ANALISIS PERBANDINGAN ALGORITMA LINEAR REGRESSION DENGAN GLM UNTUK PREDIKSI PENJUALAN PADA UMKM DI APLIKASI PINTER USAHA

HAMDANAH, FITRIA HABIBATUL (2021) ANALISIS PERBANDINGAN ALGORITMA LINEAR REGRESSION DENGAN GLM UNTUK PREDIKSI PENJUALAN PADA UMKM DI APLIKASI PINTER USAHA. S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01. Cover.pdf Download (881kB) | Preview
	Text (BAB I) 02. Bab 1.pdf Restricted to Registered users only Download (214kB)
	Text (BAB II) 03. Bab 2.pdf Restricted to Registered users only Download (231kB)
	Text (BAB III) 04. Bab 3.pdf Restricted to Registered users only Download (43kB)
	Text (BAB IV) 05. Bab 4.pdf Restricted to Registered users only Download (179kB)
	Text (DAFTAR PUSTAKA) 06. Daftar Pustaka.pdf Restricted to Registered users only Download (170kB)
	Text (LAMPIRAN) 07. Lampiran.pdf Restricted to Registered users only Download (704kB)

Abstract

The purpose of this study is to compare the use of the Linear Regression algorithm with the Generalized Linear Model which is implemented on the previously inputted sales data to be able to produce predictions of sales of goods for the following year. At each SME, transaction activities and services to consumers are increasing every day, so that without realizing it, this can accumulate a growing pile of data. The calculation results show that the Linear Regression algorithm with RSME, MSE, MAPE values are 1.983, 3.933, 1.518 while the results of the Generalized Linear Model algorithm with RSME, MSE, MAPE values are 4,827, 23,295, 3,882. Based on the calculation of predictions by the Linear Regression algorithm and General Linear Model it can be ignored that the RSME value in the Linear Regression algorithm is the best calculation because the RSME value is the smallest. Key words: Linear regression,GLM ,RSME Tujuan dari penelitian ini adalah untuk membandingkan penggunaan algoritma Linear Regression dengan Generalized Linear Model yang diimplementasikan pada data penjualan yang sudah diinputkan sebelumnya untuk dapat menghasilkan prediksi penjualan barang untuk tahun berikutnya. Pada setiap UMKM aktivitas transaksi dan pelayanan terhadap konsumen setiap harinya semakin lama semakin meningkat, sehingga tanpa disadari hal ini dapat menimbulkan tumpukan data yang semakin membesar. Hasil perhitungan menunjukkan bahwa algoritma Linear Regression dengan nilai RSME, nilai MSE,MAPE sebesar 1,983, 3,933 ,1,518 sedangkan hasil dari algoritma Generalized Linear Model dengan nilai RSME,MSE,MAPE sebesar 4,827 ,23,295 ,3,882. Berdasarkan perhitungan prediksi oleh algoritma Linear Regression dan Generalized Linear Model dapat disimpulkan bahwa nilai RSME pada algoritma Linear Regression perhitungan paling baik dikarenakan nilai RSME paling kecil. Kata kunci: Linear Regression,GLM,RSME

Item Type:	Thesis (S1)
NIM/NIDN Creators:	41517010019
Uncontrolled Keywords:	Linear Regression,GLM,RSME
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 005 Computer Programmming, Programs, Data/Pemprograman Komputer, Program, Data > 005.5 General Purpose Application Programs/Program Aplikasi dengan Kegunaan Khusus 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 518 Numerical Analysis/Analisis Numerik, Analisa Numerik > 518.1 Algorithms/Algoritma 600 Technology/Teknologi > 650 Management, Public Relations, Business and Auxiliary Service/Manajemen, Hubungan Masyarakat, Bisnis dan Ilmu yang Berkaitan > 658 General Management/Manajemen Umum > 658.01-658.09 [Management of Enterprises of Specific Sizes, Scopes, Forms; Data Processing]/[Pengelolaan Usaha dengan Ukuran, Lingkup, Bentuk Tertentu; Pengolahan Data] > 658.05 Data Processing Computer Applications/Pengolahan Data Aplikasi Komputer
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	Dede Muksin Lubis
Date Deposited:	31 Mar 2023 03:10
Last Modified:	31 Mar 2023 03:10
URI:	http://repository.mercubuana.ac.id/id/eprint/75747

Actions (login required)

View Item