##plugins.themes.academic_pro.article.main##
Implementasi Algoritma Random Forest Regression Untuk Memprediksi Penjualan Produksi di Supermarket
Abstract
Prediksi penjualan merupakan aspek penting dalam pengelolaan operasional Supermarket. Algoritma Machine Learning dapat dimanfaatkan untuk menghasilkan prediksi yang akurat. Supermarket mencatat transaksi penjualan setiap harinya, data transaksi tersebut dapat dimanfaatkan untuk mendapatkan informasi dalam memperoleh keuntungan. Pada penelitian ini, algoritma Random Forest Regression digunakan dengan tujuan untuk memprediksi penjualan di Supermarket. Data dalam dataset berjumlah 1000 data. Proses preprocessing data dimulai dengan menentukan fitur yang paling relevan sebagai variabel independen dan variabel dependen. Selanjutnya, entri kosong pada data numerik diisi dengan nilai rata-rata (mean), sedangkan pada data kategori, entri kosong diisi dengan nilai modus. Evaluasi kinerja model algoritma diukur dengan menggunakan beberapa metrik, yaitu Out-of-Bag (OOB) score sebesar 0.9999, Mean Squared Error (MSE) sebesar 2.4899, R-squared atau koefisien determinasi mencapai 0.9999, dan Mean Absolute Error (MAE) bernilai 0.9305. Secara keseluruhan, nilai-nilai metrik menunjukkan model Random Forest Regression sangat akurat untuk prediksi penjualan di supermarket.
##plugins.themes.academic_pro.article.details##

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
References
H. Herman, I. Riadi, and Y. Kurniawan, “Vulnerability Detection With K-Nearest Neighbor and Naïve Bayes Method using Machine Learning,” Int. J. Artif. Intell. Res., vol. 7, no. 1, p. 10, 2023, doi: 10.29099/ijair.v7i1.795.
R. Nisrina and C. Devina, “Analisis Penerapan Sistem Informasi Akuntansi Persediaan Pada Supermarket Suzuya Di Rantau Prapat,” J. Ekon. Manaj. Dan Bisnis, vol. 1, no. 3, pp. 103–112, 2024.
V. Rahayu, “Analisis Algoritma Apriori dan FP-Growth Dalam Menemukan Pola Frequent Item Data Association Rule Pada Supermarket,” Explore, vol. 11, no. 2, p. 20, 2021, doi: 10.35200/explore.v11i2.436.
F. N. Adnan, “Optimasi Analisis Peramalan dengan Metode Regresi Weighted Moving Average,” JOINS (Journal Inf. Syst., vol. 4, no. 2, pp. 119–128, 2019, doi: 10.33633/joins.v4i2.2265.
I. Darmayanti, P. Subarkah, L. R. Anunggilarso, and J. Suhaman, “Prediksi Potensi Siswa Putus Sekolah Akibat Pandemi Covid-19 Menggunakan Algoritme K-Nearest Neighbor,” JST (Jurnal Sains dan Teknol., vol. 10, no. 2, pp. 230–238, 2021.
A. Muzakir and R. A. Wulandari, “Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree,” Sci. J. Informatics, vol. 3, no. 1, pp. 19–26, 2016, doi: 10.15294/sji.v3i1.4610.
D. Yulianto and A. S. Nugraheni, “Efektivitas Pembelajaran Daring Dalam Pembelajaran Bahasa Indonesia,” Decod. J. Pendidik. Teknol. Inf., vol. 1, no. 1, pp. 33–42, 2021, doi: 10.51454/decode.v1i1.5.
M. Aditya Pratama, M. Munawaroh, W. Joko Pranoto, P. Studi Teknik Informatika, F. Sains dan Teknologi, and U. Muhammadiyah Kalimantan Timur, “Perbandingan Performa Algoritma Linear Regresi dan Random Forest untuk Prediksi Harga Bawang Merah di Kota Samarinda,” J. Ilmu Tek., vol. 1, no. 2, pp. 172–182, 2024, [Online]. Available: https://doi.org/10.62017/tektonik
H. Tantyoko, D. K. Sari, and A. R. Wijaya, “Prediksi Potensial Gempa Bumi Indonesia Menggunakan Metode Random Forest Dan Feature Selection,” IDEALIS Indones. J. Inf. Syst., vol. 6, no. 2, pp. 83–89, 2023, doi: 10.36080/idealis.v6i2.3036.
I. Amansyah, J. Indra, E. Nurlaelasari, and A. R. Juwita, “Prediksi Penjualan Kendaraan Menggunakan Regresi Linear : Studi Kasus pada Industri Otomotif di Indonesia,” vol. 4, pp. 1199–1216, 2024, [Online]. Available: https://j-innovative.org/index.php/Innovative%0APrediksi
Malik, H. Hidayat, A. H. Muhammad, and Kusnawi, “Penerapan Algoritma Monte Carlo Untuk Memprediksi IPS Dan IPK Berdasarkan Karakteristik Mahasiswa Perguruan Tinggi X Di Kota Cirebon,” vol. 2, no. 4, pp. 81–96, 2024.
G. A. Sandag, “Prediksi Rating Aplikasi App Store Menggunakan Algoritma Random Forest,” CogITo Smart J., vol. 6, no. 2, pp. 167–178, 2020, doi: 10.31154/cogito.v6i2.270.167-178.
E. Fitri, “Analisis Perbandingan Metode Regresi Linier, Random Forest Regression dan Gradient Boosted Trees Regression Method untuk Prediksi Harga Rumah,” J. Appl. Comput. Sci. Technol., vol. 4, no. 1, pp. 58–64, 2023, doi: 10.52158/jacost.v4i1.491.
N. L. W. S. R. Ginantra et al., Data Mining dan Penerapan Algoritma. 2021.
F. Putra, H. F. Tahiyat, R. M. Ihsan, R. Rahmaddeni, and L. Efrizoni, “Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 273–281, 2024, doi: 10.57152/malcom.v4i1.1085.
I. P. Teddy, D. Wijaya, and I. Bagus, “Uji Performansi Algoritma LR dan RFR pada Implementasi Sistem Prediksi Harga Rumah,” vol. 1, no. 2016, pp. 917–924, 2023.
R. J. Beckman and S. Weisberg, Applied Linear Regression, vol. 29, no. 1. 1987. doi: 10.2307/1269895.
A. Hurifiani, A. Irma Purnamasari, and I. Ali, “Penerapan Algoritma Regresi Linear Untuk Prediksi Penjualan Alat Tulis Kantor (Atk) Di Bumdes,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 266–273, 2024, doi: 10.36040/jati.v8i1.8305.