SETYOWATI, ANANDA (2025) PENGGUNAAN ALGORITMA RANDOM FOREST DAN REGRESI LINIER BERGANDA UNTUK PREDIKSI HARGA DAGING SAPI (STUDI KASUS : Provinsi DKI Jakarta). S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 Cover.pdf Download (1MB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02 Bab 1.pdf Restricted to Registered users only Download (193kB) |
|
|
Text (BAB II)
03 Bab 2.pdf Restricted to Registered users only Download (409kB) |
|
|
Text (BAB III)
04 Bab 3.pdf Restricted to Registered users only Download (307kB) |
|
|
Text (BAB IV)
05 Bab 4.pdf Restricted to Registered users only Download (714kB) |
|
|
Text (BAB V)
06 Bab 5.pdf Restricted to Registered users only Download (230kB) |
|
|
Text (DAFTAR PUSTAKA)
07 Daftar Pustaka.pdf Restricted to Registered users only Download (189kB) |
|
|
Text (LAMPIRAN)
08 Lampiran.pdf Restricted to Registered users only Download (786kB) |
Abstract
The fluctuations in beef prices in DKI Jakarta Province frequently occur due to seasonal factors and the dynamic changes in supply and demand. These price fluctuations highlight the need for the utilization of accurate price prediction technology to support informed decision-making by both the government and business actors. This study aims to predict beef prices for 2025 and 2026 and to compare the performance of two machine learning algorithms, namely Random Forest and Multiple Linear Regression, following the CRISP-DM methodology. The dataset used in this research consists of 48 secondary monthly records covering time, price, supply, and demand for beef from January 2021 to December 2024, obtained from the Food Security, Marine, and Agriculture Agency (DKPKP) of DKI Jakarta Province. After the creation of the Harga_Lag feature, one record became invalid (NaN) and was removed, resulting in 47 records used for modeling. The evaluation results show that Multiple Linear Regression with time-based features yields the best performance, with an RMSE value of 1.22% and an R² of 0.8760. Meanwhile, Random Forest also demonstrates good performance in capturing non-linear patterns but is less stable in the context of this dataset. Therefore, Multiple Linear Regression is selected as the best model in this study, as it provides the highest prediction accuracy among the approaches tested. Keywords : Beef Price, Price Prediction, Random Forest, Multiple Linear Regression, Machine Learning. Fluktuasi harga daging sapi di Provinsi DKI Jakarta sering terjadi karena faktor musiman dan dinamika supply – demand yang berubah – ubah. Fluktuasi harga yang terjadi mendorong perlunya pemanfaatan teknologi prediksi harga yang akurat untuk mendukung keputusan yang tepat, baik oleh pemerintah maupun pelaku usaha. Penelitian ini bertujuan untuk melakukan prediksi harga daging sapi di tahun 2025 dan 2026 mendatang dan untuk membandingkan performa dua algoritma machine learning, yaitu Random Forest dan Regresi Linier Berganda dengan mengikuti tahapan CRISP - DM. Dataset yang digunakan dalam penelitian ini terdiri dari 48 data bulanan sekunder yang mencakup waktu, harga, supply, dan demand daging sapi sejak Januari 2021 hingga Desember 2024, yang diperoleh dari Dinas Ketahanan Pangan, Kelautan, dan Pertanian (DKPKP) Provinsi DKI Jakarta. Setelah proses pembuatan fitur Harga_Lag, satu data menjadi tidak valid (NaN) dan dihapus, sehingga data yang digunakan untuk pemodelan berjumlah 47 data. Hasil evaluasi menunjukkan bahwa Regresi Linier Berganda dengan pendekatan fitur waktu menghasilkan performa yang terbaik dengan nilai RMSE sebesar 1,22% dan R² sebesar 0.8760. Sementara itu, Random Forest juga menunjukkan performa yang baik dalam menangkap pola non – linier, namun kurang stabil dalam konteks dataset ini. Dengan demikian, regresi linier berganda dipilih sebagai model terbaik dalam penelitian ini, karena mampu memberikan nilai prediksi tertinggi dari beberapa pendekatan yang dilakukan oleh model. Kata kunci : Harga Daging Sapi, Prediksi Harga, Random Forest, Regresi Linier Berganda, Machine Learning.
Actions (login required)
 |
View Item |
