RIANDO, DHAFIN (2024) IMPLEMENTASI XGBOOST UNTUK ANALISIS DAN PREDIKSI HARGA CABAI RAWIT (STUDI KASUS: PROVINSI DKI JAKARTA). S1 thesis, Universitas Mercu Buana Jakarta.
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (LK)
LK+41520010051+Dhafin Riando.pdf Restricted to Registered users only Download (1MB) |
Abstract
This research focuses on applying the XGBoost algorithm to analyze and predict cayenne pepper prices. The main aim is to exploit XGBoost's exceptional capability to manage large datasets and discern intricate patterns for precise price forecasting. The dataset comprises historical cayenne pepper price data, along with pertinent economic and climatic factors. The XGBoost model was developed and validated on this dataset, with its performance assessed using metrics. The results indicated a high level of accuracy, achieving an R² score of 99% on the training set and 92% on the test set, reflecting a strong alignment between predicted and actual prices. Moreover, the model attained an average cross-validation score of 96%, reinforcing its robustness and reliability. These findings highlight XGBoost's efficacy in agricultural price prediction, offering stakeholders a potent tool for data-driven decision-making. This study enriches the literature on machine learning applications in agriculture and emphasizes XGBoost's potential to enhance predictive accuracy and operational efficiency. Keyword: XGBoost Algorithm, Price Prediction, Cayenne Pepper, Agricultural Markets, Predictive Analytics Penelitian ini berfokus pada penerapan algoritma XGBoost untuk menganalisis dan memprediksi harga cabai rawit. Tujuan utamanya adalah memanfaatkan kemampuan luar biasa XGBoost dalam mengelola dataset besar dan mengenali pola rumit untuk perkiraan harga yang tepat. Datasetnya terdiri dari data historis harga cabai rawit, beserta faktor ekonomi dan iklim yang relevan. Model XGBoost dikembangkan dan divalidasi pada dataset ini, dengan kinerjanya dinilai menggunakan metrik. Hasilnya menunjukkan tingkat akurasi yang tinggi, mencapai skor R² sebesar 99% pada set pelatihan dan 92% pada set pengujian, yang mencerminkan keselarasan yang kuat antara harga yang diprediksi dan aktual. Selain itu, model ini mencapai skor rata-rata cross-validation sebesar 96%, yang memperkuat kekuatan dan keandalannya. Temuan ini menyoroti efektivitas XGBoost dalam prediksi harga pertanian, menawarkan para pemangku kepentingan alat yang kuat untuk pengambilan viieputusan berbasis data. Studi ini memperkaya literatur tentang aplikasi pembelajaran mesin di bidang pertanian dan menekankan potensi XGBoost untuk meningkatkan akurasi prediktif dan efisiensi operasional. Kata kunci: Algoritma XGBoost, Prediksi Harga, Cabai Rawit, Pasar Pertanian, Analitik Prediktif,
Actions (login required)
 |
View Item |
