<![CDATA[Prediksi kekuatan tarik maksimum (Ultimate Tensile Strength/UTS) pada bahan polimer komposit sangat penting dalam proses desain dan rekayasa material. Penelitian ini menyajikan evaluasi komparataif antara model deterministik, machine learning (ML), dan deep learning (DL) yang telah termodifikasi untuk memperkirakan nilai UTS berdasarkan parameter proses pencetakan 3D, yaitu suhu ekstrusi, ketebalan, tinggi lapisan, dan kecepatan cetak. Modifikasi model dilakukan melalui regularisasi pada regresi deterministik (Ridge, Lasso, Elastic Net), validasi silang pada ML (K-Fold Cross Validation), serta tuning arsitektur pada DL menggunakan Feed Forward Neural Network (FFNN). Dataset berjumlah 3000 sampel diambil dari platform Kaggle dan diolah dengan pembagian data train, test, dan validation. Kinerja model dievaluasi menggunakan metrik MAE, RMSE, dan R², serta ditinjau dari waktu komputasi dan kemudahan interpretasi. Hasil menunjukkan bahwa seluruh pendekatan mampu melakukan prediksi UTS dengan nilai R² antara 0,71 hingga 0,86. Model FFNN memberikan hasil paling akurat (R² = 0,8654), sedangkan model deterministik memiliki keunggulan pada efisiensi dan interpretabilitas. Disisi lain model ML memberikan peningkatan akurasi namun membutuhkan waktu pelatihan lebih lama. Secara keseluruhan, penelitian ini menegaskan bahwa pemilihan model pada rekayasa polimer komposit perlu mempertimbangkan kompromi antara akurasi, kompleksitas komputasi, dan kemudahan interpretasi sesuai kebutuhan aplikasi.]]>
