Perbandingan Model Random Forest dan Linear Regresion Untuk Memprediksi Harga Nikel
DOI:
https://doi.org/10.47701/7gesbr86Keywords:
Data Mining, Random Forest, Linear regression, Orange, Harga Nikel, Machine LearningAbstract
Prediksi harga nikel menjadi perhatian penting dalam sektor industri dan investasi karena volatilitasnya yang tinggi dan perannya yang strategis dalam produksi baterai dan baja tahan karat. Penelitian ini bertujuan untuk membandingkan performa dua model machine learning, yaitu Random Forest Regressor dan Linear Regression, dalam memprediksi harga nikel menggunakan perangkat lunak Orange. Data historis harga nikel akan dianalisis dan dievaluasi berdasarkan metrik seperti Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan koefisien determinasi (R²). Diharapkan penelitian ini dapat mengidentifikasi model prediksi yang paling optimal dan memberikan kontribusi terhadap pengambilan keputusan strategis dalam industry.
References
[1] Hozairi, H., Anwari, A., & Alim, S. (2021). Implementasi Orange Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Dengan Model K-Nearest Neighbor, Decision Tree Serta Naive Bayes. Netw. Eng. Res. Oper, 6(2), 133.
[2] Indriyanti, I., Ichsan, N., Fatah, H., Wahyuni, T., & Ermawati, E. (2022). Implementasi Orange Data Mining Untuk Prediksi Harga Bitcoin. Jurnal Responsif: Riset Sains dan Informatika, 4(2), 118- 125.
[3] Duran, P. A., Vitianingsih, A. V., Riza, M. S., Maukar, A. L., & Wati, S. F. A. (2024). Data Mining Untuk Prediksi Penjualan Menggunakan Metode Simple Linear Regression. Teknika, 13(1), 27-34.
[4] resnu Maulana, A. (2024). PERBANDINGAN METODE FTS LEE DAN FTS SAXENA EASO PADA PREDIKSI HARGA
NIKEL. Jurnal Informatika dan Teknik Elektro Terapan, 12(2).
[5] Khalim, K. A., Hayati, U., & Bahtiar, A. (2023). Perbandingan Prediksi Penyakit Hipertensi Menggunakan Metode Random Forest Dan Naïve Bayes. JATI (Jurnal Mahasiswa Teknik Informatika), 7(1), 498-504.
[6] Muharrom, M. (2023). Analisis Penggunaan Orange Data Mining untuk Prediksi Harga USDT/BIDR Binance. Bulletin of Information Technology (BIT), 4(2), 178-184.
[7] Ramdhani, F., & Setiawan, K. (2024). Penerapan Data Mining untuk Prediksi Pelanggan di PT. XYZ Menggunakan Algoritma Linear Regression: Application of Data Mining for Customer Prediction at PT. XYZ Using Linear Regression Algorithm. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(2), 490-497.
[8] Fitri, E. (2023). Analisis Perbandingan Metode Regresi Linier, Random Forest Regression dan Gradient Boosted Trees Regression Method untuk Prediksi Harga Rumah. Journal of Applied Computer Science and Technology, 4(1), 58-64.
[9] Surbakti, N. K. (2021). Data Mining Pengelompokan Pasien Rawat Inap Peserta BPJS Menggunakan Metode Clustering (Studi Kasus: RSU. Bangkatan). Journal of Information and Technology, 1(2), 47-53.
[10] Mahena, Y., Rusli, M., & Winarso, E. (2015). Prediksi Harga Emas Dunia Sebagai Pendukung Keputusan Investasi Saham Emas Menggunakan Teknik Data Mining. Kalbiscentia J. Sains dan Teknol, 2(1), 36-51.
[11] Handoko, A. C., & Hendry, H. (2023). Perbandingan Metode Supervised Learning Untuk Prediksi Diabetes Gestasional Dengan Software Orange. JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 8(4), 1238-1247.
[12] Pranadjaya, E., Pangestu, E. S., Sereati, C. O., Octaviani, S., & Darmawan, M. (2024). Perbandingan Algoritma Machine Learning menggunakan Orange Data Mining untuk Klasifikasi Jenis Kendaraan pada Sistem Tilang Digital. Jurnal Elektro, 17(1), 41-47.
