Perpustakaan Digital ITB

Penelitian ini bertujuan untuk menganalisis hubungan variabel operasional terhadap produktivitas alat angkut, mengevaluasi pengaruh variabel tersebut melalui regresi linear, serta mengembangkan dan mengevaluasi model machine learning untuk prediksi produktivitas. Analisis korelasi Pearson menunjukkan bahwa Waktu 1 Ritase memiliki hubungan negatif sangat kuat dengan produktivitas dengan koefisien ?0,944, sedangkan Jarak Angkut dan Kemiringan Jalan menunjukkan hubungan positif, serta Slippery dan Lebar Jalan menunjukkan hubungan negatif yang sangat lemah. Hasil regresi menunjukkan bahwa Waktu 1 Ritase merupakan variabel paling berpengaruh dengan R² sebesar 0,892, sehingga model regresi mampu menjelaskan 89,2% variasi produktivitas, sedangkan 10,8% sisanya dipengaruhi faktor lain di luar model. Selanjutnya, tujuh model machine learning dikembangkan dan dibandingkan berdasarkan R², MAPE, training time, dan prediction time menggunakan metode Overall Score pada tiga skema pembobotan. Hasil baseline menunjukkan Gradient Boosting sebagai model dengan kinerja paling konsisten, sedangkan hasil evaluasi tiga skema menunjukkan Gradient Boosting memperoleh skor tertinggi pada Skema 1 (0,9201) dan Skema 2 (0,9204), sementara Decision Tree terbaik pada Skema 3 (0,9335). Interpretasi menggunakan SHAP menunjukkan bahwa Waktu 1 Ritase merupakan variabel dengan kontribusi terbesar terhadap prediksi produktivitas, diikuti oleh Lebar Jalan, Jarak Angkut, Slippery, dan Kemiringan Jalan.