ANALISIS PENENTUAN HARGA JUAL DENGAN ALGORITMA GRADIENT BOOSTING DI TOKO PASAR TRADISIONAL

Novianto, Bagas Dwi (2025) ANALISIS PENENTUAN HARGA JUAL DENGAN ALGORITMA GRADIENT BOOSTING DI TOKO PASAR TRADISIONAL. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text 23.55.2509 - Bagas Dwi Novianto.pdf Download (3MB)

Abstract

Penelitian ini bertujuan untuk menerapkan dan membandingkan algoritma Gradient Boosting dan XGBoost dalam menentukan harga jual optimal di toko pasar tradisional. Dalam penelitian ini digunakan dua skenario data, yaitu dataset skala besar yang terdiri dari data penjualan tahun 2024 dan dataset kecil yang terdiri dari data penjualan selama satu bulan di tahun yang sama. Penelitian ini memanfaatkan algoritma Gradient Boosting dan XGBoost untuk membangun model prediksi dalam penentuan harga jual yang optimal, dimana proses pelatihan model dilakukan melalui optimasi hyperparameter menggunakan GridSearchCV dan evaluasi kinerja menggunakan metrik regresi seperti R² dan MAPE. Selain itu, dilakukan pula analisis interpretabilitas model menggunakan feature importance dan SHAP (SHaple Additive Explanations) untuk mengidentifikasi faktor-faktor utama yang mempengaruhi harga jual. Hasil penelitian menunjukkan bahwa kedua algoritma memiliki kinerja prediksi yang sangat baik dengan nilai R² mencapai 0.9999 dan MAPE dibawah 2% pada semua skenario pengujian. Pada dataset besar, Gradient Boosting lebih unggul dengan nilai MAPE lebih rendah dibandingkan XGBoost, sedangkan pada dataset kecil XGBoost menunjukkan kinerja yang lebih baik karena mekanisme regularisasi yang mampu mencegah overfitting. Analisis feature importance dan SHAP mengidentifikasi bahwa harga beli, harga kompetitor 1, dan harga kompetitor 2 merupakan variabel yang paling berpengaruh dalam prediksi harga jual. Temuan ini dapat dimanfaatkan sebagai dasar dalam pengembangan sistem pendukung keputusan penentuan harga jual berbasis data di pasar tradisional, guna meningkatkan efisiensi, akurasi, dan objektivitas dalam proses penetapan harga.

Actions (login required)

View Item