Machine Learning untuk Memprediksi Jumlah Penjualan, Stok dan Jumlah Tanam Hasil Pertanian Hidroponik
DOI:
https://doi.org/10.24002/konstelasi.v4i1.9055Keywords:
penjualan, prediksi, machine learningAbstract
Hidroponik Tilung Farm, usaha budidaya tanaman di Palangka Raya, sering mengalami kesulitan dalam memprediksi data stok, transaksi, dan jumlah tanam yang optimal. Sebelumnya, data ini hanya digunakan untuk melihat hasil penjualan. Penelitian ini bertujuan untuk memprediksi data tersebut dengan akurat menggunakan machine learning. Metode penelitian meliputi pengumpulan data dengan studi pustaka, wawancara, dan observasi. Data stok, transaksi, dan jumlah tanam diolah dengan machine learning menggunakan algoritma regresi linear dan support vector machine. Hasil penelitian menunjukkan bahwa algoritma regresi linear menghasilkan nilai terkecil untuk MSE, MAE, dan MAPE dalam memprediksi data stok, transaksi, dan jumlah tanam. Kesimpulannya, algoritma regresi linear lebih baik dalam memprediksi data tersebut dibandingkan dengan algoritma support vector machine. Penelitian ini membantu Hidroponik Tilung Farm dalam mengelola stok, transaksi, dan jumlah tanam secara optimal, sehingga meningkatkan efisiensi dan keuntungan.
Tilung Farm Hydroponics, a plant cultivation business in Palangka Raya, often experiences difficulties in predicting optimal stock data, transactions, and planting quantities. Previously, this data was only used to view sales results. This research aims to predict this data accurately using machine learning. Research methods include data collection by literature study, interviews, and observation. Stock, transaction, and number of planting data are processed using machine learning using linear regression algorithms and support vector machines. The research results show that the linear regression algorithm produces the smallest values for MSE, MAE, and MAPE in predicting stock, transaction, and number of planting data. In conclusion, the linear regression algorithm is better at predicting this data compared to the support vector machine algorithm. This research helps Tilung Farm Hydroponics in managing stock, transactions and planting quantities optimally, thereby increasing efficiency and profits.
References
Puteri, K., & Silvanie, A. (2020). Machine Learning untuk Model Prediksi Harga Sembako. Jurnal Nasional Informatika, 1(2), 82–94.
Wardana, B. S. (2022). Analisis Peramalan Penjualan Pupuk Organik Cair di Perusahaan Jimmy Hantu Cabang Tenggarong. Prosiding Seminar Nasional Agribisnis, 2(1), 1–5.
Putra, W. J. M. (2022). Analisa Algoritma Regresi Linear dan Decision Tree Dalam Prediksi Penjualan Produk ( Studi Kasus : Lookma Boutique ) Analisa Algoritma Regresi Linear dan Decision Tree Dalam Prediksi Penjualan Produk ( Studi Kasus : Lookma Boutique ). Edukasi Dan Penelitian Informatika.
Ningsih, S., & Dukalang, H. H. (2019). Penerapan Metode Suksesif Interval pada Analsis Regresi Linier Berganda. Jambura Journal of Mathematics, 1(1), 43–53. https://doi.org/10.34312/jjom.v1i1.1742.
Andini, T. D., Arifin, J., . S., Irsyada, A. E., & Indahsari, R. D. (2023). Pelatihan Pemrograman Bahasa Python Pada Jurusan Perangkat Lunak Dan Gim Smkn 12 Malang. Jurnal Pengabdian Masyarakat - Teknologi Digital Indonesia., 2(2), 42. https://doi.org/10.26798/jpm.v2i2.880.
Drajana I.C.R. (2017). Metode Support Vector Machine Dan ForwardSelection Prediksi Pembayaran Pembelian Bahan BakuKopra. ILKOM Jurnal Ilmiah , 9, 116–123.
Lette, E., Zunaidi, M., & Maya, W. R. (2022). Prediksi Penjualan Crude Palm Oil (CPO) Menggunakan Metode Regresi Linear Berganda. Jurnal Sistem Informasi Triguna Dharma (JURSI TGD), 1(3), 128. https://doi.org/10.53513/jursi.v1i3.5106
Lukman Priyambodo, Hanin Latif Fuadi, Naura Nazhifah, Ibrohim Huzaimi, Angga Bagus Prawira, Tasya Enjelika Saputri, Mas Aly Afandi, Eka Setia Nugraha, Agung Wicaksono, & Petrus Kerowe Goran. (2022). Klasifikasi Kematangan Tanaman Hidroponik Pakcoy Menggunakan Metode SVM. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 6(1), 153–160. https://doi.org/10.29207/resti.v6i1.3828
Nur Nafi’iyah, & Rakhmawati, E. (2021). Analisis Regresi Linear Dan Moving Average Dalam Memprediksi Data Penjualan Supermarket. Jurnal Teknologi Informasi Dan Komunikasi, 12(1), 44–50. https://doi.org/10.51903/jtikp.v12i1.230
Prasetyo, S. Y. J., Silvianugroho, S., & Hartomo, K. D. (2019). Penentuan Wilayah Resiko Bencana Kekeringan di Jawa Tengah Menggunakan Machine Learning dan Indeks Vegetasi pada Citra Landsat 8 OLI. Indonesian Journal of Computing and Modeling (ICM), 2(2), 17–24. https://ejournal.uksw.edu/icm/article/view/2952
Sholeh, M., Rachmawati, R. Y., & Cahyo, E. N. (2022). Penerapan Regresi Linear Ganda Untuk Memprediksi Hasil Nilai Kuesioner Mahasiswa Dengan Menggunakan Python. Jurnal Dinamika Informatika, 11(1), 13–24. https://jdi.upy.ac.id/index.php/jdi/article/view/124
Hasibuan, E., Informasi, S., Ilmu, F., Informasi, T., Gunadarma, U., Margonda, J., No, R., Cina, P., & Jawa, D. (2022). Implementasi Machine Learning untuk Prediksi Harga Mobil Bekas dengan Algoritma Regresi Linear berbasis Web. Jurnal Ilmiah Komputasi, 21(4), 595–602. https://doi.org/10.32409/jikstik.21.4.3327.
Pratama, R. R. (2020). Analisis Model Machine Learning Terhadap Pengenalan Aktifitas Manusia. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 19(2), 302–311. https://doi.org/10.30812/matrik.v19i2.688.
Batubara, M., & Saputri, Y. (2023). Proyeksi Minat Beli Konsumen Sayuran Hidroponik Studi Pada Cv Hidro Sinergi Utama. Jurnal Ilmiah Bisnis Dan Ekonomi Asia, 17, 1–19. https://doi.org/10.32812/jibeka.v17i1.369
Yuliadi, Y., Zaen, M. T. A., Rodianto, R., & Tazayyun, M. (2022). Rancang Bangun Galeri UMKM Britama Berbasis E-Commerce. JURIKOM (Jurnal Riset Komputer), 9(3), 715. https://doi.org/10.30865/jurikom.v9i3.4300
