Perancangan Sales Prediction Model Menggunakan Metode Neural Network
Article Sidebar
Main Article Content
Abstract
Datamining merupakan fenomena penting pada bidang ilmu teknologi informasi yang telah membantu manusia pada berbagai bidang kehidupan. Datamining merupakan bidang ilmu yang menarik untuk diteliti apalagi pada saat ini dimana Big Data yang dihaslilkan dalam berbagai kehidupan manusia mempunyai volume yang sangat besar namun kurang memberikan arti bagi kehidupan. Penelitian datamining mengenai sales prediction memberikan kontribusi positif bagi para pengambil keputusan dalam melakukan prediksi penjualan barang yang dilakukan secara online berdasarkan beberapa fitur antara lain usia,jenis kelamin,minat,impresi maupun jumlah uang yang dibelanjakan. Penelitian ini berkontribusi dalam membangun sebuah model regresi sales prediction menggunakan metode Neural Network yang dapat dipergunakan sebagai alat bantu dalam pengambilan keputusan untuk menjual jenis produk yang diminati berbagai macam segment pada toko online. Metode Neural Network yang merupakan salah satu metode yang bekerja berdasar pola berpikir syaraf manusia terbukti memberikan hasil terbaik dalam membangun model sales prediction dibandingkan metode Random Forest dan AdaBoost. Sales prediction model menggunakan Neural Network menunjukkan hasil kinerja yang diukur dengan Mean Squared Error (MSE) sebesar 0.831, Root Mean Square Error (RMSE) sebesar 0,911 dan Mean Absolute Error (MAE) sebesar 0,650.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
B. Muslim, “Sistem Informasi Peraturan Daerah (Perda) Kota Pagar Alam Berbasis Web,” J. Ilm. Betrik, vol. 07, no. 01, pp. 36–49, 2016.
Riswandi, “Transaksi On-Line (E-Commerce) : Peluang dan Tantangan Dalam Perspektif Ekonomi Islam,” J. Econetica, vol. 13, no. April, pp. 15–38, 2019.
A. S. Nolza, M. Syahril, F. Mubarak, and M. F. Muzakkir, “Analisis Peramalan Penjualan Produk Ban ( Studi Kasus : Pt . Goodyear Indonesia ),” vol. 9, no. Juni, pp. 25–29, 2021.
E. S. Putri and M. Sadikin, “Prediksi Penjualan Produk Untuk Mengestimasi Kebutuhan Bahan Baku Menggunakan Perbandingan Algoritma LSTM dan ARIMA,” Format J. Ilm. Tek. Inform., vol. 10, no. 2, p. 162, 2021, doi: 10.22441/format.2021.v10.i2.007.
A. Alfani W.P.R., F. Rozi, and F. Sukmana, “Prediksi Penjualan Produk Unilever Menggunakan Metode K-Nearest Neighbor,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 6, no. 1, pp. 155–160, 2021, doi: 10.29100/jipi.v6i1.1910.
Y. D. Pristanti and F. Windana, “Pengembangan Metode Neural Networks untuk Menentukan Karakter Seseorang,” J. STT STIKMA Int., vol. 6, no. 1, pp. 9–27, 2015.
Euis Saraswati, Yuyun Umaidah, and Apriade Voutama, “Penerapan Algoritma Artificial Neural Network untuk Klasifikasi Opini Publik Terhadap Covid-19,” Gener. J., vol. 5, no. 2, pp. 109–118, 2021, doi: 10.29407/gj.v5i2.16125.
H. Putra and N. Ulfa Walmi, “Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation,” J. Nas. Teknol. dan Sist. Inf., vol. 6, no. 2, pp. 100–107, 2020, doi: 10.25077/teknosi.v6i2.2020.100-107.
I. I. Ridho, G. Mahalisa, D. R. Sari, and I. Fikri, “Metode Neural Network Untuk Penentuan Akurasi Prediksi Harga Rumah,” Technol. J. Ilm., vol. 13, no. 1, p. 56, 2022, doi: 10.31602/tji.v13i1.6252.
P. Kumar et al., “Optimised neural network model for river-nitrogen prediction utilizing a new training approach,” PLoS One, vol. 15, no. 9 September, pp. 1–23, 2020, doi: 10.1371/journal.pone.0239509.
M. Awaludin, Y. Z. Rahwanto, and T. Informasi, “Pengembangan Algoritma Neural Network Berdasarkan Rentang Waktu Untuk Prediksi Harga Perdagangan Valuta Asing,” CKI SPOT, vol. 10, no. 2, 2017.
S. Shevira, I. Made, A. D. Suarjaya, and P. Wira Buana, “Pengaruh Kombinasi dan Urutan Pre-Processing pada Tweets Bahasa Indonesia,” JITTER-Jurnal Ilm. Teknol. dan Komput., vol. 3, no. 2, 2022.