Prakiraan Konsumsi Bahan Bakar Mesin Diesel Kapal Empat Langkah Menggunakan Machine Learning dengan Algoritma Random Forest

Wicaksono, Jericho Hyansalem (2024) Prakiraan Konsumsi Bahan Bakar Mesin Diesel Kapal Empat Langkah Menggunakan Machine Learning dengan Algoritma Random Forest. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5019201004-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (2MB) | Request a copy

Abstract

Tugas Akhir ini berkonsentrasi pada prediksi konsumsi bahan bakar mesin diesel kapal laut empat langkah dengan metode machine learning, khususnya algoritma Random Forest. Model prediksi yang akurat sangat penting dalam operasi maritim untuk mengurangi biaya operasional dan dampak lingkungan karena pentingnya efisiensi bahan bakar. Penelitian ini dimulai dengan meninjau berbagai literatur, dengan fokus pada pendekatan yang ada saat ini dan menunjukkan area di mana machine learning tidak digunakan secara efektif dalam memprediksi konsumsi bahan bakar. Metode ini mencakup pengumpulan data terperinci tentang berbagai mesin serta parameter operasional dan kinerja kapal yang memengaruhi konsumsi bahan bakar, seperti SFOC, tenaga mesin, torsi mesin, spesifikasi kapal, kondisi lingkungan, dan kecepatan putaran mesin (RPM). Data tersebut diproses untuk mengembangkan dan melatih dua model Random Forest, menggunakan algoritma Random Forest TensorFlow dan Scikit-Learn, yang kemudian model yang dikembangkan dan dilatih akan memprediksi konsumsi bahan bakar mesin diesel empat langkah dari kapal penumpang. Prediksi tersebut kemudian akan dinilai dengan menggunakan metrik seperti RMSE, R², MSE, dan MAE. Hasilnya menunjukkan bahwa algoritma Random Forest mampu memprediksi penggunaan bahan bakar dengan sangat akurat, melampaui pendekatan konvensional dan metode pembelajaran mesin lainnya yang digunakan di lapangan sebelumnya. Model A menghasilkan prediksi yang lebih akurat dengan menggunakan semua parameter yang digunakan untuk pelatihan, dengan RMSE sebesar 12.5033, MSE sebesar 156.3314, MAE sebesar 8.4515, dan R² sebesar 0.9583. Model B menghasilkan prediksi yang lebih akurat dengan hanya menggunakan satu parameter, yaitu data trim pitch kapal, dengan RMSE sebesar 117.7329, MSE sebesar 13861.0263, MAE sebesar 44.7637, dan R² sebesar 0.002.
=====================================================================================================================================
This thesis concentrates on predicting the fuel consumption of four-stroke marine diesel engines with machine learning methods, specifically the Random Forest algorithm. Accurate prediction models are crucial in maritime operations to decrease operational expenses and environmental impact due to the importance of fuel efficiency. The research starts by reviewing a wide range of literature, focusing on current approaches and pinpointing areas where machine learning is not being effectively used in predicting fuel consumption. The method includes gathering detailed data on different engines as well as ship operational and performance parameters that impact fuel consumption, such as SFOC, engine power, engine torque, ship’s particulars, environmental conditions, and engine rotation speed. The data is processed to develop and train two Random Forest models, using TensorFlow’s and Scikit-Learn’s Random Forest algorithm respectively, which then the developed and trained model will predict the fuel consumption of a four-stroke diesel engine of a passenger ship. The prediction then will be assessed using error metrics such as RMSE, R², MSE, and MAE. The outcomes show that the Random Forest algorithm is able to predict fuel usage with great precision, surpassing conventional approaches and other machine learning methods used in the field before. Model A generates a more accurate prediction using all parameters used for training, with RMSE of 12.5033, MSE of 156.3314, MAE of 8.4515, and R² of 0.9583. Model B generates more accurate predictions using only one parameter, specifically using the ship’s trim pitch data, with RMSE of 117.7329, MSE of 13861.0263, MAE of 44.7637, and R² of 0.002.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kapal Penumpang, Python, Prediksi, Hutan Acak, Random Forest, Prediction, Passenger Ship
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > T Technology (General) > T59.7 Human-machine systems. V Naval Science > VC Naval Maintenance V Naval Science > VM Naval architecture. Shipbuilding. Marine engineering > VM731 Marine Engines
Divisions:	Faculty of Marine Technology (MARTECH) > Marine Engineering > 36202-(S1) Undergraduate Thesis
Depositing User:	Jericho Hyansalem Wicaksono
Date Deposited:	12 Aug 2024 07:52
Last Modified:	26 Aug 2024 06:56
URI:	http://repository.its.ac.id/id/eprint/115292

Actions (login required)

View Item