Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Raihan
Universitas Bina Sarana Informatika
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Perbandingan Algoritma Linear Regression dan Gradient Boosting dalam Memprediksi Harga Smartphone Berdasarkan Spesifikasi Perangkat Raihan; Deni Risdiansyah; Erni
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1341

Abstract

Pesatnya perkembangan teknologi informasi mentransformasikan smartphone menjadi komoditas ekonomi digital dengan fluktuasi harga yang tinggi akibat kompleksitas hubungan antarspesifikasi secara non-linear. Penelitian ini bertujuan untuk menguji efektivitas metode statistik tradisional dibandingkan dengan pendekatan ensemble learning dalam memprediksi harga smartphone. Analisis dilakukan melalui perbandingan kinerja antara algoritma Linear Regression dan Gradient Boosting berdasarkan lima komponen utama, yaitu RAM, Storage, Baterai, Brand, dan Resolusi Display menggunakan perangkat lunak Orange Data Mining. Penelitian ini memanfaatkan dataset sekunder sebesar 1.715 baris data dengan proporsi pembagian sampel 70% sebagai data latih (1.201 baris) dan 30% sebagai data uji (514 baris). Akurasi model diukur secara kuantitatif melalui metrik R-Squared (R2), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil pengujian membuktikan bahwa algoritma Gradient Boosting memiliki kinerja lebih baik dengan mencatatkan nilai R2 sebesar 0.998 (99.8%), RMSE sebesar 16.766, serta MAPE sebesar 0.014 (1.4%). Sementara itu, Linear Regression menghasilkan nilai R2 sebesar 0.990 (99.0%), RMSE sebesar 34.933, dan MAPE sebesar 0.087 (8.7%). Hasil ini membuktikan hipotesis bahwa kelompok algoritma ensemble learning terbukti sangat adaptif dan presisi dalam mengekstrak interaksi non-linear yang rumit dari spesifikasi fisik perangkat tanpa menimbulkan gangguan noise.
Co-Authors Erni Risdiansyah, Deni