OPTIMASI AKURASI KOEFISIEN PAJAK KENDARAAN BERMOTOR DI INDONESIA MENGGUNAKAN METODE KLASIFIKASI DAN REGRESI

JOINER TENNYE ARIEL TOGATOROP (2025) OPTIMASI AKURASI KOEFISIEN PAJAK KENDARAAN BERMOTOR DI INDONESIA MENGGUNAKAN METODE KLASIFIKASI DAN REGRESI. Final Year Projects (S1) thesis, Universitas Kristen Duta Wacana.

	Text (Skripsi Informatika) 71200651_Bab 1_Bab 5_Daftarpustaka.pdf Download (3MB)
	Text (Skripsi Informatika) 71200651_Bab 2-sd-Bab 4-Lampiran.pdf Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Peningkatan kesadaran akan dampak emisi kendaraan bermotor terhadap lingkungan mendorong Kementerian Lingkungan Hidup dan Kehutanan Indonesia untuk menerapkan regulasi uji emisi. Nilai standar emisi ini dapat menjadi dasar perhitungan Pajak Kendaraan Bermotor (PKB). Tim Pusat Riset Teknologi Transportasi (BRIN) mengembangkan sistem prediksi koefisien pajak untuk mendukung kebijakan ini. Penelitian awal menggunakan Orange Data Mining untuk analisis machine learning dengan algoritma seperti Random Forest, Neural Network, dan AdaBoost. Namun, Orange memiliki kelemahan pada fleksibilitas, terutama dalam tuning parameter, preprocessing dataset, serta keterbatasan menangani dataset besar. Dalam penelitian ini, Google Colab digunakan sebagai platform utama untuk memaksimalkan fleksibilitas analisis dan kustomisasi model. Algoritma AutoML LazyPredict diterapkan untuk mengidentifikasi model terbaik secara cepat, sedangkan GridSearchCV digunakan untuk optimasi hyperparameter. Pendekatan pertama adalah klasifikasi menggunakan model seperti Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Decision Tree, Extra Tree, dan LightGBM. Pendekatan kedua adalah regresi menggunakan Support Vector Regressor (SVR), yang dioptimalkan dengan GridSearchCV. Kedua metode ini digunakan untuk membandingkan performa model dan menganalisis hasil. Hasil penelitian menunjukkan bahwa SVM dan Decision Tree memberikan hasil klasifikasi terbaik dengan akurasi mencapai 100%. Untuk regresi, nilai R² berkisar antara 0,95 hingga 1,00 menunjukkan tingkat akurasi prediksi yang sangat tinggi. Evaluasi dilakukan dengan metrik seperti MAE, MSE, dan R² untuk regresi, serta accuracy score dan classification report untuk klasifikasi. Penelitian ini membuktikan bahwa optimasi model machine learning berhasil, dengan kedua algoritma dianalisa menunjukkan kinerja yang sangat baik untuk klasifikasi dan regresi.

Actions (login required)

View Item