PERBANDINGAN KINERJA ALGORITMA MACHINE LEARNING DALAM MEMPREDIKSI PENJUALAN ALAT MEDIS PADA INDUSTRI KESEHATAN STUDI KASUS PT JOHNSON AND JOHNSON

LAZUARDI ARISADEWO, . (2024) PERBANDINGAN KINERJA ALGORITMA MACHINE LEARNING DALAM MEMPREDIKSI PENJUALAN ALAT MEDIS PADA INDUSTRI KESEHATAN STUDI KASUS PT JOHNSON AND JOHNSON. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text File 1 (Pembukaan).pdf Download (643kB)
	Text File 2 (BAB I).pdf Restricted to Registered users only Download (230kB) | Request a copy
	Text File 3 (BAB II).pdf Restricted to Registered users only Download (386kB) | Request a copy
	Text File 4 (BAB III).pdf Restricted to Registered users only Download (284kB) | Request a copy
	Text File 5 (BAB IV).pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text File 6 (BAB V).pdf Restricted to Registered users only Download (133kB) | Request a copy
	Text File 8 (Daftar Pustaka).pdf Download (260kB)
	Text File 9 (Lampiran dan Riwayat Hidup).pdf Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Penelitian ini mengkaji efektivitas berbagai algoritma machine learning—yakni K-Nearest Neighbors (KNN), Gradient Boosting, dan Random Forest—dalam meramalkan penjualan di sektor kesehatan. Penelitian ini menggunakan klasterisasi K-Means dan penyetelan parameter untuk meningkatkan akurasi prediksi. Hasil penelitian menunjukkan bahwa algoritma KNN mengungguli yang lain karena kesederhanaannya dan kemampuannya menangani distribusi data yang kompleks tanpa membuat asumsi tentang distribusi data. Temuan ini memberikan rekomendasi praktis bagi perusahaan kesehatan untuk meningkatkan akurasi prediksi penjualan mereka dengan mengoptimalkan parameter KNN dan menggunakan teknik klasterisasi untuk segmentasi data yang lebih baik. Wawasan ini bertujuan membantu perusahaan dalam memperbaiki perencanaan inventaris dan strategi pemasaran, sehingga meningkatkan efisiensi operasional dan daya saing pasar. ***** This research explores the efficacy of various machine learning algorithms—namely K-Nearest Neighbors (KNN), Gradient Boosting, and Random Forest—in forecasting sales within the healthcare sector. The study employs K-Means clustering and hyperparameter tuning to enhance prediction accuracy. The research indicates that the KNN algorithm outperforms the others due to its simplicity and ability to handle complex data distributions without making assumptions about data distribution. The findings suggest practical recommendations for healthcare companies to improve their sales prediction accuracy by optimizing KNN parameters and utilizing clustering techniques for better data segmentation. These insights aim to assist companies in refining inventory planning and marketing strategies, thereby enhancing operational efficiency and market competitiveness.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Irma Permata Sari, M.Eng ; 2). Murien Nugraheni, ST.,M.Cs.
Subjects:	Teknologi dan Ilmu Terapan > Teknik Komputer
Divisions:	FT > S1 Sistem dan Teknologi Informasi
Depositing User:	Users 23811 not found.
Date Deposited:	31 Jul 2024 23:16
Last Modified:	31 Jul 2024 23:16
URI:	http://repository.unj.ac.id/id/eprint/46842

Actions (login required)

View Item