PREDIKSI VOLUME PENJUALAN RITEL BERDASARKAN KATEGORI PRODUK MENGGUNAKAN ALGORITMA RANDOM FOREST DAN XGBOOST

Nugraha, Erfan Yudha (2025) PREDIKSI VOLUME PENJUALAN RITEL BERDASARKAN KATEGORI PRODUK MENGGUNAKAN ALGORITMA RANDOM FOREST DAN XGBOOST. Bachelor thesis, Universitas Nasional.

	Text Cover.pdf Download (1MB)
	Text BAB I.pdf Download (220kB)
	Text BAB II.pdf Download (493kB)
	Text BAB III.pdf Download (257kB)
	Text BAB IV.pdf Download (1MB)
	Text BAB V.pdf Download (200kB)
	Text Lampiran.pdf Download (219kB)

Abstract

Penelitian ini bertujuan untuk prediksi volume penjualan ritel berdasarkan kategori produk menggunakan algoritma Random Forest dan XGBoost, serta memvisualisasikan hasil prediksi dalam bentuk yang interaktif. Berdasarkan hasil evaluasi, model Random Forest menunjukkan akurasi lebih tinggi (89,49%) dibandingkan XGBoost yang memiliki akurasi sebesar 76,73%. Selain akurasi, model Random Forest juga unggul dalam metrik precision, recall, dan f1-score, yang menunjukkan kestabilan dan konsistensinya dalam mengklasifikasikan volume penjualan. Kedua model menunjukkan performa yang baik, meskipun terdapat beberapa kategori yang masih mengalami kesalahan prediksi dan klasifikasi. Salah satu keunggulan penelitian ini adalah penerapan visualisasi interaktif yang mempermudah pemahaman terhadap hasil model, memberikan wawasan yang lebih dalam mengenai pola penjualan dan membantu pengambilan keputusan yang lebih tepat dalam strategi pemasaran dan pengelolaan stok. Hasil penelitian ini dapat diimplementasikan untuk memprediksi dan mengklasifikasikan volume penjualan produk di industri ritel dengan efektivitas yang lebih baik, sambil memperhatikan area-area yang masih perlu dioptimalkan.

Item Type:	Thesis (Bachelor)
Subjects:	T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Miss Rahma Rahmawati
Date Deposited:	18 Jun 2025 07:00
Last Modified:	18 Jun 2025 07:00
URI:	http://repository.unas.ac.id/id/eprint/13000

Actions (login required)

View Item