Model Prediksi Menggunakan Teknik Machine Learning untuk Penjualan terhadap Produksi Kain Jumputan pada Pengerajin Batiq Colet Jumputan Palembang Prediction Model Using Machine Learning Techniques for Sales versus Production of Batik Colet Jumputan Fabric by Craftsmen in Palembang
Article Sidebar
Main Article Content
Abstract
Tujuan dari penelitian ini adalah untuk merancang model prediksi penjualan terhadap produksi kain jumputan berbasis Python menggunakan dua teknik Machine Learning yang dibandingkan hasilnya, yaitu Linear Regression dan Support Vector Regression. Dalam pengujian akurasi, metode Linear Regression berhasil memprediksi penjualan kain jumputan dengan tingkat kesalahan yang rendah. Dataset yang digunakan mencakup data penjualan kain jumputan selama 48 bulan, mulai dari Januari 2018 hingga Desember 2021. Dengan membagi dataset menjadi data pelatihan selama 38 bulan dan data pengujian selama 10 bulan, hasil prediksi 10 bulan terakhir didapatkan. Hasil prediksi untuk setiap bulannya dengan mengacu kepada kain jumputan yang diproduksi menunjukkan kesamaan dengan metode Linear Regression dibandingkan Support Vector Regression. Pengujian tingkat kesalahan menggunakan Mean Absolute Percentage Error menunjukkan bahwa prediksi penjualan untuk kain jumputan termasuk dalam kategori sangat akurat. Nilai MAPE pada Linear Regression memiliki nilai terkecil yaitu 3.88%, sementara nilai MAPE pada Support Vector Regression memiliki nilai MAPE terbesar yaitu 28.24%.
Downloads
Article Details
References
N. Sopiah and E. P. Agustina, “Penggunaan Metode Web Engineering dalam Aplikasi Penjualan Kain Khas Palembang,” Univ. Bina Darma, 2022.
Yunita and F. Septiani, “Analisis Penerapan SAK EMKM pada Batiq Colet Pengrajin Kain Jumputan Palembang,” Univ. Bina Darma, 2019.
D. E. Goldberg and J. H. Holland, “Genetic algorithms and machine learning,” vol. 3, no. 2, pp. 95–99, 1988.
R. Pratama, M. I. Herdiansyah, D. Syamsuar, and A. Syazili, “Prediksi Customer Retention Perusahaan Asuransi Menggunakan Machine Learning,” J. SISFOKOM Sist. Inf. Dan Komput., vol. 12, no. 1, pp. 96–104, 2023, doi: 10.32736/sisfokom.v12i1.1507.
A. Meylani and E. S. Negara, “Aplikasi Prediksi Kesehatan Menggunakan Machine Learning,” Jupit. J. Penelit. Ilmu Dan Tek. Komput., vol. 14, no. 2, pp. 208–215, 2022.
R. P. Bunker and F. Thabtah, “A machine learning framework for sport result prediction,” Appl. Comput. Inform., vol. 15, no. 1, 2019.
T. Sutabri and M. Ardiansyah, “Framework of sentiment annotation for document specification in Indonesian language base on topic modeling and machine learning,” IEEE, pp. 1–6, 2017.
G.-B. Huang, Q.-Y. Zhu, and C.-K. Siew, “Extreme learning machine: theory and applications,” Neurocomputing, vol. 70, no. 1–3, pp. 489–501, 2006.
T. M. Mitchell, Machine learning. In McGraw Hill Series in Computer Science, 1997. [Online]. Available: http://www.worldcat.org/oclc/61321007
P. Subarkah, M. M. Abdallah, and S. O. N. Hidayah, “Komparasi Akurasi Algoritme CART Dan Neural Network Untuk Diagnosis Penyakit Diabetes Retinopathy,” CogITo Smart J., vol. 7, no. 1, pp. 121–134, 2021, doi: https://doi.org/10.31154/cogito.v7i1.304.121-134.
H. Pallathadka, A. Wenda, E. Ramirez-Asís, M. Asís-López, J. Flores-Albornoz, and K. Phasinam, “Classification and prediction of student performance data using various machine learning algorithms,” vol. 80, no. 3, pp. 3782–3785, 2023, doi: https://doi.org/10.1016/j.matpr.2021.07.382.
D. Parbat and M. Chakraborty, “A python based support vector regression model for prediction of COVID19 cases in India,” Elsevier, vol. 138, 2020, doi: https://doi.org/10.1016/j.chaos.2020.109942.
A. Anggrawan, Hairani, and N. Azmi, “Sales Prediction of Unilever Products using the Linear Regression Method,” J. Bumigora Inf. Technol. BITe, vol. 4, no. 2, pp. 123–132, 2022, doi: 10.30812/bite.v4i2.2416.
G. B. Putri, A. K. Diaz, and T. Sutabri, “ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI REVIEW FILM PADA IMDB,” Din. Inform., vol. 15, no. 1, pp. 25–31, 2023.
M. F. Saputri and S. Slamet, “Analisa Data Penjualan Menggunakan Metode Regresi Linier untuk Prediksi Persediaan Barang pada TB. Kawankita,” Skripsi Univ. Dian Nuswantoro Semarang Indones., 2016.
A. Izzah and R. Widyastuti, “Prediksi Harga Saham Menggunakan Improved Multiple Linear Regression Untuk Pencegahan Data Outlier,” Kinet. Game Technol. Inf. Syst. Comput. Netw. Comput. Electron. Control, vol. 2, no. 3, pp. 141–150, 2017.
I. Budiman and A. N. Akhlakulkarimah, “Aplikasi Data Mining Menggunakan Multiple Linear Regression untuk Pengenalan Pola Curah Hujan,” Klik-Kumpul. J. Ilmu Komput., vol. 2, no. 1, pp. 33–34, 2015.
Nurhayati, I. Soekarno, I. K. Hadihardaja, and M. Cahyono, “A study of hold-out and k-fold cross validation for accuracy of groundwater modeling in tidal lowland reclamation using extreme learning machine,” IEEE, pp. 228–233, 2014, doi: https://doi.org/10.1109/TIME-E.2014.7011623.
B. Putro, M. T. Furqon, and S. H. Wijoyo, “Prediksi Jumlah Kebutuhan Pemakaian Air Menggunakan Metode Exponential Smoothing (Studi Kasus?: PDAM Kota Malang),” J. Pengemb. Teknol. Inf. Dan Ilmu Komput., vol. 2, no. 11, pp. 4679–4686, 2018.
I. Nabillah and I. Ranggadara, “Mean Absolute Percentage Error untuk Evaluasi Hasil Prediksi Komoditas Laut,” J. Inf. Syst., vol. 5, no. 2, pp. 250–255, 2020, doi: 10.33633/joins.v5i2.3900.
R. J. C. Chen, P. Bloomfield, and F. W. Cubbage, “Comparing forecasting models in tourism,” J. Hosp. Tour. Res., vol. 32, no. 1, pp. 3–21, 2008.