Machine Learning Approach Using Gradient Boosting for Predicting Fuel Consumption Of Ferry-Roro Ship

Suryawarman, Kevin Adriel (2025) Machine Learning Approach Using Gradient Boosting for Predicting Fuel Consumption Of Ferry-Roro Ship. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5019201152_Kevin Adriel Suryawarman_Thesis Book(1).pdf Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Sebagai bagian dari manajemen operasi kapal, konsumsi bahan bakar adalah salah satu variabel terpenting yang harus diperhatikan, karena konsumsi bahan bakar mengambil porsi yang sangat besar dari biaya operasional. Selain menjadi moda pengangkutan kargo yang paling banyak diminati, transportasi kapal juga merupakan penyumbang polusi yang besar. Dalam hal menurunkan dan menemukan jumlah bahan bakar yang paling optimal yang dibutuhkan untuk suatu pekerjaan dalam waktu singkat, diperlukan pengembangan model pemantauan dan prediksi konsumsi bahan bakar kapal. Model pembelajaran mesin yang dikembangkan dengan kemampuan untuk memproses dataset dan membuat prediksi melalui regresi
akan membantu dalam optimasi operasi kapal, terutama untuk pengambilan keputusan jangka pendek. Pembuatan model regresi membutuhkan algoritma yang dapat diatur untuk memeriksa pola sambil membuat prediksi sesuai dengan kumpulan data. Pemanfaatan algoritma machine learning seperti Gradient Boosting akan memberikan kesempatan untuk menampilkan korelasi antar variabel, mempelajari dampaknya terhadap kemampuan prediksi keseluruhan model yang dikembangkan. Dengan melihat lebih jauh ke dalam hubungan antar variabel, penyempurnaan lebih lanjut dapat dilakukan untuk meningkatkan akurasi kemampuan model machine learning yang dikembangkan dalam membuat prediksi. Penelitian ini menggunakan algoritma gradient boosting, yaitu LightGBM. dimana metode validasi menggunakan nilai R-squared untuk membandingkan antara nilai aktual dan prediksi konsumsi
bahan bakar, sebagai output akhir memberikan nilai R² sebesar 0.8628. Pengembangan lebih lanjut dari model machine learning ini dapat dilakukan dengan meningkatkan ukuran dan meningkatkan pembersihan data dari dataset dan mengeksplorasi lebih banyak fitur algoritma gradient boosting.
==========================================================================================================================================
As part of ship operations management, fuel consumption is one of the most important variables to take note of, as it mainly takes a noticeably huge portion of operational cost. Other than being the most sought out mode of cargo carrying, ship transport is a great contributor to pollution as well. In the case of lowering and finding the most optimal amount of fuel needed for a job in a short amount of time, it calls
for the development of ship fuel consumption monitoring and prediction models. A developed machine learning model with the ability to process a dataset and create predictions through regression would aid in ship operations optimization, especially for short-term decision making. The creation of a regressor model requires algorithms where they could be set to inspect patterns while creating predictions according to the dataset. The leveraging of machine learning algorithms like Gradient Boosting would provide opportunities to display the correlation between variables, learning their impact towards the overall prediction capability of the developed model. By looking further into variable relationships, further fine tuning could be done to increase the accuracy of the developed machine learning model’s capabilities in making predictions. This study is using gradient boosting algorithms, namely LightGBM. where the validation method uses the R-squared value to compare between actual and predicted values for fuel consumption, as a final output giving an R² value of 0.8628. Further development of the machine learning model is possible by increasing the size and improving the data cleaning of the dataset and exploring more of the gradient boosting algorithm features.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Machine Learning, R2, Gradient Boosting, LightGBM
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. V Naval Science > VM Naval architecture. Shipbuilding. Marine engineering > VM381 Passenger ships
Divisions:	Faculty of Marine Technology (MARTECH) > Marine Engineering > 36202-(S1) Undergraduate Thesis
Depositing User:	Unnamed user with email 5019201152
Date Deposited:	04 Aug 2025 07:23
Last Modified:	04 Aug 2025 07:23
URI:	http://repository.its.ac.id/id/eprint/124568

Actions (login required)

View Item