Article Per Year (5 Year)
p-Index From 2020 - 2025
1.959
P-Index
This Author published in this journals
All Journal InComTech: Jurnal Telekomunikasi dan Komputer Chemistry Indonesian Journal of Chemical Research PERENNIAL Jurnal Crystal : Publikasi Penelitian Kimia dan Terapannya Journal of Sylva Indonesiana Science Education and Application Journal International Journal of Recent Technology and Applied Science (IJORTAS) Indonesian Journal of Laboratory Jurnal Sylva Lestari Jurnal Ilmu Kehutanan Jurna Beta Kimia Journal Economics Technology and Entrepreneur
Wahyuningtyas, Irma
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Physics Social Sciences Other

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : InComTech: Jurnal Telekomunikasi dan Komputer

 1 
Penerapan FP-Growth dan Random Forest dalam Analisis Data Penjualan Makanan Ringan Afandi, Irfan Ricky; Wahyuningtyas, Irma; Fathurrohman, Sewin; Hasan, Firman Noor
InComTech : Jurnal Telekomunikasi dan Komputer Vol 15, No 1 (2025)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v15i1.30260

Abstract

Penelitian ini bertujuan untuk menganalisis pola pembelian produk makanan ringan serta memprediksi penjualan produk dengan menggunakan pendekatan data mining dan machine learning. Dalam industri makanan ringan yang semakin kompetitif pemahaman mendalam tentang pola perilaku konsumen dan tren penjualan produk sangat penting untuk pengambilan keputusan bisnis yang lebih efektif serta peningkatan profitabilitas perusahaan. Tantangan utama dalam penelitian ini adalah mengidentifikasi variabel yang relevan dalam dataset penjualan untuk mengungkap pola asosiasi antar produk dan menghasilkan prediksi penjualan yang akurat. Metodologi yang digunakan dalam penelitian ini melibatkan algoritma FP-Growth untuk menemukan asosiasi produk yang sering dibeli bersamaan serta algoritma Random Forest untuk memprediksi penjualan berdasarkan data historis. Hasil penelitian dari penerapan algoritma FP-Growth mampu mengidentifikasi sembilan aturan asosiasi yang potensial untuk diterapkan dalam sistem rekomendasi produk untuk menyediakan rekomendasi produk yang lebih personal kepada konsumen. Selain itu, model prediksi menggunakan Random Forest menunjukkan performa yang baik dengan nilai Mean Absolute Error (MAE) sebesar 23,54, Root Mean Squared Error (RMSE) sebesar 36,36 dan R-squared sebesar 0,86 dengan keseluruhan menunjukkan tingkat akurasi yang cukup baik. Penelitian ini memberikan kontribusi penting dalam optimasi stok dan strategi pemasaran berbasis data. Penelitian lanjutan disarankan menggunakan data yang lebih bervariasi dan periode waktu yang lebih panjang untuk meningkatkan akurasi prediksi.
Co-Authors Afandi, Irfan Ricky Erlangga, Manasye Fathurrohman, Sewin Firman Noor Hasan Fitria Cita Dirna Hanifah, Nisrina Putri I Wayan Darmawan Ismail, Rohmat Istie Rahayu Khairunissa, Dhiya Khoerudin, Riki Kutana, Agung Nugrawan Laksono, Gilang Dwi Nona, Risna Prihatini, Esti Riadhi, Mohamad Rizki Rizki, Selvi Diliyanti Saputri, Egydia Trisna PRIADI