Optimasi Algoritma Decision Tree Dengan Menggunakan Feature Selection Pada Sistem Prediksi Penjualan

MIA AUDINA, . (2025) Optimasi Algoritma Decision Tree Dengan Menggunakan Feature Selection Pada Sistem Prediksi Penjualan. Other thesis, Universitas Pamulang.

	Text File Cover.pdf Restricted to Registered users only Download (890kB)
	Text Bab (1).pdf Restricted to Registered users only Download (245kB)
	Text Bab (2).pdf Restricted to Registered users only Download (514kB)
	Text Bab (3).pdf Restricted to Registered users only Download (342kB)
	Text Bab (4).pdf Restricted to Registered users only Download (1MB)
	Text Bab (5).pdf Restricted to Registered users only Download (228kB)
	Text Jurnal Mia.pdf Restricted to Registered users only Download (1MB)

Abstract

Prediksi penjualan merupakan suatu proses yang sangat penting dalam memperkirakan volume penjualan suatu produk atau layanan dalam periode waktu tertentu. Dalam hal ini, prediksi penjualan mingguan memegang peranan yang sangat strategis, guna mendukung pengelolaan stok, perencanaan produksi, dan pelaksanaan strategi pemasaran yang lebih terarah dan efisien. Dengan mampu memprediksi penjualan setiap minggu, perusahaan dapat merencanakan operasi dengan lebih tepat, serta meminimalkan risiko kekurangan atau kelebihan stok. Masalah dalam prediksi penjualan sering kali terletak pada variabel yang mempengaruhi volume penjualan yang dapat bervariasi setiap minggu, seperti harga bahan bakar, suhu, promosi, serta faktor ekonomi lainnya. Pada penelitian ini, metode decision tree dengan feature selection diterapkan untuk memprediksi penjualan mingguan berdasarkan berbagai fitur yang telah dipilih. Implementasi dan pengujian yang dilakukan dalam penelitian ini membuktikan bahwa penggunaan metode decision tree yang dipadukan dengan feature selection berhasil meningkatkan performa prediksi penjualan, memungkinkan perusahaan untuk meningkatkan efisiensi operasional dan mengoptimalkan pengelolaan stok secara lebih efektif. Penelitian ini bertujuan untuk mengoptimalkan algoritma decision tree dalam sistem prediksi penjualan dengan menerapkan metode feature selection. Model awal yang dibangun tanpa feature selection menghasilkan akurasi sebesar 93,12%, sedangkan setelah dilakukan feature selection, akurasi yang diperoleh adalah 94,94%, dengan selisih peningkatan sebesar 1,82%. Untuk menguji kinerja model, dilakukan evaluasi menggunakan data uji. Hasil evaluasi menunjukkan bahwa akurasi model tanpa feature selection adalah 94,41% dan dengan feature selection sebesar 95,03%, dengan selisih peningkatan sebesar 0,62%. hasil menunjukkan bahwa performa model tetap tinggi. Hal ini membuktikan bahwa penerapan feature selection mampu menyederhanakan struktur data tanpa mengorbankan kualitas prediksi secara signifikan. Penelitian ini juga menunjukkan peningkatan performa dibandingkan penelitian terdahulu yang hanya mencapai akurasi 83%. Dengan demikian, algoritma decision tree dapat dioptimalkan dengan menggunakan teknik feature selection untuk meningkatkan efisiensi dan akurasi sistem prediksi penjualan.

Item Type:	Thesis (Other)
Subjects:	T Technology > T Technology (General)
Depositing User:	Jejen Juanda
Date Deposited:	15 Sep 2025 03:25
Last Modified:	15 Sep 2025 03:25
URI:	http://repository.unpam.ac.id/id/eprint/17408

Actions (login required)

View Item