PREDIKSI BIAYA PENGELUARAN PERBAIKAN ARMADA BUS SETIAP SEGMENT UNTUK KESIAPAN ANGGARAN PERBAIKAN PADA PERUSAHAAN MENGGUNAKAN MODEL MACHINE LEARNING (TA.2.25.031)

Ardianto, Dimas (2025) PREDIKSI BIAYA PENGELUARAN PERBAIKAN ARMADA BUS SETIAP SEGMENT UNTUK KESIAPAN ANGGARAN PERBAIKAN PADA PERUSAHAAN MENGGUNAKAN MODEL MACHINE LEARNING (TA.2.25.031). Diploma thesis, UNIVERSITAS LOGISTIK DAN BISNIS INTERNASIONAL.

Full text not available from this repository.

Official URL: https://drive.google.com/open?id=1ARsCsh4FwM2JSnSN...

Abstract

Perusahaan transportasi bus menghadapi tantangan dalam mengelola biaya perbaikan armada yang fluktuatif dan sulit diprediksi, sehingga mengganggu stabilitas anggaran operasional. Penelitian ini mengikuti metodologi CRISP-DM mencakup Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment untuk membangun model prediksi biaya perbaikan bulanan per segmen armada bus. Data historis transaksi perbaikan selama 21 bulan diagregasi dari tingkat harian ke deret waktu bulanan per segmen, disertai rekayasa fitur (frekuensi perbaikan, jumlah item yang diganti, umur rata-rata armada, indikator hari besar) dan encoding fitur kategorikal. Pada tahap Modeling, tiga pendekatan dibandingkan: Random Forest, XGBoost, dan model hibrida SMA–XGBoost (pemanfaatan Slime Mould Algorithm untuk optimasi hyperparameter XGBoost). Evaluasi menggunakan MAE, RMSE, dan R2 pada data uji menunjukkan Random Forest sebagai model terbaik secara keseluruhan dengan R2 = 0,9156, RMSE = 162.900.000, dan MAE = 141.300.000. Analisis kepentingan fitur menempatkan frekuensi perbaikan, jumlah item, dan umur rata-rata armada sebagai pendorong biaya utama. Pada tahap Deployment, model terbaik diintegrasikan ke dashboard interaktif berbasis Streamlit sebagai alat bantu perencanaan anggaran. Hasil ini menegaskan bahwa model Random Forest yang dikembangkan dengan kerangka kerja CRISP-DM mampu menyediakan prediksi yang akurat dan andal untuk mendukung pengambilan keputusan perbaikan dan kesiapan anggaran perbaikan pada setiap segmen yang ada. Kata Kunci: Prediksi Biaya, Perbaikan Armada Bus, CRISP-DM, Machine Learning, Random Forest, Perencanaan Anggaran.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > TA Engineering (General). Civil engineering (General)
Divisions:	Sekolah Vokasi > Teknik Informatika D4
Depositing User:	PKL TUJUH TUJUH
Date Deposited:	29 Sep 2025 05:33
Last Modified:	29 Sep 2025 05:33
URI:	http://eprints.ulbi.ac.id/id/eprint/3645

Actions (login required)

View Item