Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Coding: Journal of Computing and Software Engineering
Oki Arifin
Program Studi Teknologi Rekayasa Perangkat Lunak, Politeknik Negeri Lampung, Indonesia
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Library & Information Science

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Coding: Journal of Computing and Software Engineering

 1 
Perbandingan Kinerja Model Machine Learning dalam Memprediksi Konsumsi Bahan Bakar Kendaraan Affan Prasetya; Oki Arifin
Coding: Journal of Computing and Software Engineering Vol. 1 No. 2: DESEMBER 2025
Publisher : Coding: Journal of Computing and Software Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25181/coding.v1i2.4379

Abstract

Penelitian ini membahas upaya prediksi konsumsi bahan bakar kendaraan berbasis algoritma machine learning untuk mendukung efisiensi energi dan pengurangan emisi karbon. Sektor transportasi merupakan kontributor signifikan terhadap konsumsi energi nasional, sehingga diperlukan model prediksi akurat yang dapat digunakan dalam perencanaan kebijakan. Penelitian ini bertujuan membandingkan kinerja tiga algoritma regresi Decision Tree (DT), Random Forest (RF), dan Support Vector Machine (SVM) dalam memprediksi konsumsi bahan bakar berdasarkan fitur teknis kendaraan. Dataset yang digunakan bersumber dari Natural Resources Canada, terdiri dari variabel seperti kapasitas mesin, silinder, transmisi, emisi CO₂, dan konsumsi bahan bakar. Proses pra-pemrosesan mencakup one-hot encoding, normalisasi, dan pembagian data (hold-out 80:20). Evaluasi dilakukan menggunakan metrik RMSE, MAE, dan koefisien determinasi (R²). Hasil menunjukkan bahwa model Decision Tree memiliki performa terbaik dengan nilai RMSE terendah (0.326), MAE terendah (0.22), dan R² tertinggi (0.960), mengungguli Random Forest dan SVR. Temuan ini menunjukkan bahwa model sederhana namun tepat guna dapat lebih unggul dari model kompleks dalam kondisi dataset tertentu. Penelitian ini memberikan kontribusi terhadap pengembangan sistem prediktif efisiensi energi kendaraan dan dapat digunakan sebagai dasar untuk kebijakan transportasi berkelanjutan.
Co-Authors Affan Prasetya