(0721) 8030188    [email protected]   

Pengembangan Adaptive Gradient Algorithm (AdaGrad) untuk Inversi Data Geolistrik 1-D


Pengaplikasian NAG pada AdaGrad dilakukan untuk mendampingi fenomena decaying learning rate untuk mengakselerasi konvergensi model tanpa terjebak pada nilai minimum lokal. Pengujian performa autograd menggunakan modul torch dalam menerapkan automatic diffrentiation dan telah terbukti mampu menghasilkan gradien yang nilainya dekat dengan pendekatan numerik (finite difference) dibuktikan melalui nilai L1 loss nya berada pada skala 10^(-4). Pengujian performa AdaGrad pada jumlah model awal sama dengan jumlah model referensi dari keenam model sintetik menghasilkan nilai L1 loss di bawah 14%, sedangkan nilai L2 loss yang dihasilkan berada di bawah 17 %. Pengujian performa AdaGrad pada jumlah model awal lebih banyak dari jumlah model referensi dari keenam model sintetik menghasilkan nilai L1 loss di bawah 13 %, sedangkan nilai L2 loss-nya di bawah 17 %. Implementasi AdaGrad pada data lapangan menggunakan L2 loss memberikan bobot yang lebih besar dari L1 loss pada pencilan sehingga cocok untuk memperoleh nilai resistivitas dan ketebalan pada titik BRT-01 dan BRT-02. Penggunaan 3 variasi nilai model awal menunjukkan model awal kedua menghasilkan nilai fungsi objektif terbaik, yaitu

URI
https://repo.itera.ac.id/depan/submission/SB2409020030

Keyword
VES autograd AdaGrad NAG