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:	Users 30 not found.
Date Deposited:	18 Jun 2025 07:00
Last Modified:	18 Jun 2025 07:00
URI:	https://repository.unas.ac.id/id/eprint/13000

Actions (login required)

View Item