BAB 1 Nicholas Christian Hermawan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB 2 Nicholas Christian Hermawan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB 3 Nicholas Christian Hermawan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB 4 Nicholas Christian Hermawan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB 5 Nicholas Christian Hermawan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB 6 Nicholas Christian Hermawan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
PUSTAKA Nicholas Christian Hermawan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
CV CSM (Cipta Sinergi Manufacturing) merupakan perusahaan yang bergerak di
bidang produksi produk permesinan dengan menggunakan strategi make-to-order.
Salah satu aktivitas yang dilakukan di CV CSM adalah melakukan estimasi biaya
desain CAD untuk produk pesanan yang bersifat custom melalui pendekatan
persentase harga pokok produksi (HPP) dan penyesuaian berdasarkan penyesuaian
oleh drafter. Hal ini mengakibatkan nilai yang diperoleh tidak konsisten dan kurang
representatif terhadap kompleksitas desain. Oleh sebab itu, penelitian ini dilakukan
untuk merancang sebuah model estimasi biaya berdasarkan tingkat kerumitan
rancangan produk yang didefinisikan sebagai jumlah penggunaan fitur pada level
part, assembly, dan drawing.
Penelitian ini merancang skema dan metode pengambilan data untuk menghitung
jumlah fitur yang digunakan dalam dokumen CAD. Di sisi lain, perancangan solusi
model estimasi biaya pada penelitian ini menggunakan teknik pembelajaran mesin
(machine learning) dan mengacu pada metodologi CRISP-DM. Terdapat empat
algoritma yang digunakan yaitu random forest, extreme gradient boosting, multi
linear regression, dan k-near neighbors. Algoritma random forest secara khusus
memiliki metrik performansi terbaik dengan R2
sebesar 0.97 pada data testing dan
MAPE (Maximum Absolute Percentage Error) sebesar 25% pada data testing.
Berdasarkan model pembelajaran mesin terbaik, dilakukan perancangan purwarupa
perangkat lunak estimasi biaya desain menggunakan bahasa pemrograman Python
dan library Tkinter. Model yang dihasilkan kemudian digunakan untuk
memprediksi dataset baru yang tidak digunakan dalam proses pengembangan
model dan mendapatkan nilai rata-rata kesalahan sebesar 23,4%. Nilai ini
menandakan bahwa model yang dikembangkan mampu memprediksi biaya desain
berdasarkan kompleksitas desain dengan cukup representatif.