Teknik Penggabungan Pembelajaran Mesin pada Pendeteksian Kegagalan-Kegagalan Sistem Panel Surya  (Random Forest, Gradient Boosting dan Adaboost)

dc.contributor.author	Ramadhaniar Eka Wahyudiningsih
dc.date.accessioned	2026-05-25T08:08:31Z
dc.date.issued	2024-12-27
dc.description	:: Finalisasi Repositori File 25 Mei 2026_Kurnadi
dc.description.abstract	Penelitian ini menerapkan kombinasi metode machine learning - Random Forest, Gradient Boosting, dan AdaBoost - untuk mendeteksi kegagalan sistem panel surya menggunakan data historis. Model ensemble yang dikembangkan mencapai tingkat akurasi sebesar 98,17%, dengan kinerja terbaik ditunjukkan pada Kelas 1 yang mencapai nilai sempurna (Precision, Recall, dan F1-Score = 1,0000). Sementara itu, Kelas 0 dan Kelas 2 juga menunjukkan kinerja yang sangat baik dengan nilai Precision, Recall, dan F1-Score di atas 0,96. Hasil ini membuktikan bahwa penggabungan algoritma dalam model ensemble menghasilkan akurasi deteksi yang lebih tinggi daripada menggunakan algoritma tunggal, dan dapat meningkatkan efisiensi operasional dan perawatan sistem panel surya.
dc.description.sponsorship	1. Pembimbing Utama : Dr. Widjonarko, S.T.,M.T. 2. Pembimbing Anggota : Dr. Ir. Bambang Sri Kaloko,S.T.,M.T.
dc.identifier.uri	https://repository.unej.ac.id/handle/123456789/7590
dc.language.iso	other
dc.publisher	Fakultas Teknik
dc.subject	random forest
dc.subject	gradient boosting
dc.title	Teknik Penggabungan Pembelajaran Mesin pada Pendeteksian Kegagalan-Kegagalan Sistem Panel Surya (Random Forest, Gradient Boosting dan Adaboost)
dc.type	Other

Files

Now showing 1 - 1 of 1

Name:: Ramadhaniar Eka W - 201920201001
Size:: 1.53 MB
Format:: Adobe Portable Document Format
Description:: Abstract Penelitian ini menerapkan kombinasi metode machine learning - Random Forest, Gradient Boosting, dan AdaBoost - untuk mendeteksi kegagalan sistem panel surya menggunakan data historis. Model ensemble yang dikembangkan mencapai tingkat akurasi sebesar 98,17%, dengan kinerja terbaik ditunjukkan pada Kelas 1 yang mencapai nilai sempurna (Precision, Recall, dan F1-Score = 1,0000). Sementara itu, Kelas 0 dan Kelas 2 juga menunjukkan kinerja yang sangat baik dengan nilai Precision, Recall, dan F1-Score di atas 0,96. Hasil ini membuktikan bahwa penggabungan algoritma dalam model ensemble menghasilkan akurasi deteksi yang lebih tinggi daripada menggunakan algoritma tunggal, dan dapat meningkatkan efisiensi operasional dan perawatan sistem panel surya.

Now showing 1 - 1 of 1