Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Computers and Digital Business
Sarah Ennola Karina Sihombing
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

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

Found 1 Documents
Search

 1 
Komparasi Multiple Linear Regression dan Random Forest Regression Dalam Memprediksi Anggaran Biaya Manajemen Proyek Sistem Informasi Farhanuddin; Sarah Ennola Karina Sihombing; Yahfizham
Journal of Computers and Digital Business Vol. 3 No. 2 (2024)
Publisher : PT. Delitekno Media Madiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56427/jcbd.v3i2.408

Abstract

Dalam dunia bisnis yang dinamis dengan persaingan yang semakin ketat, manajemen proyek kini menjadi kunci sukses, terutama dalam pengembangan sistem informasi. Memprediksi anggaran biaya merupakan aspek penting dalam manajemen proyek, dengan mengetahui perkiraan anggaran biaya yang akurat, perusahaan dapat membuat keputusan yang lebih tepat terkait dengan alokasi sumber daya dan pengelolaan keuangan proyek. Dengan kemajuan teknologi, machine learning menjadi solusi potensial untuk meningkatkan akurasi dan efisiensi pengelolaan anggaran. Penelitian ini bertujuan untuk menemukan model machine learning yang paling akurat dalam memprediksi anggaran biaya dengan menggunakan dataset dari platform kaggle.com. Membandingkan algoritma machine learning multiple linear regression (MLR) dan random forest regression (RFR) dilakukan sebagai langkah untuk mencapai tujuan tersebut. Pendekatan deskriptif kuantitatif digunakan dengan melakukan Exploratory Data Analysis (EDA) untuk mengidentifikasi pola dalam data. Hasilnya menunjukkan bahwa model random forest regression memiliki akurasi lebih tinggi, mencapai 81,6% dibandingkan multiple linear regression. Kesimpulannya, penggunaan random forest regression lebih efektif dalam memprediksi anggaran biaya proyek sistem informasi. Ini menandakan bahwa random forest regression dapat menjadi pilihan yang lebih baik untuk menghadapi kompleksitas dan ketidakpastian dalam manajemen proyek sistem informasi.
Co-Authors Farhanuddin Yahfizham