Prediksi Layanan Percetakan Menggunakan Algoritma Random Forest Berdasarkan Data Historis Transaksi

Farid Anwar; Hanifah Permatasari; Nibras  Faiq Muhammad

Authors

Farid Anwar Universitas Duta Bangsa
Hanifah Permatasari Universitas Duta Bangsa
Nibras Faiq Muhammad Universitas Duta Bangsa

Keywords:

Prediksi permintaan, random forest regression, crisp-dm, timeseriessplit, feature engineering

Abstract

Perkembangan teknologi informasi mendorong pemanfaatan machine learning untuk mengolah data historis transaksi menjadi informasi pendukung pengambilan keputusan bisnis. Pada usaha percetakan, permintaan layanan cenderung fluktuatif sehingga pelaku usaha sering mengalami kesulitan dalam memperkirakan jumlah permintaan pada periode tertentu. Penelitian ini bertujuan membangun model prediksi permintaan layanan percetakan menggunakan algoritma Random Forest Regression berdasarkan data historis transaksi pada ADIA SOLUTION. Metode penelitian menggunakan pendekatan Cross Industry Standard Process for Data Mining (CRISP-DM) yang meliputi business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Data yang digunakan berupa data historis transaksi layanan percetakan seperti print, fotokopi, dan cetak foto. Model prediksi dibangun menggunakan algoritma Random Forest Regression karena mampu menangani data kompleks dan mengurangi risiko overfitting. Evaluasi model dilakukan menggunakan Mean Absolute Error (MAE), Mean Squared Error (MSE) dan R-Squared. Hasil pengujian menunjukkan bahwa model Random Forest Regression memperoleh nilai R-Squared sebesar 0.76 sehingga mampu melakukan prediksi permintaan layanan print dengan cukup baik berdasarkan data historis transaksi.

References

[1] A. R. Hapriyanto, “Strategi inovatif dalam meningkatkan daya saing bisnis di era digital,” Nusantara Journal of Multidisciplinary Science, vol. 2, no. 1, pp. 115–124, 2024.

[2] V. Rahayu, B. Soedijo, and S. Sudarmawan, “Analisis Algoritma Apriori dan FP-Growth Dalam Menemukan Pola Frequent Item Data Association Rule Pada Supermarket,” Explore, vol. 11, no. 2, pp. 20–23, 2021.

[3] E. Purwanto, B. P. C. Utomo, H. Permatasari, and F. Mohd, “Comparative Analysis of Classification Models for Sales Prediction in E-commerce: Decision Tree, Random Forest, SVM, Naive Bayes, and KNN,” Jurnal Teknik Informatika (Jutif), vol. 6, no. 6, pp. 5899–5915, 2025.

[4] D. Yulianto and A. S. Nugraheni, “Efektivitas pembelajaran daring dalam pembelajaran bahasa Indonesia: Effectiveness of online learning in Indonesian language learning,” Decode: Jurnal Pendidikan Teknologi Informasi, vol. 1, no. 1, pp. 33–42, 2021.

[5] H. Tantyoko, D. K. Sari, and A. R. Wijaya, “Prediksi Potensial Gempa Bumi Indonesia Menggunakan Metode Random Forest Dan Feature Selection,” IDEALIS: Indonesia Journal Information System, vol. 6, no. 2, pp. 83–89, 2023.

[6] R. Hidayat et al., “Implementasi Algoritma Random Forest Regression Untuk Memprediksi Penjualan Produksi di Supermarket,” Jurnal Sistem Informasi dan Sistem Komputer, vol. 10, no. 1, pp. 101–109, 2025.

[7] A. Julian, “Segmentasi pelanggan menggunakan algoritma K-Means pada jaringan telekomunikasi untuk optimalisasi strategi pemasaran,” JTT (Jurnal Teknologi Terpadu), vol. 13, no. 1, pp. 94–100, 2025.

[8] A. P. Huslan, F. Mahardika, and D. I. Junaedi, “Implementasi Algoritma Random Forest untuk Prediksi Volume Pengunjung pada Sektor Layanan Publik (Studi Kasus Unit Layanan Publik di Jawa Barat Tahun 2021-2022),” Riau Jurnal Teknik Informatika, vol. 4, no. 3, pp. 446–â, 2025.

[9] C. Sika Azkia, Y. Ansori, F. Darnis, and A. Rahman, “Pengaruh Feature Engineering Time Series Berbasis Rolling Statistics untuk Prediksi Suhu Menggunakan Random Forest dan Gradient Boosting,” vol. 11, no. 1, pp. 25–36, 2026, doi: 10.32493/jiup.v11i1.58137.

[10] F. W. D. Wicaksono, M. Mula’ab, and A. B. Rahmat, “Optimasi Peramalan Tingkat Laju Inflasi Indonesia Melalui Pendekatan Ensemble Bagging Pada Algoritma Support Vector Regression,” JTT (Jurnal Teknologi Terpadu), vol. 12, no. 2, pp. 144–150, 2024.

[11] M. R. Maulizidan et al., “Prediksi Gangguan Panik Menggunakan Knowledge Discovery in Database Dengan Algoritma Gradient Boosting,” JTT (Jurnal Teknologi Terpadu), vol. 13, no. 2, pp. 166–174, 2025.