<![CDATA[Perkembangan layanan pesan antar makanan, seperti ShopeeFood, telah menciptakan kebutuhan akan sistem prediksi pendapatan yang akurat untuk mendukung pengambilan keputusan strategis. Penelitian ini membandingkan performa algoritma K-Nearest Neighbors (KNN) dan Random Forest dalam memprediksi pendapatan driver ShopeeFood di Kudus. Dataset primer yang digunakan mencakup 1.443 riwayat perjalanan dengan variabel seperti jumlah order, ongkir, rating, dan ulasan restoran. Hasil menunjukkan bahwa Random Forest lebih unggul dengan nilai MAPE sebesar 5.68%, RMSE sebesar 1,715.39, dan R² sebesar 0.74, dibandingkan KNN dengan MAPE sebesar 11.51%, RMSE sebesar 2,290.90, dan R² sebesar 0.53. Random Forest terbukti lebih akurat dalam menangkap pola non-linear antar variabel, menjadikannya metode yang lebih andal untuk prediksi pendapatan. Penelitian ini memberikan rekomendasi penggunaan Random Forest sebagai alat utama untuk memaksimalkan efisiensi operasional driver ShopeeFood.]]>
Copyrights © 2026
