Analisis Komparatif Algoritma Ridge, LASSO, MLP, dan Gaussian Process Regressor pada Prediksi Efisiensi Kendaraan Listrik

Abstract

Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap beberapa algoritma regresi dalam memprediksi efisiensi kendaraan listrik. efisiensi kendaraan listrik menjadi permasalahan penting dalam mendukung pengembangan transportasi berkelanjutan. Penelitian ini dilakukan untuk membandingkan kinerja beberapa algoritma regresi dalam menghasilkan prediksi dengan tingkat kesalahan rendah dan akurasi tinggi. Metode yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM) yang meliputi tahapan pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan penerapan. Data yang digunakan berupa dataset kendaraan listrik yang memuat atribut terkait efisiensi energi. Model yang dianalisis terdiri dari Ridge, LASSO, MLP, dan Gaussian Process Regressor. Kebaruan penelitian ini terletak pada analisis komparatif yang terstruktur menggunakan pendekatan CRISP-DM serta evaluasi kinerja model regresi pada konteks prediksi efisiensi kendaraan listrik yang masih terbatas dikaji. Hasil pengujian menunjukkan bahwa model LASSO memberikan kinerja terbaik dengan nilai Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan R-Squared (R²). Hasil penelitian menunjukkan bahwa algoritma LASSO memiliki performa terbaik dengan nilai MAE sebesar 2.13, RMSE sebesar 16.10, dan R² sebesar 0.974. Sementara itu, MLP menunjukkan performa terendah dibandingkan model lainnya. Dengan demikian, pemilihan algoritma yang tepat terbukti berpengaruh signifikan terhadap akurasi prediksi.