Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Andi Fany Febrina Jamal Putri
Program Studi Bisnis Digital, Institut Teknologi dan Bisnis Kalla Makassar
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics

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

Found 1 Documents
Search

 1 
Analisis Komparatif Artificial Neural Network dan Random Forest dalam Estimasi Nilai Penjualan SuperStore Andi Fany Febrina Jamal Putri; Astrid Kartika Dewi; Rezty Amalia Aras; Aulia Rahmawati
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kesalahan dalam mengestimasi nilai penjualan dapat berdampak fatal bagi keuangan perusahaan retail, mulai dari penumpukan barang di gudang (overstock) hingga hilangnya peluang penjualan akibat stok kosong (stockout). Kondisi ini menuntut ketersediaan model estimasi yang akurat, khususnya yang mampu mempertimbangkan faktor keuangan seperti harga, biaya modal, dan keuntungan secara bersamaan. Oleh karena itu, penelitian ini bertujuan untuk membandingkan performa algoritma Artificial Neural Network (ANN) dan Random Forest dalam mengestimasi nilai penjualan pada dataset SuperStore, menggunakan sembilan fitur prediktor termasuk kuantitas, harga, biaya modal, dan keuntungan. Model ANN dibangun dengan tiga lapisan tersembunyi melalui serangkaian percobaan untuk memperoleh konfigurasi optimal, sedangkan Random Forest dibangun menggunakan seratus pohon keputusan. Hasil menunjukkan ANN memperoleh RMSE $69,87 dan R² 0,9844, sedangkan Random Forest memperoleh RMSE $83,26 dan R² 0,9778, namun unggul jauh lebih baik pada metrik MAE (13,21 dibandingkan 34,63). Analisis feature importance menunjukkan biaya modal dan keuntungan memberikan kontribusi paling dominan, melampaui harga produk. Kesimpulannya, performa kedua algoritma bergantung pada karakteristik kesalahan yang ingin diminimalkan, sehingga pemilihan model perlu disesuaikan dengan kebutuhan manajemen retail.
Co-Authors Astrid Kartika Dewi Aulia Rahmawati Rezty Amalia Aras