digilib@itb.ac.id +62 812 2508 8800


COVER Nicholas Christian Hermawan
PUBLIC Dewi Supryati

BAB 1 Nicholas Christian Hermawan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan

BAB 2 Nicholas Christian Hermawan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan

BAB 3 Nicholas Christian Hermawan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan

BAB 4 Nicholas Christian Hermawan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan

BAB 5 Nicholas Christian Hermawan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan

BAB 6 Nicholas Christian Hermawan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan

PUSTAKA Nicholas Christian Hermawan
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.