Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Teknik Informatika (JUTIF) Jurnal Pendidikan dan Teknologi Indonesia
Pandu W, Muhammad Arfianto
Unknown Affiliation
Computer Science & IT Education Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis Tingkat Akurasi Metode Naive Bayes dan Random Forest dalam Prediksi Penjualan Emas Pandu W, Muhammad Arfianto; Saputro, Rujianto Eko; Purwadi, Purwadi; Rohmah, Umdah Aulia
Jurnal Pendidikan dan Teknologi Indonesia Vol 5 No 7 (2025): JPTI - Juli 2025
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.732

Abstract

Penelitian ini bertujuan untuk menganalisis tingkat akurasi metode Naive Bayes dan Random Forest dalam prediksi penjualan emas, yang memainkan peran penting dalam perencanaan investasi dan strategi bisnis di sektor pertambangan, terutama dalam menghadapi volatilitas pasar yang tinggi. Metode penelitian yang digunakan adalah narrative literature review, yang berfokus pada perbandingan dan analisis teori-teori yang ada sebelumnya. Pendekatan ini memungkinkan peneliti untuk mengevaluasi, mengidentifikasi, dan menganalisis literatur yang relevan serta menyarikan temuan-temuan penting yang dapat memberikan wawasan lebih dalam tentang topik yang dikaji. Dalam konteks ini, Naive Bayes dan Random Forest digunakan untuk meramalkan fluktuasi harga emas dan perilaku pembelian produk, dengan fokus pada pengoptimalan strategi pemasaran. Hasil analisis menunjukkan bahwa Naive Bayes efektif dalam mengidentifikasi produk yang diminati dan memfasilitasi perencanaan pemasaran. Namun, Random Forest menunjukkan keunggulan dalam prediksi yang lebih kompleks, seperti perilaku repeat order pelanggan, berkat kemampuannya untuk menangani data variatif dan mengurangi risiko overfitting melalui pendekatan ensemble yang menggabungkan banyak pohon keputusan. Meskipun terdapat sedikit penurunan akurasi pada data pengujian, Random Forest tetap dapat menghasilkan prediksi yang akurat dan robust. Oleh karena itu, kedua metode ini memberikan kontribusi signifikan dalam merancang strategi bisnis dan keputusan investasi yang lebih akurat, dengan Random Forest lebih unggul dalam menghadapi data yang lebih kompleks. Kontribusi penelitian ini yakni memberikan landasan teoretis tentang penerapan algoritma pembelajaran mesin di sektor pemasaran berbasis data, serta menjadi panduan bagi praktisi dan peneliti dalam memilih metode prediktif yang tepat.
Comparison of the Accuracy Levels of Naive Bayes, Random Forest, and Long Short-Term Memory (LSTM) Methods in Predicting Gold Jewelry Sales Pandu W, Muhammad Arfianto; Saputro, Rujianto Eko; Purwadi, Purwadi; Rohmah, Umdah Aulia
Jurnal Teknik Informatika (Jutif) Vol. 7 No. 1 (2026): JUTIF Volume 7, Number 1, February 2026
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2026.7.1.5139

Abstract

Gold has long been recognized as a safe haven asset, especially during economic uncertainty. Accurate prediction of gold jewelry sales is essential for inventory management and business strategy, particularly in high-demand regions such as Imogiri. This study aims to compare the accuracy levels of three machine learning methods—Naïve Bayes, Random Forest, and Long Short-Term Memory (LSTM)—in predicting gold jewelry sales using historical transaction data from Toko Emas Parimas. The dataset comprises 4,595 records from January 2022 to December 2024. The research employs data preprocessing, including data cleaning, feature transformation, and normalization, followed by classification into sales categories. Two data-splitting schemes (80:20 and 70:30) were implemented to evaluate model generalization. The models were trained and tested using performance metrics such as accuracy, precision, recall, and F1-score. The results show that Random Forest achieved perfect classification with an accuracy of 1.00 in both schemes, outperforming the other models. Naïve Bayes also performed well with accuracy up to 0.98, while LSTM showed moderate results with accuracy ranging from 0.82 to 0.88. These findings indicate that Random Forest is the most reliable model for sales prediction of gold jewelry, especially for static classification tasks. The study provides practical insights for retailers and decision-makers in selecting suitable analytical models, and it highlights the importance of aligning analytical methods with data characteristics to improve decision support systems in retail.
Co-Authors Purwadi Purwadi Purwadi Purwadi Rohmah, Umdah Aulia Rujianto Eko Saputro