Article Per Year (5 Year)
p-Index From 2020 - 2025
1.288
P-Index
This Author published in this journals
All Journal Jurnal Manajemen Informatika dan Sistem Informasi Jurnal Informatika dan Rekayasa Elektronik Jurnal Pengabdian Kepada Masyarakat Patikala Indonesian Journal of Medical and Pharmaceutical Science Jurnal Pendidikan Guru Profesional
Sugiyanti
Unknown Affiliation
Humanities Chemistry Computer Science & IT Education Health Professions Immunology & microbiology Languange, Linguistic, Communication & Media Library & Information Science Medicine & Pharmacology Public Health Social Sciences Other

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Informatika dan Rekayasa Elektronik

 1 
ANALYSIS OF THE APPLICATION OF HYPERPARAMETER TUNING IN MACHINE LEARNING TO INCREASE THE ACCURACY OF SALES-LEVEL PREDICTION Sugiyanti; Muhammad Haris
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 1 (2024): JIRE APRIL 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i1.1130

Abstract

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.
Co-Authors Annidasari, Hadika Dina Prasetyowati Fathnin, Fildza Huwaina Gunarto Kartinah Kartinah, Kartinah Khafidlotur Rofiqoh Lukman Harun Muhammad Ainun Niam Muhammad Fauzi Firdaus Muhammad Haris Noviana Dini Rahmawati Qodriyah, Nur Laila