ISTNISTN

https://ejournal.istn.ac.id/index.php/sainstechhttps://ejournal.istn.ac.id/index.php/sainstech

Perkembangan teknologi ponsel yang pesat menyebabkan meningkatnya variasi spesifikasi dan harga di pasar, sehingga menimbulkan tantangan dalam menentukan harga yang sesuai untuk perangkat baru maupun bekas. Penelitian ini bertujuan untuk membangun model prediksi harga ponsel menggunakan algoritma supervised learning. Beberapa fitur utama yang digunakan meliputi spesifikasi teknis seperti kapasitas RAM, penyimpanan internal, ukuran layar, resolusi kamera, dan jenis prosesor. Metodologi yang diterapkan mencakup eksplorasi data, pra-pemrosesan, serta pelatihan dan evaluasi model menggunakan algoritma regresi linier, decision tree, dan random forest. Evaluasi performa dilakukan menggunakan metrik seperti Mean Absolute Error (MAE), Mean Squared Error (MSE), dan R² Score. Percobaan ini menggunakan data yang diunduh dari Kaggle yang berisi 145 harga dan fitur ponsel. Ditemukan bahwa algoritma regresi linier dan hutan acak dapat memberikan prediksi yang relatif baik untuk ponsel dengan skor MAPE di bawah 10% dan skor R2 di atas 95%. Metode hutan acak memprediksi harga sedikit lebih baik daripada regresi linier. Model random forest memberikan performa terbaik dalam memprediksi harga ponsel dengan tingkat akurasi yang tinggi. Temuan ini dapat dimanfaatkan oleh pelaku industri, penjual, maupun konsumen untuk menentukan harga pasar secara lebih objektif dan efisien.

Berdasarkan hasil penelitian, dapat disimpulkan bahwa dari regresi linier variabel tunggal maupun variabel jamak, resolusi dan bobot tidak berhubungan secara signifikan terhadap Harga.Kedua metode prediksi yang digunakan untuk memprediksi harga ponsel, yaitu Random Forest Regression dan Linear Regression, dapat memberikan nilai error yang baik dengan nilai MAPE di bawah 10% dan nilai R2 di atas 94%.Model Random Forest Regression memberikan hasil prediksi yang lebih baik dengan nilai R2 sebesar 95,53%, nilai MAPE sebesar 6,1%, dan nilai RMSE sebesar 148.Untuk penelitian selanjutnya, sebaiknya menambah sumber data tambahan dan mencoba metode supervised learning yang berbeda.

Saran penelitian lanjutan dapat difokuskan pada pengembangan model prediksi harga ponsel yang lebih akurat dengan mempertimbangkan faktor-faktor tambahan seperti tren pasar, preferensi konsumen, dan strategi pemasaran. Selain itu, penelitian dapat dilakukan untuk mengidentifikasi fitur-fitur spesifik yang paling berpengaruh terhadap harga ponsel, sehingga dapat membantu dalam pengembangan model prediksi yang lebih efisien dan akurat. Terakhir, penelitian dapat dilakukan untuk mengeksplorasi penggunaan algoritma supervised learning yang lebih canggih, seperti gradient boosting, untuk meningkatkan performa model prediksi harga ponsel.

  1. Amazon EC2 Spot Price Prediction Using Regression Random Forests | IEEE Journals & Magazine | IEEE... ieeexplore.ieee.org/document/8166810Amazon EC2 Spot Price Prediction Using Regression Random Forests IEEE Journals Magazine IEEE ieeexplore ieee document 8166810
  2. - L39321081219: International Journal Of Innovative Technology And Exploring Engineering (IJITEE). l39321081219... ijitee.org/portfolio-item/L39321081219L39321081219 International Journal Of Innovative Technology And Exploring Engineering IJITEE l39321081219 ijitee portfolio item L39321081219
Read online
File size648.75 KB
Pages7
DMCAReport

Related /

ads-block-test