@phdthesis{universitasamikomyogyakarta32127,
           month = {January},
           title = {ANALISIS PENJUALAN PRODUK PAKAN HEWAN DI
PETSHOP MENGGUNAKAN RANDOM FOREST DAN 
LINEAR REGRESSION DENGAN HYPERPARAMETER
TUNING},
          school = {Universitas AMIKOM Yogyakarta},
            year = {2026},
          author = {Bagas Krisnanda Baharsyah},
             url = {https://eprints.amikom.ac.id/id/eprint/32127/},
        keywords = {Prediksi Penjualan, Machine Learning, Random Forest, Linear
Regression, Hyperparameter Tuning, Sales Prediction,},
        abstract = {Pertumbuhan industri pakan hewan di Yogyakarta yang pesat menimbulkan 
tantangan bagi pelaku usaha petshop, seperti Seana Petshop \& Petcare, dalam
mengelola stok produk akibat fluktuasi permintaan yang dinamis. Pengelolaan yang
selama ini masih mengandalkan intuisi pemilik berisiko menyebabkan
ketidakseimbangan stok yang berdampak pada inefisiensi operasional dan potensi
kerugian finansial. Penelitian ini bertujuan untuk membangun model prediksi
penjualan yang akurat dengan membandingkan algoritma Random Forest dan
Linear Regression. Tahapan penelitian diawali dengan pengumpulan 11.883 data
transaksi, dilanjutkan dengan preprocessing data yang meliputi seleksi fitur,
penanganan missing values, serta Standard Scaling. Untuk meningkatkan performa
model, dilakukan optimasi menggunakan metode Hyperparameter Tuning dengan
Grid Search pada algoritma Random Forest. Hasil penelitian menunjukkan bahwa
algoritma Random Forest memiliki performa yang jauh lebih unggul dibandingkan
Linear Regression. Hal ini dibuktikan dengan perolehan nilai koefisien determinasi
(R
2
) sebesar 0,9917 dan Mean Absolute Error (MAE) sebesar Rp164,19, sementara 
Linear Regression hanya mencapai R
2
 sebesar 0,8385 dengan MAE Rp3.635,34. 
Tingginya akurasi Random Forest menunjukkan kemampuannya dalam
menangkap pola hubungan non-linear antar variabel penjualan secara stabil. Hasil
penelitian ini dapat dimanfaatkan oleh pengelola petshop sebagai dasar
pengambilan keputusan strategis dalam perencanaan stok dan manajemen inventori
yang lebih efisien. Penelitian lebih lanjut direkomendasikan untuk menambahkan
variabel eksternal seperti data promosi atau tren musiman guna meningkatkan
cakupan prediksi model.}
}