Perbandingan Algoritma Linear Regression dan Random Forest Regression untuk Prediksi Pendapatan Harian Multi-Cabang Barbershop Azkara

research
  • 21 Oct
  • 2026

Perbandingan Algoritma Linear Regression dan Random Forest Regression untuk Prediksi Pendapatan Harian Multi-Cabang Barbershop Azkara

Penelitian ini bertujuan untuk membandingkan kinerja algoritma Linear Regression dan Random Forest Regression dalam memprediksi omset harian pada Barbershop Azkara serta menghasilkan estimasi omset pada periode mendatang. Data yang digunakan berupa data operasional harian dari empat cabang Barbershop Azkara, yaitu Bekasi, Depok, Mayong, dan Singaraja, selama periode 1 Maret–31 Agustus 2026. Setelah melalui tahapan preprocessing, feature engineering, dan encoding, diperoleh 736 observasi dengan sembilan variabel fitur yang digunakan untuk memprediksi omset hari ini. Data dibagi berdasarkan urutan waktu menjadi 588 data training dan 148 data testing. Linear Regression digunakan sebagai model baseline, sedangkan Random Forest Regression digunakan sebagai model pembanding dan kemudian dioptimasi menggunakan Optuna dengan 5-Fold Time Series Cross-Validation pada data training. Hasil evaluasi pada data testing menunjukkan bahwa Linear Regression memperoleh MAE sebesar 33.974,36, MSE sebesar 1.776.928.446,06, RMSE sebesar 42.153,63, dan R² sebesar 0,3996. Random Forest Regression hasil optimasi memperoleh MAE sebesar 35.800,75, MSE sebesar 2.007.808.705,94, RMSE sebesar 44.808,58, dan R² sebesar 0,3216. Hasil tersebut menunjukkan adanya perbedaan kinerja antara model linear dan model ensemble pada dataset penelitian. Model Random Forest hasil optimasi selanjutnya digunakan untuk menghasilkan prediksi omset empat cabang pada periode 1–8 September 2026. Hasil prediksi memberikan estimasi omset yang bervariasi antarhari dan antarcabang sehingga dapat digunakan sebagai informasi pendukung dalam perencanaan operasional.

Unduhan

 

  • File unduhan

    LAMPIRAN.pdf

    Terakhir download 13 Nov 2026 10:11

    LAMPIRAN

    •   diunduh 1x | Ukuran 1,181,344
  • File unduhan

    BAB III.pdf

    Terakhir download 14 Nov 2026 07:11

    BAB III METODELOGI PENELITIAN

    •   diunduh 0x | Ukuran 414,467
  • File unduhan

    COVER.pdf

    Terakhir download 14 Nov 2026 07:11

    COVER

    •   diunduh 0x | Ukuran 1,470,724
  • File unduhan

    BAB IV.pdf

    Terakhir download 14 Nov 2026 07:11

    BAB IV HASIL DAN PEMBAHASAN

    •   diunduh 0x | Ukuran 1,051,038
  • File unduhan

    BAB V.pdf

    Terakhir download 14 Nov 2026 07:11

    BAB V PENUTUP

    •   diunduh 0x | Ukuran 326,936

REFERENSI

[1]

  1. Probst, M. N. Wright, dan A.-L. Boulesteix, “Hyperparameters and tuning

strategies for random forest,” WIREs Data Min. Knowl. Discov., vol. 9, no. 3,

hal. e1301, 2019, doi: 10.1002/widm.1301.

[2]

  1. C. Montgomery, E. A. Peck, dan G. G. Vining, Introduction to Linear

Regression Analysis, 6th ed. Wiley, 2021.

[3]

  1. Falah, A. T. Jaka, dan N. Q. Nada, “Penerapan Algoritma Regresi Linier

dan Random Forest untuk Memprediksi Penjualan di Uchi Parfume,” J.

Inform. Teknol. dan Sains, vol. 7, no. 3, hal. 1317–1326, 2025, doi:

10.51401/jinteks.v7i3.6464.

[4]

  1. A. Kurniawan, G. Z. Syauqi, M. Safriyanti, F. U. Azmie, dan A. Setiawan,

“Prediksi Pendapatan Penjualan di Indomaret Menggunakan Algoritma

Random Forest Regression,” J. Sist. Inf., vol. 17, no. 2, hal. 93–99, 2025.

[5]

  1. Banerjee dan B. Banerjee, “Effective Retail Promotion Management: Use

of Point of Sales Information Resources,” Vikalpa J. Decis. Makers, vol. 25,

  1. 4, hal. 51–60, 2000, doi: 10.1177/0256090920000406.

[6]

  1. D. Gustiawan, S. Sudarmiatin, dan W. P. Rahayu, “Understanding

Consumer Decisions: Factors Influencing Men’s Choice of Premium

Barbershops in Kediri City,” RISK J. Ris. Bisnis dan Ekon., vol. 5, no. 2,

2024, doi: 10.30737/risk.v5i2.6271.

[7]

  1. Brynjolfsson, L. M. Hitt, dan H. H. Kim, “Strength in Numbers: How Does

Data-Driven Decisionmaking Affect Firm Performance?,” SSRN Electron. J.,

2011, doi: 10.2139/ssrn.1819486.

[8]

  1. Indriastuti dan I. Kartika, “The Impact of Digitalization on MSMEs’

Financial Performance: The Mediating Role of Dynamic Capability,” J.

Econ., vol. 18, no. 2, hal. 240–255, 2022, doi:

10.21831/economia.v18i2.42790.

[9]

  1. James, D. Witten, T. Hastie, dan R. Tibshirani, An Introduction to

Statistical Learning: With Applications in R, 2 ed. New York, NY: Springer,

  1. doi: 10.1007/978-1-0716-1418-1.

[10] T. Hastie, R. Tibshirani, dan J. Friedman, The Elements of Statistical

Learning: Data Mining, Inference, and Prediction, 2 ed. New York, NY:

Springer, 2009. doi: 10.1007/978-0-387-84858-7.

[11] L. Breiman, “Random Forests,” Mach. Learn., vol. 45, no. 1, hal. 5–32, 2001,

doi: 10.1023/A:1010933404324.

[12] A. R. Fadillah, M. N. Fauzan, dan N. S. Fathonah, “Analisis Perbandingan

Linear Regression dan Random Forest Regression untuk Prediksi Batas

Kredit: Pendekatan Optimasi Hyperparameter,” J. Inform. Polinema, vol. 10,

  1. 4, hal. 543–550, 2024.

[13] A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras & 89

TensorFlow, 3 ed. Sebastopol, CA: O’Reilly Media, 2023.

[14] D. Saputra, D. R. Trinadi, D. Agustina, dan Pujianto, “Perbandingan Metode

Random Forest, Linier Regression, SVM untuk Memprediksi Harga Beras

Premium,” in Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB),

  1.  

[15] D. P. Loka, L. Magdalena, dan M. Febima, “Perancangan Sistem Prediksi

Pendapatan BRT Menggunakan Penerapan Hybrid Random Forest dan

LSTM,” J. Jar. Sist. Inf. Robot., vol. 9, no. 2, hal. 60–69, 2025.

[16] B. C. Changa, W. Tjiawie, J. Patrick, J. Thorino, dan D. Sitanggang,

“Comparative Analysis of Linear Regression Algorithms and Random Forest

for Skincare Product Sales Prediction of Skincare Products on the Tokopedia

Marketplace,” J. Teknol. dan Ilmu Komput. Prima, vol. 9, no. 1, 2026.

[17] P. Chapman et al., CRISP-DM 1.0: Step-by-step Data Mining Guide. SPSS,

  1.  

[18] C. J. Willmott dan K. Matsuura, “Advantages of the mean absolute error

(MAE) over the root mean square error (RMSE) in assessing average model

performance,” Clim. Res., vol. 30, hal. 79–82, 2005, doi: 10.3354/cr030079.

[19] J. Han, M. Kamber, dan J. Pei, Data Mining: Concepts and Techniques, 3rd

  1. Morgan Kaufmann, 2012.

[20] F. Pedregosa et al., “Scikit-learn: Machine learning in Python,” J. Mach.

Learn. Res., vol. 12, hal. 2825–2830, 2011.

[21] T. Chai dan R. R. Draxler, “Root mean square error (RMSE) or mean absolute

error (MAE)? - Arguments against avoiding RMSE in the literature,” Geosci.

Model Dev., vol. 7, hal. 1247–1250, 2014, doi: 10.5194/gmd-7-1247-2014.

[22] T. Akiba, S. Sano, T. Yanase, T. Ohta, dan M. Koyama, “Optuna: A Next

generation Hyperparameter Optimization Framework,” in Proceedings of the

25th ACM SIGKDD International Conference on Knowledge Discovery &

Data Mining, 2019, hal. 2623–2631. doi: 10.1145/3292500.3330701.

Cari

Bidang Ilmu

Kategori

Kiriman Terbaru