KALIBRASI NONPARAMETRIKBERBASISPROSESGAUSSIAN UNTUKMENINGKATKANKEANDALANKLASIFIKASIMACHINE LEARNING

Mahardi Nalendra Syafa, Dr. Noorma Yulia Megawati, S.Si., M.Sc., M.Act.Sc.,

2026 | Skripsi | STATISTIKA

Model machine learning seringkali menghasilkan estimasi probabilitasyang tidak terkalibrasi (miscalibrated), di mana skor kepercayaan menyimpang dari probabilitas kejadian yang sebenarnya, sehingga menurunkan kualitas pengambilan keputusan pada aplikasi yang sensitif terhada ketidakpastian. Meskipun metode post-hoc konvensional seperti Platt Scaling dan Isotonic Regression merupakan standar yang umum digunakan, metode tersebut sering menghadapi keterbatasaan terkait asumsi parametrik dan skalabilitas pada kasus multi-kelas. Penelitian ini mengevaluasi Gaussian Process Calibration (GP-Calib), sebuah kerangka kerja non-parametrik, untuk klasifikasi multi-kelas pada data terstruktur. Metodologi penelitian mencakup eksperimen pada lima benchmark dataset dan delapan classifier, dengan memanfaatkan variational inference dan inducing variables untuk memaksimalkan Evidence Lower Bound (ELBO) dengan tetap menjaga efisiensi komputasi. Hasil penelitian menunjukkan bahwa GP-Calib mencapai rata-rata nilai Expected Calibration Error (ECE) yang unggul sebesar 0,0412. Performa ini memberikan perbaikan sebesar 60,6% dibandingkan baseline tanpa kalibrasi dan 31,1% dibandingkan Isotonic Regression. Pemilihan kernel terbukti krusial, dengan kernel RBF menjadi konfigurasi optimal pada 25% kombinasi dataset–classifier. Secara keseluruhan, GP-Calib menyediakan alternatif yang tangguh dan andal untuk meningkatkan estimasi probabilistik dalam analisis data terstruktur multi-kelas.

Machine learning models frequently produce miscalibrated probability estimates, where confidence scores deviate from actual likelihoods, thereby compromising decision-making in uncertainty-sensitive applications. While conventional post-hoc methods like Platt Scaling and Isotonic Regression are standard, they often face limitations regarding parametric assumptions and multi-class scalability. This study evaluates Gaussian Process Calibration (GP-Calib), a non-parametric framework, for multi-class classification on structured data. The methodology involves experiments across five benchmark datasets and eight classifiers, utilizing variational inference and inducing variables to maximize the Evidence Lower Bound (ELBO) while maintaining computational efficiency. Results demonstrate that GP-Calib achieves a superior average Expected Calibration Error (ECE) of 0.0412. This performance yields an improvement of 60.6% over uncalibrated baselines and 31.1% over Isotonic Regression. Kernel selection proved critical, with the RBF kernel emerging as the optimal configuration in 25% of dataset-classifier combinations. Overall, GP-Calib provides a robust and reliable alternative for enhancing probabilistic estimates in multi-class structured data analysis.

Kata Kunci : Gaussian Process Calibration, Kalibrasi Post-hoc, Klasifikasi Multi-kelas, Expected Calibration Error, Kuantifikasi Ketidakpastian Model