Dyah Ayu Permata Sari (2021) Prediksi Backorder Untuk Pengendalian Persediaan Barang Berbasis Support Vector Machine (SVM) Dan Random Forest (RF). Skripsi thesis, UNIVERSITAS AIRLANGGA.

	Text (COVER) 1. COVER.pdf Download (353kB)
	Text (ABSTRAKI) 2. ABSTRAK.pdf Download (103kB)
	Text (DAFTAR ISI) 3. DAFATR ISI.pdf Download (215kB)
	Text (BAB 1) 4. BAB I.pdf Download (120kB)
	Text (BAB 2) 5. BAB II.pdf Restricted to Registered users only until 28 June 2024. Download (533kB) | Request a copy
	Text (BAB 3) 6. BAB III .pdf Restricted to Registered users only until 28 June 2024. Download (187kB) | Request a copy
	Text (BAB 5) 8. BAB V.pdf Restricted to Registered users only until 28 June 2024. Download (103kB) | Request a copy
	Text (BAB 4) 7. BAB IV.pdf Restricted to Registered users only until 28 June 2024. Download (732kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9. DaftarPustaka.pdf Download (103kB)
	Text (LAMPIRAN) 10. Lampiran.pdf Restricted to Registered users only until 28 June 2024. Download (528kB) | Request a copy
	Text (KESEDIAAN PUBLIKASI) KKC KK ST.SI.24-21-kesediaan (Dyah Ayu Permata Sari_081711633024) - dyah ayu.pdf Restricted to Registered users only until 28 June 2024. Download (297kB) | Request a copy

Abstract

pengendalian persediaan. Pada penelitian ini dilakukan klasifikasi untuk prediksi backorder dengan dua keputusan, yaitu ‘iya’ untuk melakukan backorder dan ‘tidak’ untuk tidak melakukan backorder, berbasis Support Vector Machine (SVM) dan Random Forest (RF) sebagai upaya pengendalian persedian barang. Data yang digunakan merupakan data publik dari situs Kaggle dengan judul ‘Transaction Data with Back-order’. Pada data tersebut ditemukan cukup banyak permasalahan data, sehingga dilakukan serangkaian proses pengolahan awal data, seperti penerapan metode Random Under-sampling untuk menyeimbangkan data, Interquartile Range Method untuk deteksi pencilan data, Robust Scaler untuk normalisasi data dan Principal Component Analysis untuk reduksi atribut data. Pembagian data pelatihan dan pengujian menggunakan K-Fold Cross Validation dan evaluasi klasifikasi yang menghasilkan Confusion Matrix untuk mendapatkan overall accuracy. Overall accuracy yang didapat menunjukan peforma RF lebih baik dibandingkan SVM pada kasus data penelitian ini. Nilai akurasi tertinggi didapatkan dari model data atribut lengkap tanpa outliers dengan metode Random Forest sebesar 90%, sedangkan nilai akurasi terendah didapatkan dari model data atribut hasil reduksi metode PCA dengan outliers menggunakan metode SVM sebesar 68,6%.

Actions (login required)

View Item