Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Emerging Statistics and Data Science Journal
Rahmadewi, Lintang Asri
Unknown Affiliation
Computer Science & IT Mathematics

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

Found 1 Documents
Search

 1 
Perbandingan Random Forest dan Naïve Bayes untuk Prediksi Kemenangan Tender dengan Pendekatan SMOTE dan Analisis Feature Importance pada PT XYZ : Perbandingan Random Forest dan Naïve Bayes untuk Prediksi Kemenangan Tender dengan Pendekatan SMOTE dan Analisis Feature Importance pada PT XYZ Rahmadewi, Lintang Asri; Dini, Sekti Kartika
Emerging Statistics and Data Science Journal Vol. 4 No. 3 (2026): Emerging Statistics and Data Science Journal
Publisher : Statistics Department, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20885/esds.vol4.iss.3.art06

Abstract

Persaingan tender yang ketat mendorong perusahaan memanfaatkan data historis untuk menyusun strategi penawaran. Namun, penelitian yang membandingkan algoritma klasifikasi pada data kemenangan tender masih terbatas. Penelitian ini bertujuan membandingkan Random Forest dan Naïve Bayes dalam mengklasifikasikan kemenangan tender PT XYZ, perusahaan manufaktur alat dan kendaraan berat, serta mengidentifikasi variabel yang paling berpengaruh. Data merupakan riwayat tender dengan lima variabel kategorik, diproses menggunakan target encoding, lalu diseimbangkan dengan SMOTE pada data latih. Evaluasi menggunakan K-Fold Cross Validation (k = 5) dengan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa Random Forest yang dioptimalkan dengan GridSearchCV memiliki akurasi 93,6%, sedangkan Naïve Bayes hanya 74,4%. Selisih terbesar terdapat pada recall (95% berbanding 61,4%). Analisis feature importance menunjukkan bahwa Potential Customer (0,400) dan Territory (0,303) merupakan faktor yang paling berpengaruh. Dengan demikian, Random Forest lebih direkomendasikan untuk klasifikasi data kemenangan tender dan dapat membantu perusahaan menyusun strategi penawaran berbasis data.
Co-Authors Dini, Sekti Kartika