ANALISIS PREDIKSI HARGA SMARTPHONE TAHUN 2023 MENGGUNAKAN MODEL RANDOM FOREST REGRESSION BERDASARKAN FITUR-FITUR SPESIFIKASI TEKNIS

Putu Satya Saputra, S.TI., M.Kom., I Putu Gede Abdi Sudiatmika

Abstract


Penelitian ini bertujuan untuk menganalisis dan memprediksi harga smartphone tahun 2023 menggunakan model Random Forest Regression berdasarkan fitur-fitur spesifikasi teknis. Dataset yang digunakan berasal dari https://www.kaggle.com/datasets/howisusmanali/mobile-prices-2023, dengan jumlah data sebanyak 1837 dan 10 variabel, antara lain Phone Name, Rating ?/5, Number of Ratings, RAM, ROM/Storage, Back/Rare Camera, Front Camera, Battery, Processor, dan Price in INR. Tahap pertama adalah proses data collecting, diikuti dengan pembersihan data (data cleaning) dengan menghapus variabel yang tidak relevan, seperti Phone Name. Selanjutnya, dilakukan tahap data processing, di mana dataset dibagi menjadi data latih (90%) dan data uji (10%), kemudian dilakukan normalisasi dan standarisasi data. Hasil dari model Random Forest Regression yang dibangun menunjukkan Mean Squared Error (MSE) sebesar 9322848,510354057 dan R-squared sebesar 0.9546596207605785. Hasil evaluasi tersebut menunjukkan bahwa model memiliki tingkat akurasi yang tinggi dalam memprediksi harga smartphone berdasarkan fitur-fitur spesifikasi teknisnya.


Full Text:

PDF

References


HAQUE-FAWZI, M.G., 2022. Strategi Pemasaran. Tangerang Selatan: Pascal Books.

CHANG HARTONO, P. AND DWIYOGA WIDIANTORO, A., 2024. Analisis Prediksi Harga Saham Unilever Menggunakan Regresi Linier Dengan RapidMiner. [online] Available at: https://journal-computing.org/index.php/journal-cisa/index [Accessed 18 Jan. 2025].

RAMADHANSYAH, D.S., 2022. Perbandingan Metode Seleksi Fitur Filter.

RELIGIA, Y., NUGROHO, A. AND HADIKRISTANTO, W., 2021. Klasifikasi Analisis Perbandingan Algoritma Optimasi Pada Random Forest Untuk Klasifikasi Data Bank Marketing. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(1), pp.187–192. doi:10.29207/resti.v5i1.2813.

MUSTAFA, W.F., HIDAYAT, S. AND FUDHOLI, D.H., 2024. Prediksi Retensi Pengguna Baru Shopee Menggunakan Machine Learning. Jurnal Media Informatika Budidarma, 8(1), p.612. doi:10.30865/mib.v8i1.7074.

RAHARJA, A.R., PRAMUDIANTO, A. and MUCHSAM, Y., n.d. Penerapan Algoritma Decision Tree Dalam Klasifikasi Data ‘Framingham’ Untuk Menunjukkan Risiko Seseorang Terkena Penyakit Jantung Dalam 10 Tahun Mendatang.

Anam, M.K. and Jakaria, D.A., 2023. Sistem Prediksi Harga Kripto Dengan Metode Regresi. Jurnal MDP, 10(2), pp.467–479. [online] Available at: http://jurnal.mdp.ac.id [Accessed 18 Jan. 2025].

NOOR, A., 2018. Perbandingan Algoritma Support Vector Machine Biasa Dan Support Vector Machine Berbasis Particle Swarm Optimization Untuk Prediksi Gempa Bumi.

AZMI, U., HADI, Z.N. and SORAYA, S., 2020. ARDL Method: Forecasting Data Curah Hujan Harian NTB. Jurnal Varian, 3(2), pp.73–82. doi:10.30812/varian.v3i2.627.

ROSITA, Y.D. and MOONLIGHT, L.S., 2024. Perbandingan Metode Prediksi Untuk Nilai Jual USD: Holt-Winters, Holt’s, Dan Single Exponential Smoothing. Jurnal Teknologi Informasi Dan Multimedia, 5(4), pp.322–333. doi:10.35746/jtim.v5i4.473..


Refbacks

  • There are currently no refbacks.


Published By:

PRODI TEKNOLOGI INFORMASI
FAKULTAS TEKNIK
UNIVERSITAS PANJI SAKTI

Creative Commons License

Komteks is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.