ANALYSIS OF THE APPLICATION OF HYPERPARAMETER TUNING IN MACHINE LEARNING TO INCREASE THE ACCURACY OF SALES-LEVEL PREDICTION
DOI:
https://doi.org/10.36595/jire.v7i1.1130Keywords:
Prediksi, Penjualan, Hyperparameter, Optuna, XGBoostAbstract
Pertumbuhan pelaku bisnis penjualan semakin meningkat, untuk itu perlu adanya suatu prediksi terhadap tingkat penjualan untuk penjualan masa depan agar tidak mengalami kerugian finansial. Tujuan dari penelitian ini adalah untuk mendapatkan model prediksi tingkat penjualan dengan akurat. Pihak penjual akan memahami fitur-fitur penting yang mempengaruhi terhadap tingkat atau nilai penjualan. Metode yang digunakan dalam peneltiian ini adalah algoritma regression Machine Learning (ML) serta menggunakan hyperparameter tuning. Tahap preprocessing dalam penelitian ini sangat penting untuk dapat menghasilkan nilai prediksi yang lebih baik. Hasil dari penelitian ini menghasilkan algoritma terbaik yaitu XGBoost dengan hasil Root Mean Squared Error (RMSE) adalah 968 dan nilai Mean Absolute Error (MAE) adalah 713, hasil tersebut lebih baik dari hasil penelitian sebelumnya dengan menggunalan algoritma yang sama yaitu XGBoost tetapi tidak menggunakan hyperparameter tuning optuna menghasilkan nilai RMSE sebesar 1052, dan MAE sebesar 739.03. Sehingga dengan menggunakan hyperparameter tuning optuna dapat menurunkan nilai error hasil prediksi.
References
X. Dairu and Z. Shilong, “Machine Learning Model for Sales Forecasting by Using XGBoost,” 2021 IEEE Int. Conf. Consum. Electron. Comput. Eng. ICCECE 2021, no. Iccece, pp. 480–483, 2021, doi: 10.1109/ICCECE51280.2021.9342304.
D. Preethi and V. S, “An Analysis of Machine Learning Algorithms to Predict Sales,” Int. J. Sci. Res., vol. 11, no. 6, pp. 462–466, 2022, doi: 10.21275/SR22601144946.
J. Wang, “A hybrid machine learning model for sales prediction,” Proc. - 2020 Int. Conf. Intell. Comput. Human-Computer Interact. ICHCI 2020, pp. 363–366, 2020, doi: 10.1109/ICHCI51889.2020.00083.
A. Krishna, V. Akhilesh, A. Aich, and C. Hegde, “Sales-forecasting of Retail Stores using Machine Learning Techniques,” Proc. 2018 3rd Int. Conf. Comput. Syst. Inf. Technol. Sustain. Solut. CSITSS 2018, pp. 160–166, 2018, doi: 10.1109/CSITSS.2018.8768765.
N. Giarsyani, “Komparasi Algoritma Machine Learning dan Deep Learning untuk Named Entity Recognition?: Studi Kasus Data Kebencanaan,” Indones. J. Appl. Informatics, vol. 4, no. 2, p. 138, 2020, doi: 10.20961/ijai.v4i2.41317.
Muflih Ihza Rifatama, Mohammad Reza Faisal, Rudy Herteno, Irwan Budiman, and Muhammad Itqan Mazdadi, “Optimasi Algoritma K-Nearest Neighbor Dengan Seleksi Fitur Menggunakan Xgboost,” J. Inform. dan Rekayasa Elektron., vol. 6, no. 1, pp. 64–72, 2023, doi: 10.36595/jire.v6i1.723.
R. Saravanan and P. Sujatha, “A State of Art Techniques on Machine Learning Algorithms: A Perspective of Supervised Learning Approaches in Data Classification,” Proc. 2nd Int. Conf. Intell. Comput. Control Syst. ICICCS 2018, no. Iciccs, pp. 945–949, 2019, doi: 10.1109/ICCONS.2018.8663155.
L. Owen, Hyperparameter Tuning with Python. Birmingham: Packt Publishing Ltd, 2022.
A. Van Wyk, Machine Learning with LightGBM and Python. Birmingham: Packt Publishing Ltd, 2023.
G. Behera and N. Nain, “A comparative study of big mart sales prediction,” Commun. Comput. Inf. Sci., vol. 1147 CCIS, no. March, pp. 421–432, 2020, doi: 10.1007/978-981-15-4015-8_37.
E. D. Wahyuni, A. A. Arifiyanti, and M. Kustyani, “Exploratory Data Analysis dalam Konteks Klasifikasi Data Mining,” Pros. Nas. Rekayasa Teknol. Ind. dan Inf. XIV Tahun 2019, vol. 2019, no. November, pp. 263–269, 2019, [Online]. Available: http://journal.itny.ac.id/index.php/ReTII
D. Kurniawan, Pengenalan Machine Learning dengan Python. Jakarta: PT Elex Media Komputindo, 2020.
A. F. A. Naibaho and A. Zahra, “Prediksi Kelulusan Siswa Sekolah Menengah Pertama Menggunakan Machine Learning,” J. Inform. dan Tek. Elektro Terap., vol. 11, no. 3, 2023, doi: 10.23960/jitet.v11i3.3056.
B. Purnama, Pengantar Machine Learning Konsep dan Praktikum Dengan Contoh Latihan Berbasis R dan Python. Bandung: Informatika Bandung, 2019.
S. Gracia, J. Luengo, and F. Herrera, Data Preprocessing in Data Mining. Granada: Springer, 2014.
I. Daqiqil Id, Machine Learning Teori, Studi Kasus dan Implementasi Menggunakan Python. Pekanbaru: UR PRESS, 2021.
D. A. Rhamadhani, E. Eklezia, and D. Saputri, “Analisa Model Machine Learning dalam Memprediksi Laju Produksi Sumur Migas 15/9-F-14H,” J. Sustain. Energy Dev., vol. 1, no. 1, pp. 48–55, 2023.
Additional Files
Published
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
