The Implementasi PyCaret untuk Meningkatkan Akurasi Prediksi Penjualan di PT. Sinar Megartha Perkasa
Abstract
Sinar Megartha Perkasa menghadapi tantangan dalam meningkatkan akurasi prediksi penjualan, yang sangat penting untuk mendukung perencanaan strategis dan pengambilan keputusan yang efektif. Penelitian ini bertujuan untuk menerapkan PyCaret, sebuah pustaka machine learning open-source berbasis Python yang dirancang dengan pendekatan low-code, guna mengembangkan model prediksi penjualan yang lebih tepat. Metodologi yang digunakan mencakup pengumpulan data penjualan historis, pra-pemrosesan data, dan penerapan algoritma regresi melalui PyCaret. Untuk mengevaluasi kinerja model, digunakan metrik seperti Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa penggunaan PyCaret secara signifikan meningkatkan akurasi prediksi penjualan jika dibandingkan dengan metode tradisional, dengan penurunan yang signifikan pada nilai MAE dan RMSE. Penelitian ini memberikan solusi praktis untuk pengembangan model prediksi penjualan yang efisien, yang dapat diintegrasikan ke dalam sistem manajemen PT. Sinar Megartha Perkasa. Dengan adanya prediksi yang lebih akurat, perusahaan dapat membuat keputusan strategis berbasis data untuk mempertahankan keunggulan kompetitif di pasar.
References
DQLab, “Keunggulan Hingga Kelemahan Machine Learning yang Wajib Diketahui,” 23 12 2024. [Online]. Available: https://dqlab.id/keunggulan-hingga-kelemahan-machine-learning-yang-wajib-diketahui.
F. Febriansyah, “Analisis dan Peramalan Pendapatan Penjualan Korporat di KC Sumedang Menggunakan PyCaret untuk Algoritma Time Series,” 2024.
M. I. Baidowi, “ANALISIS RAMALAN PENJUALAN MENGGUNAKAN METODE TIME SERIES DALAM,” MANAGEMENT SCIENCE, vol. 1, no. 1, p. 33, 2020.
N. C. a. J. Ferreira, “Salespeople performance evaluation with predictive analytics in B2B,” Appl. , vol. 10, no. 11, p. 4036, 2020.
A. R. Abidin and I. K. D. Nuryana, “Perbandingan Metode Klasifikasi Data Mining untuk Mengukur Tingkat Kepuasan Mahasiswa terhadap Sistem Informasi Penilaian Nonakademik UNESA (SIPENA),” Journal of Emerging Information Systems and Business Intelligence (JEISBI), vol. 4, no. 4, p. 129–138, 2023.
F. Rahmawati and A. Setiawan, “Analisis dan Prediksi Data Penjualan Menggunakan Machine Learning,” Data Science Indonesia Journal, vol. 4, no. 1, p. 45–56, 2022.
M. Ali, Pycaret, 2024. [Online]. Available: https://pycaret.gitbook.io/docs.
A. R. Abidin, I. Kadek dan D. Nuryana, “Perbandingan Metode Klasifikasi Data Mining Untuk Mengukur Tingkat Kepuasan Mahasiswa Terhadap Sistem Informasi Penilaian Nonakademik UNESA (SIPENA),” 2023.
Terttiaavini et al., FUNDAMENTAL ALGORITMA, Sada Kurnia Pustaka, 2023.
S. Elvina, “Model Prediksi Penjualan Multi-Item Time Series Berbasis Machine Learning,” Universitas Islam Indonesia, 2021.
D. Suryadi and R. Kurniawan, “Penerapan Algoritma Random Forest untuk Prediksi Penjualan dan Pengelolaan Persediaan,” Jurnal Resolusi, vol. 5, p. 2149–2156, 2022.
Terttiaavini, “Analisis Perbandingan Algoritma Machine Learning untuk Prediksi Stunting pada Anak,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 1, p. 257–265, 2024.
