PERBANDINGAN PREDIKSI TERHADAP PENINGKATAN JUMLAH PELANGGAN PT XYZ DENGAN ALGORITMA REGRESI LINEAR DAN RANDOM FOREST PADA WILAYAH JABODETABEK DAN BANTEN

RAMELAN, FITRAH AMELIA (2025) PERBANDINGAN PREDIKSI TERHADAP PENINGKATAN JUMLAH PELANGGAN PT XYZ DENGAN ALGORITMA REGRESI LINEAR DAN RANDOM FOREST PADA WILAYAH JABODETABEK DAN BANTEN. S1 thesis, Universitas Mercu Buana Jakarta.

Text (41520120006 FITRAH AMELIA RAMELAN) TALK+41520120006+FITRAH AMELIA RAMELAN.pdf Restricted to Registered users only Download (1MB)

Abstract

This study compares the linear regression and random forest algorithms in predicting the number of PT XYZ service customers in the Jabodetabek and Banten regions. The dataset comprises two years of sales data processed through filtering, cleaning, and labeling. Evaluation metrics include MAE, MAPE, and RMSE. The results show that linear regression performs better in predicting customer numbers, achieving MAE 369.85, MAPE 8.80%, and RMSE 388.89, compared to random forest with MAE 679.37, MAPE 16.95%, and RMSE 794.26. Conversely, random forest outperforms linear regression in bandwidth prediction (MAE 733.80, MAPE 26.61%, RMSE 860.20) and regional prediction (MAE 25607.49, MAPE 23.42%, RMSE 38177.12), as linear regression produces higher errors. The findings highlight the importance of selecting algorithms based on data characteristics and application needs. This research provides strategic insights for developing datadriven customer service solutions. Keywords : MAE (Mean Absolute Error); MAPE (Mean Absolute Percentage Error); RMSE (Root Mean Square Error); Linear Regression; Random Forest Penelitian ini membandingkan algoritma regresi linear dan random forest dalam memprediksi jumlah pelanggan layanan PT XYZ di Jabodetabek dan Banten. Dataset terdiri dari data penjualan dua tahun terakhir yang melalui proses filterisasi, pembersihan, dan pelabelan. Evaluasi dilakukan menggunakan MAE, MAPE, dan RMSE. Hasil menunjukkan regresi linear lebih baik untuk memprediksi jumlah pelanggan dengan MAE 369.85, MAPE 8.80%, dan RMSE 388.89, dibandingkan random forest (MAE 679.37, MAPE 16.95%, RMSE 794.26). Sebaliknya, random forest unggul dalam prediksi bandwidth (MAE 733.80, MAPE 26.61%, RMSE 860.20) dan wilayah (MAE 25607.49, MAPE 23.42%, RMSE 38177.12), dibandingkan regresi linear yang menghasilkan kesalahan lebih besar. Kesimpulan menekankan pentingnya memilih algoritma berdasarkan jenis data dan kebutuhan aplikasi. Penelitian ini memberikan wawasan strategis untuk pengembangan layanan pelanggan berbasis data. Kata Kunci : MAE (Mean Absolute Error); MAPE (Mean Absolute Percentage Error); RMSE (Root Mean Square Error); Regresi Linear; Random Forest

Item Type:	Thesis (S1)
Call Number CD:	FIK/INFO. 25 073
NIM/NIDN Creators:	41520120006
Uncontrolled Keywords:	MAE (Mean Absolute Error); MAPE (Mean Absolute Percentage Error); RMSE (Root Mean Square Error); Regresi Linear; Random Forest
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 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 > 003 Systems/Sistem-sistem > 003.7 Kinds of Systems/Macam-macam Sistem > 003.74 Linear Systems/Sistem Linear 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 518 Numerical Analysis/Analisis Numerik, Analisa Numerik > 518.1 Algorithms/Algoritma
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	khalimah
Date Deposited:	23 Jul 2025 08:08
Last Modified:	23 Jul 2025 08:08
URI:	http://repository.mercubuana.ac.id/id/eprint/96212

Actions (login required)

View Item