Implementasi Metode Clustering dan Klasifikasi pada Model Prediksi Kelayakan Retrofit Mobil ke Mobil Pintar

Jeffhenry, Jeffhenry (2026) Implementasi Metode Clustering dan Klasifikasi pada Model Prediksi Kelayakan Retrofit Mobil ke Mobil Pintar. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (564kB)
	PDF BAB_I.pdf Download (405kB)
	PDF BAB_II.pdf Download (305kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (262kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (205kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (212kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (293kB)
	Archive (ZIP) 00000059441_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Retrofit memiliki arti sebagai kegiatan yang melakukan perubahan, peningkatan, dan modifikasi kualitas atau fungsi suatu objek lama menjadi kondisi baru. Sebelum melakukan retrofit kepada suatu objek, perlu dilakukan penentuan tujuan dan pengukuran estimasi pengeluaran. Dengan melakukan retrofit, maka penggunaan bahan-bahan dapat berkurang dibandingkan dengan produksi sepenuhnya secara baru. Mendekati tahun 2030, topik perubahan iklim, penggunaan Artificial Intelligence, dan mobil pintar menjadi topik hangat, sehingga pemanfaatan hybrid machine learning dengan tujuan untuk melakukan prediksi kelayakan retrofit mobil dengan tipe internal combustion engine terjadi. Penelitian ini, menggunakan 5000 data sample yang telah melewati data sampling, dan mengimplementasikan algoritma Mini Batch K-Means sebagai teknik clustering dan algoritma Gaussian Naive Bayes sebagai teknik classification. Hasil pencarian nilai optimum K dari metode Elbow method adalah 2,Silhouette score adalah 2 dan Davies-Bouldin Index adalah 4, sementara untuk hasil dari model evaluation pada classification menghasilkan accuracy sebesar 76% berlaku untuk class 0 dan 1, precision sebesar 74% dan 80%, recall sebesar 90% dan 55%, dan F1-score sebesar 81% dan 65%, dan pengujian standard deviation menghasilkan 0.0185% menggunakan K- Fold sebanyak tujuh pengulangan. Berdasarkan hasil implementasi teknik machine learning hybrid ini, diketahui bahwa dataset tersebut mengalami class imbalanced dan hasil tersebut cukup stabil bahkan setelah dilakukan data sampling.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Jeffhenry, Jeffhenry (00000059441)
Contributors:	Winarno, Winarno
Keywords:	Gaussian Naive Bayes, Hybrid Machine Learning, Mini Batch K- means, Mobil Pintar, Retrofit
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	09 Jul 2026 07:57
URI:	https://kc.umn.ac.id/id/eprint/47272

Actions (login required)

View Item