerapan Pendekatan Sains Data untuk Pemodelan Klasifikasi Desain Keamanan Rangka Sepeda Melalui Pembelajaran Mesin Otomatis
Abstract
Perkembangan terkini dalam desain kerekayasaan dilakukan dengan memadukan ranah kecerdasan buatan karena tersedianya data historis rancangan suatu objek, misalnya rangka sepeda. Berdasarkan data historis ini, sebuah model dapat dibangun untuk memperoleh keputusan desain berbasis data-driven. Untuk itu, kajian ini membahas perpaduan ini melalui pendekatan metodologi data sains dalam membuat sebuah model keputusan desain menggunakan pembelajaran mesin otomatis (automatic machine learning yang disingkat AutoML). Model yang dibangun merupakan model klasfikasi multi kelas dalam menentukan keamanan rangka sepeda dengan lulus atau tidaknya suatu rangka sepeda dalam dua jenis uji beban. Teknik exploratory data analysis diterapkan untuk menilai fitur-fitur yang digunakan dalam pemodelan. Dataset ini memiliki jumlah kelas yang propersinya tidak berimbang yang dinyatakan dengan rasio tak-seimbang sebesar 10.77. Model klasifikasi dilatih dengan bagian data latih melalui validasi silang stratified K-fold menggunakan algoritma XGBoost dengan parameter untuk nilai default-nya. Ada dua model yang dibangun berdasarkan data latih tanpa persiapan dan dengan persiapan data. Kedua model memberikan perfomansi yang tidak terlalu signifikan berbeda melalui nilai multi-class Matthews correlation coefficient. Namun, matriks konfusi menunjukkan bahwa model dengan persiapan data dapat lebih baik mengklasifikasikan kelas-kelas minoritas. Akhirnya, kajian yang dilakukan ini menjadi sebuah rujukan awal untuk pemodelan keputusan desain terkait keamanan pada rangka sepeda.
Downloads
References
Xu W, Neumann I. Finite element analysis based on a parametric model by approximating point clouds. Remote Sens 2020; 12: 1–26.
Picard C, Ahmed F. Fast and Accurate Zero-Training Classification for Tabular Engineering Data. J Mech Des; 146. Epub ahead of print 2024. DOI: https://doi.org/10.1115/1.4064811.
Maher ML. Machine Learning in Engineering Design: Learning Generalized Design Prototypes from Examples. In: Tasso, C., de Arantes e Oliveira, E.R. (eds) Development of Knowledge-Based Systems for Engineering. International Centre for Mechanical Sciences, vol 333. Vienna: Springer, 1998.
Jenis J, Ondriga J, Hrcek S, et al. Engineering Applications of Artificial Intelligence in Mechanical Design and Optimization. Machines 2023; 11: 577.
Brown NK, Garland AP, Fadel GM, et al. Deep reinforcement learning for engineering design through topology optimization of elementally discretized design domains. Mater Des 2022; 218: 110672.
Regenwetter L, Curry B, Ahmed F. BIKED: A Dataset for Computational Bicycle Design with Machine Learning Benchmarks. J Mech Des 2022; 144: 1–19.
Regenwetter L, Weaver C, Ahmed F. FRAMED: An AutoML Approach for Structural Performance Prediction of Bicycle Frames. Comput Des 2022; 156: 1–33.
Tanha J, Abdi Y, Samadi N, et al. Boosting methods for multi-class imbalanced data classification: an experimental review. J Big Data; 7. Epub ahead of print 2020. DOI: 10.1186/s40537-020-00349-y.
IBM. Foundational Methodology for Data Science. Somers, New York, 2015.
Rinard D. Frame deflection test, https://www.sheldonbrown.com/rinard/ rinard%7B_%7Dframetest.html (1996, accessed 18 April 2024).
Feurer M, Klein A, Jost KE, et al. Efficient and Robust Automated Machine. In: Automated machine learning: methods, systems, challenges. Advances in Neural Information Processing Systems 28 (NIPS 2015). 2015, pp. 113–34.
Ali M. PyCaret: An open source, low-code machine learning library in Python.
Ledell E, Poirier S. H2O AutoML: Scalable automatic machine learning. 7th ICML Work Autom Mach Learn 2020; 1–16.
Erickson N, Mueller J, Shirkov A, et al. AutoGluon-Tabular: Robust and Accurate AutoML for Structured Data. In: 7th ICML Workshop on Automated Machine Learning. 2020.
Chen T, Guestrin C. XGBoost: A scalable tree boosting system. In: KDD ’16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016, pp. 785–794.
Developers Xgb. Notes on Parameter Tuning in XGBoost Tutorials. XGBoost Documentation, https://xgboost.readthedocs.io/en/stable/tutorials/param_tuning.html (2022, accessed 18 April 2024).
Chawla N V, Bowyer KW, Hall LO, et al. SMOTE: Synthetic Minority Over-sampling Technique. J Artif Intell Res 2002; 16: 321–357.
Breunig MM, Kriegel H-P, Ng RT, et al. LOF: Identifying Density-Based Local Outliers. In: Proc. ACM SIGMOD 2000 Int. Conf. On Management of Data, Dalles, TX. 2000, pp. 1–12.
Schober P, Boer C, Schwarte LA. Correlation Coefficients: Appropriate Use and Interpretation. Anesth Analg; 126. Epub ahead of print 2018. DOI: 10.1213/ANE.0000000000002864.
Akoglu H. User’s guide to correlation coefficients. Turkish J Emerg Med 2018; 18: 91–93.
Zhu Q. On the performance of Matthews correlation coefficient (MCC) for imbalanced dataset. Pattern Recognit Lett 2020; 136: 71–80.
Copyright (c) 2024 Adriyan Adriyan, Budi Istana
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Abstract views: 237 , 
*.pdf downloads: 143
