METODE REGRESI LINEAR SEDERHANA UNTUK PREDIKSI …
Transcript of METODE REGRESI LINEAR SEDERHANA UNTUK PREDIKSI …
METODE REGRESI LINEAR SEDERHANA UNTUK PREDIKSI HARGA
UBI KAYU DI CV HARUM MEKAR
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Informatika
Oleh:
Mahendra Aulia Rahman
175314092
PROGRAM STUDI INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2021
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
SIMPLE LINEAR REGRESSION METHOD FOR PRICE PREDICTION
OF A CASSAVA IN CV HARUM MEKAR
THESIS
Present as Partial Fullfillment of The Requirements
To Obtain The Degree of Sarjana Komputer
In Informatics Study Program
By:
Mahendra Aulia Rahman
175314092
INFORMATICS STUDY PROGRAM
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2021
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
HALAMAN PERSEMBAHAN
“Apapun itu harus dilakukan dengan sungguh-sungguh dan penuh semangat.
Karena hasil akan mengikutinya”
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
ABSTRAK
Ubi kayu merupakan sumber bahan pangan yang memiliki peran penting
dalam menopang ketahanan pangan. Bahan pangan ubi kayu dapat dimanfaatkan
sebagai bahan produksi tepung tapioka. Bertambahnya kebutuhan ubi kayu terus
meningkat bersamaan banyak perusahaan industri membutuhkan ubi kayu untuk
diolah menjadi tepung tapioka. Berdasarkan catatan dari Kementerian
Perindustrian, harga ubi kayu terkini di pasaran cukup fluktuatif dan bisa
mengalami perubahan sewaktu – waktu tanpa pemberitahuan sebelumnya. Hal
tersebut disebabkan karena hasil panen ubi kayu meningkat dengan diimbangi
perusahan industri ubi kayu yang tidak dapat menjual olahan tepung tapioka
dalam jumlah yang banyak dan perkembangan ekonomi juga sedang menurun.
Dilakukan penelitian untuk memprediksi harga ubi kayu pada CV Harum Mekar.
Data yang digunakan berupa curah hujan dan harga ubi kayu tahun 2019 dan
diselesaikan menggunakan metode Regresi Linear Sederhana. Dataset dibagi
menjadi data training dan testing, kemudian masing – masing data training dan
data testing dimasukkan ke dalam model Regresi Linear Sederhana. Setelah hasil
prediksi sudah diperoleh, selanjutnya menghitung presentase error
menggunakan Mean Absolute Percentage Error (MAPE). Hasil akhir dari
penelitian ini berupa presentase error pada model. Presentase error terendah
yang dihasilkan menggunakan Mean Absolute Percentage Error (MAPE)
diperoleh sebesar 6.897 %. Hasil nilai MAPE tersebut mengindikasikan bahwa
model yang digunakan masuk kategori sangat akurat.
Kata Kunci : Prediksi, Ubi Kayu, Regresi Linear Sederhana, Mean Absolute
Percentage Error (MAPE)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
ABSTRACT
Cassava is a source of food that has an important role in supporting food security.
Cassava can be used as an ingredient in tapioca flour production. The increasing
demand for cassava continues to increase along with many industrial companies
requiring cassava to be processed into tapioca flour. Based on records from the
Ministry of Industry, the current price of cassava on the market is quite volatile and
can change at any time without prior notification. This is due to the increase in
cassava yields, offset by cassava industrial companies which are unable to sell
processed tapioca flour in large quantities and economic development is also
declining. A study was conducted to predict the price of cassava at CV Harum
Mekar. The data used in the form of rainfall and cassava prices in 2019 and resolved
using the Simple Linear Regression method. The dataset is divided into training and
testing data, then each training and testing data is entered into a Simple Linear
Regression model. After the prediction results have been obtained, the next step is
to calculate the error percentage using Mean Absolute Percentage Error (MAPE).
The final result of this research is the error percentage in the model. The lowest
percentage of error generated using the Mean Absolute Percentage Error (MAPE)
was obtained at 6.897%. The results of the MAPE value indicate that the model
used is in the very accurate category.
Keywords: Prediction, Cassava, Simple Linear Regression, Mean Absolute
Percentage Error (MAPE)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Allah SWT yang telah melimpahkan
rahmat dan hidayah-Nya kepada penulis, sehingga Alhamdulillah skripsi berjudul
“Metode Regresi Linear Sederhana Untuk Prediksi Harga Ubi Kayu Di CV
Harum Mekar” dapat terselesaikan. Skripsi merupakan tugas akhir yang diajukan
untuk memenuhi syarat memperoleh gelar Sarjana Komputer pada Fakultas Sains
dan Teknologi Universitas Sanata Dharma.
Dalam penyelesaian skripsi ini, penulis mengucapkan terima kasih kepada
seluruh pihak yang telah memberikan bimbingan, dukungan, semangat, serta doa
yang selalu dipanjatkan untuk kelancaran penulis dalam menyelesaikan skripsi ini.
Ucapan terima kasih penulis sampaikan kepada:
1. Kedua orang tua, Bapak Maimun Ma’ruf dan Ibu Sri Murni Hatiningsih
yang memberikan doa, perhatian, semangat dan dukungan baik secara moral
maupun material bagi penulis.
2. Kakak Ainun Najib yang selalu memberikan doa, perhatian dan dukungan
kepada penulis.
3. Bapak Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D. selaku Dekan Fakultas
Sains dan Teknologi Universitas Sanata Dharma.
4. Bapak Robertus Adi Nugroho, S.T., M.Eng. selaku ketua program Studi
Informatika Universitas Sanata Dharma.
5. Ibu Dr. Ridowati Gunawan, S.Kom., M.T. selaku dosen pembimbing skripsi
yang dengan sabar memberikan bimbingan dan pengarahan yang terbaik
dalam pengerjaan skripsi.
6. Ria Febri Ariyanti yang selalu menemani saat mengerjakan skripsi,
memberikan saran dan motivasi selama proses pengerjaan skripsi.
7. Danur, Erlyn, Holy, Tomo, Rama, Aldy yang selalu menghibur dan
memberi semangat penulis dalam mengerjakan skripsi.
8. Teman – teman kontrakan terutama Mas Aufa dan Mas Puja yang selalu
menemani dan menghibur penulis selama pengerjaan skripsi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
9. Teman – teman 5cm yang selalu mendoakan dan memberi semangat penulis
terutama Elvira, Atiqoh, Ema, Faishal, Ahza.
10. Rekan – rekan mahasiswa Teknik Informatika angkatan 2017 yang selalu
menyemangati dan memotivasi penulis serta berjuang bersama untuk
menyelesaikan skripsi ini.
Semoga Allah SWT membalas semua kebaikan dan amal perbuatan yang
telah dilakukan. Akhir kata penulis menyadari bahwa dalam penyusunan skripsi ini
masih jauh dari kata sempurna dan pastinya memiliki kekurangan secara materi
maupun penyajiannya. Oleh karena itu, kritik dan saran serta masukan yang bersifat
membangun sangat diharapkan demi kesempurnaan skripsi ini. Penulis berharap
semoga skripsi ini dapat bermanfaat bagi kita semua.
Yogyakarta,
Mahendra Aulia Rahman
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
DAFTAR ISI
HALAMAN PERSETUJUAN .............................................................................. iii
HALAMAN PENGESAHAN ……………………………………………………iv
HALAMAN PERSEMBAHAN ............................................................................. v
PERNYATAAN KEASLIAN KARYA ................................................................ vi
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS ............................................................. vii
ABSTRAK ........................................................................................................... viii
ABSTRACT ........................................................................................................... ix
KATA PENGANTAR ............................................................................................ x
DAFTAR ISI ......................................................................................................... xii
DAFTAR TABEL ................................................................................................ xiv
DAFTAR GAMBAR ............................................................................................ xv
BAB I ...................................................................................................................... 1
1.1 Latar Belakang ......................................................................................... 1
1.2 Rumusan Masalah .................................................................................... 3
1.3 Tujuan Penelitian ...................................................................................... 3
1.4 Manfaat Penelitian .................................................................................... 4
1.5 Batasan Masalah ....................................................................................... 4
1.6 Sistematika Penulisan ............................................................................... 4
BAB II ..................................................................................................................... 6
2.1 Tinjauan Pustaka ...................................................................................... 6
2.2 Prediksi ..................................................................................................... 7
2.3 Ubi Kayu .................................................................................................. 8
2.4 Definisi Regresi Linear ............................................................................ 8
2.5 Regresi Linear Sederhana ......................................................................... 9
2.6 Mean Absolute Percentage Error (MAPE) ............................................ 10
BAB III ................................................................................................................. 12
3.1 Gambaran Umum ................................................................................... 12
3.2 Desain Penelitian .................................................................................... 12
3.2.1 Studi Literatur ................................................................................. 13
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
3.2.2 Proses Analisis Data ........................................................................ 13
3.3 Data Penelitian ....................................................................................... 14
3.4 Teknik Pengumpulan Data ..................................................................... 14
3.5 Implementasi Metode ............................................................................. 16
3.6 Peralatan Pendukung .............................................................................. 16
3.7 Pengujian dan Analisis ........................................................................... 17
3.8 Perhitungan Menggunakan Metode Regresi Linear Sederhana ............. 17
3.9 Desain Sistem ......................................................................................... 21
3.10 Skenario Pengujian ................................................................................. 22
BAB IV ................................................................................................................. 24
4.1 Implementasi Regresi Linear Sederhana ................................................ 24
4.1.1 Proses Input Data ............................................................................ 25
4.1.2 Perbandingan Hasil MAPE berdasarkan Presentase Pembagian Data
26
4.1.3 Hasil Prediksi Metode Regresi Linear Sederhana ........................... 27
4.2 Analisis Hasil ......................................................................................... 38
BAB V ................................................................................................................... 40
5.1 Kesimpulan ............................................................................................. 40
5.2 Saran ....................................................................................................... 40
DAFTAR PUSTAKA ........................................................................................... 42
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
DAFTAR TABEL
Tabel 4.1 Rasio pembagian data ........................................................................... 27
Tabel 4.2 Data Harga Ubi Kayu ........................................................................... 27
Tabel 4.3 Hasil prediksi pada rasio pembagian data 60:40 .................................. 29
Tabel 4.4 Hasil Perhitungan MAPE Rasio 60:40 ................................................. 30
Tabel 4.5 Hasil prediksi pada rasio pembagian data 65:35 .................................. 32
Tabel 4.6 Hasil Perhitungan MAPE Rasio 65:35 ................................................. 32
Tabel 4.7 Hasil prediksi pada rasio pembagian data 70:30 .................................. 34
Tabel 4.8 Hasil Perhitungan MAPE Rasio70:30 .................................................. 34
Tabel 4.9 Hasil prediksi pada rasio pembagian data 75:25 .................................. 35
Tabel 4.10 Hasil Perhitungan MAPE Rasio 75:25 ............................................... 36
Tabel 4.11 Hasil prediksi pada rasio pembagian data 80:20 ................................ 37
Tabel 4.12 Hasil Perhitungan MAPE Rasio 80:20 ............................................... 38
Tabel 4.13 Hasil perhitungan error menggunakan MAPE ................................... 38
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
DAFTAR GAMBAR
Gambar 2.1 Ilustrasi Garis Regresi Linear ........................................................... 9
Gambar 3.1 Tahap – tahap penelitian .................................................................. 13
Gambar 3.2 Diagram Alur Kerja Metode Regresi Linear Sederhana .................. 14
Gambar 3.3 Rancangan Antar Muka Sistem ....................................................... 21
Gambar 4.1 Source code library yang digunakan ............................................... 24
Gambar 4.2 Kolom Curah hujan dan Harga ........................................................ 25
Gambar 4.3 Grafik plot antara Curah Hujan dan Harga ...................................... 26
Gambar 4.4 Source code pengujian ..................................................................... 26
Gambar 4.5 Source code perhitungan nilai a dan b ............................................. 28
Gambar 4.6 Grafik hasil prediksi rasio pembagian data 60:40 ........................... 29
Gambar 4.7 Source code hasil prediksi ............................................................... 30
Gambar 4.8 Source code hasil perhitungan MAPE ............................................. 30
Gambar 4.9 Grafik hasil prediksi rasio pembagian data 65:35 ........................... 31
Gambar 4.10 Grafik hasil prediksi rasio pembagian data 70:30 ......................... 33
Gambar 4.11 Grafik hasil prediksi rasio pembagian data 75:25 ......................... 35
Gambar 4.12 Grafik hasil prediksi rasio pembagian data 80:20 ......................... 37
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Sumber bahan pangan pengganti beras yang memiliki peran cukup penting
pada suatu wilayah dalam menopang ketahanan pangan yaitu ubi kayu. Di
Indonesia pada tahun 2019, hasil produksi ubi kayu menduduki posisi keempat
di dunia dengan jumlah 20-21 juta ton (Ellyvon, 2019). Namun, hasil panen
yang melimpah ini tidak didukung dengan pola konsumsi masyarakat
Indonesia sendiri. Banyak masyarakat yang menganggap bahwa ubi termasuk
makanan yang rendahan dan belum banyak yang terbiasa menjadikan ubi
sebagai bahan pangan alternatif selain beras dan jagung.
Di Kabupaten Pati tepatnya di desa Ngemplak Kidul Kecamatan
Margoyoso merupakan daerah sentra industri ubi kayu yang berada pada posisi
pertama di Provinsi Jawa Tengah dengan produksi ubi kayu 15.200 ton
(Berlian, 2020). Industri ubi kayu sebagian besar adalah industri skala rumah
tangga. Produksi dilakukan anggota rumah tangga dengan modal kecil dan
produk dipasarkan terbatas pada pasaran lokal di wilayah Kabupaten Pati.
Dilansir dari Tribun-Timur.com, salah satu industri tepung tapioka terbesar di
Kabupaten Pati adalah CV Harum Mekar. CV Harum Mekar membutuhkan
bahan baku ubi kayu 50 ton perhari. CV Harum Mekar memiliki kisaran untuk
harga beli ubi kayu sebesar 1100 per kilogram. Bertambahnya kebutuhan ubi
kayu terus meningkat bersamaan dengan banyak perusahaan industri
membutuhkan ubi kayu untuk diolah menjadi tepung tapioka.
Berdasarkan catatan dari situs Kementerian Perindustrian, harga ubi kayu
terkini di pasaran cukup fluktuatif dan bisa mengalami perubahan sewaktu-
waktu tanpa pemberitahuan sebelumnya. Ditingkat petani menunjukkan harga
ubi kayu kisaran Rp 1600 per kilogram (kg), akan tetapi untuk sekarang turun
Rp 1100 per kilogram (kg) pada tahun 2019. Penurunan harga ubi kayu terjadi
sejak bulan Mei 2020 yang menunjukkan sebesar Rp 1100 per kilogram (kg)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
menghasilkan angka Rp 6.600.000 untuk 6 ton untuk setiap truk. Hal tersebut
disebabkan karena hasil panen ubi kayu meningkat dengan diimbangi
perusahan industri ubi kayu yang tidak dapat menjual olahan tepung tapioka
dalam jumlah yang banyak dan perkembangan ekonomi juga sedang menurun.
Berdasarkan analisis diatas, maka prediksi harga ubi kayu sangat
diperlukan oleh CV Harum Mekar agar kinerja keuangan bisa dikendalikan
sesuai dengan produksinya. Selain itu, prediksi harga ubi kayu juga dapat
dimanfaatkan oleh pemerintah untuk mengatur harga ubi kayu di tingkat petani
di kemudian hari, menentukan minimum penjualan ubi kayu dan jumlah
kebutuhan ubi kayu yang dibutuhkan dalam pasar.
Pada penelitian ini menggunakan Metode Regresi Linear Sederhana, yaitu
satu dari banyak metode untuk proses prediksi. Dalam penelitian sebelumnya
yang dilakukan oleh Kusumawati et al. (2017) menggunakan metode regresi
linear untuk memprediksi kurs rupiah terhadap dollar amerika, dengan rata –
rata nilai akurasi sebesar 75%. Pada penelitian lain dalam penerapan metode
regresi linear sederhana digunakan untuk prediksi harga emas dan administrasi
toko perhiasan menghasilkan nilai korelasi keakuratan sangat tinggi yaitu 92%
(Riyadi & Liantini, 2019). Penggunaan metode Regresi Linear Sederhana
memiliki akurasi yang cukup baik untuk prediksi harga. Dalam penelitian lain
menggunakan metode regresi linear sederhana untuk prediksi pemakaian air
bersih PDAM Way Rilau Kota Bandar Lampung didapatkan hasil akurasi
sebesar 89% (Hijriani et al., 2016). Dalam penelitian lain menggunakan regresi
linear untuk prediksi jumlah penjualan pada toko Makmur Jaya Elektronik
menunjukkan nilai MAPE sebesar 27,291 dan MAD sebesar 9,916 (Nafi’iyah,
2019). Pada penelitian lain yang dilakukan oleh Nafi’iyah (2015)
menggunakan metode regresi linear untuk memprediksi harga jual mobil bekas
menghasilkan nilai akurasi sebesar 80%. Pada penelitian selanjutnya yang
dilakukan oleh Imtiyaz et al. (2017) dalam penerapan sistem pendukung
keputusan budidaya tanaman cabai untuk prediksi curah hujan didapatkan hasil
akurasi dari metode linear regression sebesar 91,6%. Pada penelitian lain yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
dilakukan oleh Indarwati et al. (2019) menggunakan metode linear regression
untuk prediksi penjualan smartphone menghasilkan pengujian metode mean
absolute percentage error (MAPE) dan mean square error (MSE) untuk
smartphone merek Lenovo menghasilkan presentase kurang dari 10%.
Metode Regresi Linear Sederhana dipilih guna menyelesaikan masalah
dalam penelitian yang dilakukan sebab mempunyai kelebihan yaitu metode ini
menghasilkan akurasi yang tinggi dibandingkan dengan algoritma lain yang
juga mencoba menemukan hubungan antara variabel dependen dan
independen. Dimana untuk presentase error menggunakan Mean Absolute
Percentage Error (MAPE) dalam mendapatkan nilai yang optimal.
1.2 Rumusan Masalah
Berdasarkan permasalahan di latar belakang sebelumnya, maka dapat
dijabarkan untuk rumusan masalahnya adalah:
1. Bagaimana menerapkan metode Regresi Linear Sederhana untuk
memprediksi harga ubi kayu ?
2. Berapa nilai Mean Absolute Percentage Error (MAPE) yang terendah
dengan menggunakan metode Regresi Linear Sederhana untuk
memprediksi harga ubi kayu pada CV Harum Mekar?
1.3 Tujuan Penelitian
Berdasarkan rumusan masalah pada penelitian ini mempunyai tujuan
sebagai berikut:
1. Memperoleh prediksi harga ubi kayu dengan menggunakan metode Regresi
Linear Sederhana berdasarkan harga-harga ubi kayu yang diperoleh tiap
harinya.
2. Mengetahui nilai Mean Absolute Percentage Error (MAPE) dari metode
Regresi Linear Sederhana dalam melakukan prediksi harga ubi kayu pada
CV Harum Mekar.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
1.4 Manfaat Penelitian
a. Bagi Penulis
1. Menerapkan hasil belajar yang dimiliki penulis untuk kepentingan
masyarakat umum, terutama pemerintah.
2. Memahami metode Regresi Linear Sederhana untuk memprediksi harga
ubi kayu pada CV Harum Mekar.
b. Bagi Pemerintah
1. Mampu memprediksi harga ubi kayu di waktu yang akan datang.
2. Membantu Pemerintah untuk menentukan jumlah minimum penjualan
ubi kayu dan jumlah kebutuhan ubi kayu yang dibutuhkan dalam pasar.
c. Bagi Pembaca
Sebagai pembanding atau dasar pengembangan untuk lebih lanjut
mengenai metode Regresi Linear Sederhana maupun prediksi harga ubi
kayu.
1.5 Batasan Masalah
Penelitian ini mempunyai batasan sebagai berikut :
1. Penelitian ini menggunakan data harga ubi kayu pada CV Harum Mekar.
2. Data yang diperoleh dari CV Harum Mekar dan atribut yang digunakan
adalah curah hujan (Mm) dan harga harian ubi kayu (Rp/Kg) pada tahun
2019.
3. Data curah hujan dan harga ubi kayu dibatasi hanya berada di sekitar
Kecamatan Margoyoso, Kabupaten Pati, Provinsi Jawa Tengah.
1.6 Sistematika Penulisan
Rangkuman dan uraian singkat yang memuat struktur penulisan secara
umum pada penelitian ini dijelaskan pada sistematika penulisan sebagai
berikut:
BAB I PENDAHULUAN
Pendahuluan menjelaskan mengenai masalah - masalah yang terdapat pada sub
bab yang berada didalamnya. Sub bab tersebut meliputi dari latar belakang,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
rumusan masalah, tujuan penelitian, manfaat penelitian, batasan masalah,
metodologi penelitian dan sistematika penulisan.
BAB II LANDASAN TEORI
Landasan teori berisi dasar-dasar yang digunakan untuk landasan penelitian
prediksi menggunakan metode Regresi Linear Sederhana dan referensi yang
menyangkut banyak penelitian sebelumnya.
BAB III METODOLOGI PENELITIAN
Metodologi yang berada pada bab ini menjabarkan metode dan alur yang
digunakan untuk tahap – tahap melakukan penelitian.
BAB IV IMPLEMENTASI DAN ANALISIS HASIL
Implementasi sistem memuat pembahasan implementasi program, termasuk
penjelasan mengenai kode programnya dan analisis hasil dari analisa manfaat,
kelebihan, dan kekurangan sistem.
BAB V PENUTUP
Penutup berisi kesimpulan yang menjawab rumusan masalah dari hasil
penelitian oleh peneliti dan saran atas apa yang sudah dilakukan sehingga dapat
dilaksanakan pada penelitian ke depannya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
BAB II
LANDASAN TEORI
Bab ini akan menjelaskan teori – teori yang digunakan pada penelitian
antara lain, tinjauan pustaka, prediksi, ubi kayu, definisi regresi linear, regresi
linear sederhana, dan mean absolute percentage error.
2.1 Tinjauan Pustaka
Kusumawati et al. (2017) memprediksi nilai tukar rupiah terhadap dollar
Amerika menggunakan metode Regresi Linear Sederhana. Berdasarkan data
tiap tahun dimana terjadi peningkatan nilai tukar rupiah terhadap rupiah
sehingga akan menyebabkan perubahan nilai utang luar negeri yang akan
bertambah. Sistem dapat memprediksikan kurs akan beranjak naik atau kurs
akan beranjak positif sehingga dapat diambil langkah – langkah yang terbaik.
Penelitian untuk prediksi harga emas dan administrasi toko perhiasan
diselesaikan menggunakan metode Regresi Linear Sederhana menunjukkan
korelasi sangat bagus. Perancangan sistemnya menggunakan PHP dan Mysql
yang dapat mempermudah kinerjanya lebih efisien dan efektif (Riyadi &
Liantini, 2019).
Pada penelitian selanjutnya memprediksi pemakaian air bersih PDAM
dengan sistem informasi geografis menggunakan metode Regresi Linear
Sederhana dengan data dari studi literatur mengenai data jumlah pemakaian air
bersih dan jumlah pelanggan tahun 2012-2015. Hasil keseluruhan
menunjukkan bahwa sistem informasi geografis penyebaran dan prediksi
jumlah penduduk telah sesuai baik dari segi fungsionalitasnya dan
penggunaannya (Hijriani et al., 2016).
Hasil penelitian yang dilakukan oleh Nafi’iyah (2019) dengan judul
“Prediksi Jumlah Penjualan Pada Toko Makmur Jaya Elektronik Dengan
Regresi Linear” penelitian ini bertujuan untuk menentukan stok persediaan
barang di bulan berikutnya. Metode Regresi Linear ini sangak baik digunakan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
untuk prediksi karena beberapa algoritma yang menggunakan dataset untuk
memprediksi mempunyai nilai akurasi yang optimal.
Penerapan menggunakan metode Regresi Linear dalam memprediksi
harga jual mobil bekas dengan data mobil yaitu mobil innova, avanza, dan
xenia dengan kriteria jenis, tahun pembuatan, harga baru, dan harga bekas.
Hasilnya membuat model persamaan dengan dua cara, cara pertama data asli
langsung diolah untuk mendapatkan persamaan. Dan model kedua adalah data
dinormalisasi terlebih dahulu dimana hasil persamaannya menunjukkan nilai
koefisien cara pertama sebesar -0,68 dan koefisien caara kedua sebesar 0,93373
(Nafi’iyah, 2015).
Penelitian yang dilakukan oleh Imtiyaz et al. (2017) dengan judul “Sistem
Pendukung Keputusan Budidaya Tanaman Cabai Berdasarkan Prediksi Curah
Hujan” dalam pengujian fungsional system pendukung untuk memperlihatkan
kinerja yang sesuai dengan kebutuhan fungsional yang telah ditentukan pada
proses perancangan. Semua fungsi dapat bekerja dengan baik dengan nilai
pengujian fungsional sebesar 100%.
Penelitian selanjutnya menggunakan metode linear regression untuk
prediksi penjualan smartphone menggunakan 82 cell mayang dengan data yang
digunakan adalah data hasil penjualan yang sudah diinputkan sehingga tidak
perlu menginput data penjualan lagi. Hasil pengujian dengan metode linear
regression adalah tergolong dalam kategori sangat baik, terbukti dengan
pengujian nilai MAPE dan MSE sangat rendah untuk presentasenya.
Dari penelitian diatas, maka diusulkan penelitian harga ubi kayu dengan
menggunakan metode Regresi Linear Sederhana untuk memprediksi harga ubi
kayu dalam mendapatkan nilai menggunakan Mean Absolute Percentage Error
(MAPE) yang optimal.
2.2 Prediksi
Prediksi pada dasarnya merupakan dugaan atau prediksi mengenai
terjadinya suatu kejadian atau peristiwa di waktu yang akan datang. Prediksi
bisa bersifat kualitatif (tidak berbentuk angka) maupun kuantitatif (berbentuk
angka). Prediksi kualitatif sulit dilakukan untuk memperoleh hasil yang baik
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
karena variabelnya sangat relatif sifatnya. Prediksi kuantitatif dibagi dua yaitu:
prediksi tunggal (point prediction) dan prediksi selang (interval prediction).
Prediksi tunggal terdiri dari satu nilai, sedangkan prediksi selang terdiri dari
beberapa nilai, berupa suatu selang (interval) yang dibatasi oleh nilai batas
bawah (prediksi batas bawah) dan batas atas (prediksi tinggi). Prediksi
berfungsi untuk membuat suatu rencana kebutuhan (demand) yang harus dibuat
yang dinyatakan dalam kuantitas (jumlah) sebagai fungsi dari waktu. Prediksi
dilakukan dalam jangka panjang (long term). Prediksi sangat diperlukan
dengan melakukan perbandingan antara kebutuhan yang diramalkan dengan
yang sebenarnya.
2.3 Ubi Kayu
Ubi kayu yang dikenal sebagai ketela pohon atau singkong adalah salah
satu jenis tanaman yang banyak tumbuh di daerah sub tropis dan tergolong
tumbuhan tropika dan subtropika. Ubi kayu juga masuk dalam keluarga
Euphorbiaceae atau terkenal sebagai makanan pokok penghasil karbohidrat
dan daunnya sebagai sayuran (Agoes, 2010). Di Indonesia, ubi kayu ditanam
secara komersial yang mulai menduduki posisi pangan pokok alternatif selain
beras dan jagung. Ubi kayu juga diolah menjadi gaplek, tepung tapioka, oyek,
tape, keripik ubi kayu dan lain-lain.
2.4 Definisi Regresi Linear
Persamaan matematik dengan melakukan peramalan nilai – nilai suatu
peubah (variabel) tak bebas dari satu atau lebih peubah bebas disebut
persamaan regresi. Istilah regresi pertama kali dalam konsep statistik
digunakan oleh Sir Francis Galton dimana membandingkan tinggi badan anak
laki – laki dengan tinggi badan bapaknya. Galton menyatakan bahwa tinggi
badan anak laki – laki dari bapak yang tinggi beberapa generasi kemungkinan
cenderung “mundur” (regressed) mendekati rata – rata populasi (Yusuf, 2009).
Dikatakan pula bahwa analisis regresi mempunyai dua jenis variabel yaitu:
1. Variabel Respon (variabel dependen) yaitu variabel yang
keberadaaannya dipengaruhi oleh variabel lain dan dinotasikan dengan
variabel Y.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
2. Variabel Prediktor (variabel independen) yaitu variabel bebas (tidak
dipengaruhi oleh variabel lain) dan dinotasikan dengan X.
Hubungan – hubungan antara variabel bebas maka regresi linear terdiri
dari dua bentuk, yaitu:
1. Analisis Regresi Sederhana (Simple Analysis Regresi)
Analisis Regresi Sederhana yaitu hubungan antara dua variabel yaitu
variabel bebas (variabel independen) dan variabel tak bebas (variabel
dependen).
2. Analisis Regresi Berganda (Multiple Analysis Regresi)
Analisis Regresi Berganda yaitu hubungan antara dua variabel atau lebih,
dengan sekurang – kurangnya dua variabel bebas dengan satu variabel tak
bebas.
Tujuan regresi adalah untuk membuat perkiraan nilai suatu variabel
(variabel dependen) jika nilai variabel yang satu berhubungan dengan variabel
lainnya sudah ditentukan.
2.5 Regresi Linear Sederhana
Regresi Linear Sederhana digunakan untuk mengetahui pengaruh antara
satu buah variabel bebas terhadap satu buah variabel terikat. Bentuk umum dari
persamaan regresi linear untuk suatu populasi menurut Yusuf (2009) adalah
sebagai berikut:
Gambar 2.1 Ilustrasi Garis Regresi Linear
Persamaan Regresi Linear Sederhana sebagai berikut:
�̂�= a + bx (2. 1)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
Keterangan:
�̂� = Nilai yang diramalkan
x = Variabel bebas
a = Parameter Intercept, perpotongan dengan sumbu vertikal
b = Parameter slope koefisien regresi untuk variabel bebas
Dengan Y adalah variabel terikat dan X adalah variabel bebas.
Koefisien a adalah konstanta (intercept) yang merupakan titik potong antara
garis regresi dengan sumbu Y pada koordinat kartesius.
Langkah – langkah yang dilakukan regresi linear sederhana dalam
menyelesaikan analisis menurut Yusuf (2009) adalah sebagai berikut :
1. Tentukan Y = variabel tak bebas dan X = variabel bebas.
2. Hitung Χ2, Y2, XY, dan total dari masing-masingnya.
3. Hitung nilai a dan b berdasarkan rumus dibawah.
a = (𝛴𝛶)(𝛴𝛸2)−(𝛴𝛸)(𝛴𝛸𝛶)
(𝑛)(𝛴𝛸2)−(𝛴𝛸)2 (2. 2)
b = (𝑛)(𝛴𝛸𝛶)−(𝛴𝛸)(𝛴𝛶)
(𝑛)(𝛴𝛸2)−(𝛴𝛸)2 (2. 3)
4. Setelah nilai a dan b ditemukan, masukkan nilai tersebut pada rumus
persamaan �̂� = a + bx. Kemudian masukkan nilai x, nilai x merupakan nilai
yang akan diramalkan.
2.6 Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE) adalah salah satu dari beberapa
cara yang digunakan dalam evaluasi untuk mengukur ketepatan atau akurasi
suatu hasil prediksi yang sangat umum digunakan. Sedangkan menurut R.
Mubarak dan E. Esyudha (2020) MAPE adalah suatu ukuran ketetapan relative
yang digunakan untuk menghitung presentase hasil dari penyimpangan
peralaman dengan cara menghitung kealahan absolut pada tiap periode dibagi
dengan hasil observasi nyata pada periode tersebut kemudian dihitung rata -
ratanya. Persamaan 2.4 digunakan untuk perhitungan mencari error dari hasil
prediksi.
𝑀𝐴𝑃𝐸 =100
𝑛 𝛴𝑡=1
𝑛 |𝑥𝑡−�̂�𝑡
𝑥𝑡| (2.4)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
Keterangan:
n = banyak data
xt = data observasi nyata pada waktu t
x̂t = data hasil peramalan pada waktu t
Hasil perhitungan ketepatan peramalan menggunakan kesalahan dalam
bentuk presentase menurut Kusbianto et al. (2020) dapat dikategorikan sebagai
berikut:
< 10% : peramalan sangat akurat
10%-20% : peramalan akurat
20%-50% : peramalan cukup akurat
>50% : peramalan tidak akurat
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
BAB III
METODOLOGI PENELITIAN
Bagian metodologi penelitian membahas mengenai tahap – tahap dalam
penelitian terkait Metode Regresi Linear Sederhana Untuk Prediksi Harga Ubi
Kayu Di CV Harum Mekar. Pada bagian metodologi penelitian menjelaskan
secara rinci terkait gambaran umum penelitian, desain penelitian, data
penelitian, teknik pengumpulan data, implementasi metode, peralatan
pendukung, pengujian dan analisis, perhitungan manual metode regresi linear
sederhana, desain sistem, dan skenario pengujian.
3.1 Gambaran Umum
Penelitian yang dilakukan bertujuan untuk memprediksi harga ubi kayu di
CV Harum Mekar pada tahun mendatang. Data input yang digunakan berupa
atribut curah hujan dan harga ubi kayu per harinya pada tahun 2019. Data
tersebut akan diolah, sehingga menghasilkan output prediksi harga ubi kayu
pada tahun yang akan datang. Kemudian akan dilakukan perhitungan dalam
mencari error dalam prediksi.
3.2 Desain Penelitian
Desain dalam proses penelitian untuk implementasi metode Regresi Linear
Sederhana yang diimplemetasikan pada prediksi harga ubi kayu di CV Harum
Mekar. Data prediksi yang digunakan berupa atribut curah hujan dan harga ubi
kayu per harinya pada tahun 2019 di CV Harum Mekar. Metode Regresi Linear
Sederhana dipilih karena mempunyai tingkat akurasi yang optimal
dibandingkan algoritma lain yang juga mencoba menemukan hubungan antara
variabel dependen dan independen. Berikut adanya tahap – tahap penelitian
pada Gambar 3.1.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
Gambar 3.1 Tahap – tahap penelitian
3.2.1 Studi Literatur
Studi literatur digunakan dalam mencari informasi terkait penelitian
yang dilakukan. Studi literatur dilakukan dengan cara membaca buku
referensi, jurnal, dan sumber lain yang berkaitan dengan regresi linear.
3.2.2 Proses Analisis Data
Analisis penelitian ini menggunakan dataset berupa atribut curah
hujan dan harga ubi kayu per hari, kemudian menentukan variabel
dependen dan variabel independen. Kemudian mencari nilai error dari
hasil perhitungan prediksi. Berikut Diagram Alur Kerja Metode Regresi
Linear Sederhana ditunjukkan pada Gambar 3.2.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Gambar 3.2 Diagram Alur Kerja Metode Regresi Linear Sederhana
Gambar 3.2 merupakan diagram alur metode regresi linear
sederhana menggunakan variabel X dan Y untuk input. Kemudian
dilakukan split data untuk pembagian data training dan testing, setelah
itu tentukan nilai a dan b menggunakan rumus persamaan (2.2) dan (2.3).
Selanjutnya menghitung nilai y menggunakan rumus persamaan (2.1).
Setelah hasil prediksi diperoleh, kemudian menghitung presentase error
dari output prediksi dengan output aktual menggunakan rumus
persamaan (2.4). Output dari MAPE berupa hasil presentase error dari
model yang digunakan.
3.3 Data Penelitian
Penelitian ini menggunakan data penelitian berupa atribut curah hujan dan
harga ubi kayu dari CV Harum Mekar pada tahun 2019 sebanyak 365 data
record, mulai dari 1 januari 2019 sampai dengan 31 Desember 2019. Data
curah hujan dan data harga ubi kayu membentuk pola data musiman, dimana
suatu deret pola data ini dipengaruhi faktor musiman (Contoh : data tahunan,
bulanan atau hari – hari tertentu). Karakteristik dari data tersebut cenderung
fluktuatif. Keadaan tersebut dikarenakan pengaruh dari intensitas curah hujan
dimana harga ubi kayu berpengaruh dalam perusahaan industri ubi kayu. Selain
itu, perusahaan industri ubi kayu tidak dapat menjual olahan tepung tapioka
dalam jumlah yang banyak dengan ketersediaan di pasar yang telah tercukupi.
Jadi, untuk harga ubi kayu pada beberapa waktu tersebut cenderung turun.
3.4 Teknik Pengumpulan Data
Teknik pengumpulan data dalam penelitian diproses berupa atribut curah
hujan dan harga ubi kayu per hari sehingga dalam kurun waktu satu tahun
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
terdapat 365 data record. Teknik pengumpulan data ini dapat diperkuat dengan
adanya proses wawancara. Data yang didapatkan kemudian diolah dengan
analisis teknikal sehingga menghasilkan dataset yang dapat digunakan untuk
proses penelitian. Dari situlah didapatkan data per hari, satu bulan, dan dalam
satu tahun pada tahun 2019. Pada Tabel 3.1 merupakan sampel data yang
digunakan:
Tabel 3.1 Sampel Data
Tanggal
Curah hujan
(mm) Harga (Rp/Kg)
01-Jan-2019 8060 3000
02-Jan-2019 8060 3000
03-Jan-2019 8060 3050
04-Jan-2019 8060 3050
05-Jan-2019 8060 3000
06-Jan-2019 8060 3100
07-Jan-2019 8060 3050
08-Jan-2019 8060 3100
09-Jan-2019 8060 3100
10-Jan-2019 8060 3150
11-Jan-2019 8060 3000
12-Jan-2019 8060 3100
13-Jan-2019 8060 3100
14-Jan-2019 8060 3000
01-Feb-
2019 4172 2700
02-Feb-
2019 4172 2750
03-Feb-
2019 4172 2800
04-Feb-
2019 4172 2650
05-Feb-
2019 4172 2600
06-Feb-
2019 4172 2700
07-Feb-
2019 4172 2600
08-Feb-
2019 4172 2650
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
09-Feb-
2019 4172 2700
10-Feb-
2019 4172 2800
11-Feb-
2019 4172 2800
12-Feb-
2019 4172 2700
13-Feb-
2019 4172 2750
14-Feb-
2019 4172 2750
Pada Tabel 3.1 berikut adalah penjelasan dari atribut yaitu:
a. Tanggal
Tanggal pelaporan dari pihak CV Harum Mekar dalam pembelian
ubi kayu dari petani. Menggunakan format tanggal-bulan-tahun.
b. Curah Hujan
Merupakan intensitas ketinggian air hujan yang diukur dengan
satuan milimeter dalam jangka waktu tertentu.
c. Harga
Harga yang ditetapkan petani untuk harga jual ke perusahaan dengan
satuan rupiah/kilogram.
3.5 Implementasi Metode
Implementasi metode dilakukan berdasarkan pada proses sebelumnya yaitu
proses perancangan. Implementasi pada metode Regresi Linear Sederhana
dibagi menjadi dua tahap yaitu melakukan manualisasi terhadap data yang
kemudian diimplementasikan dalam bentuk kode program.
3.6 Peralatan Pendukung
Peralatan pendukung yang digunakan untuk melengkapi kebutuhan yang
diperlukan dalam penelitian ini. Berikut merupakan peralatan pendukung yang
digunakan:
1. Peralatan Perangkat Keras
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
• Laptop HP 14s-cf Processor Intel(R) Core(TM) i5-10210U
CPU @ 1.60GHz, 2112 Mhz, 4 Core(s), 8 Logical
Processor(s)
• RAM 4,00 GB
• HDD 1 TB
• SSD 128 GB
2. Peralatan Perangkat Lunak
• Sistem Operasi Windows 10 Pro
• Microsoft Office 2019
• PyCharm 2021.1.2
3.7 Pengujian dan Analisis
Pengujian serta analisis yang dilakukan untuk mendapatkan nilai
pembanding antara data aktual dengan data prediksi pada harga ubi kayu di CV
Harum Mekar. Kemudian diuji untuk mengetahui hasil prediksi menggunakan
metode Regresi Linear Sederhana yang paling terbaik untuk kasus prediksi
harga ubi kayu di CV Harum Mekar pada tahun yang akan datang.
3.8 Perhitungan Menggunakan Metode Regresi Linear Sederhana
Pada sub bab ini menjelaskan bagaimana cara memprediksi harga ubi kayu
dengan menggunakan metode Regresi Linear Sederhana yang mengacu pada
penelitian, kemudian menghitung presentase error menggunakan MAPE. Pada
proses hitung manual ini, sampel dataset yang digunakan sebanyak 28 cuplikan
data pada 2 minggu awal bulan Januari – Februari 2019 dimana atribut yang
digunakan berupa curah hujan dan harga ubi kayu. Berikut contoh perhitungan
tersebut.
3.8.1 Menghitung nilai a dan b
Tabel 3.2 Data Nilai X dan Y
Tanggal Curah hujan (X) Harga (Y)
01-Jan-2019 8060 3000
02-Jan-2019 8060 3000
03-Jan-2019 8060 3050
04-Jan-2019 8060 3050
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
05-Jan-2019 8060 3000
06-Jan-2019 8060 3100
07-Jan-2019 8060 3050
08-Jan-2019 8060 3100
09-Jan-2019 8060 3100
10-Jan-2019 8060 3150
11-Jan-2019 8060 3000
12-Jan-2019 8060 3100
13-Jan-2019 8060 3100
14-Jan-2019 8060 3000
01-Feb-2019 4172 2700
02-Feb-2019 4172 2750
03-Feb-2019 4172 2800
04-Feb-2019 4172 2650
05-Feb-2019 4172 2600
06-Feb-2019 4172 2700
07-Feb-2019 4172 2600
08-Feb-2019 4172 2650
09-Feb-2019 4172 2700
10-Feb-2019 4172 2800
11-Feb-2019 4172 2800
12-Feb-2019 4172 2700
13-Feb-2019 4172 2750
14-Feb-2019 4172 2750
Pada Tabel 3.2, nilai x dan y sudah ditentukan. Nilai x adalah curah
hujan dan nilai y adalah harga. Sebelum menghitung nilai a dan b,
hitung terlebih dahulu variabel berikut:
ΣX = (8060+8060+…..+4172) = 171248
ΣY = (3000+3000+3050+…..+2750) = 80750
(ΣX2) = (80602+80602+......+41722) = 1153168576
(ΣX)2 = (8060+8060+…..+4172)2 = 29325877504
ΣXY = ((8060x3000)+(8060x3000)+…..+(4172x2750))
= 503295400
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
n(ΣXY) = 28 x (Hasil dari ΣXY)
= 28 x 503295400
= 14092271200
n(ΣX2) = 28 x (Hasil ΣX2)
= 28 x 1153168576
= 32288720128
(ΣX)(ΣXY) = (Hasil ΣX) x (Hasil ΣXY)
= 171248 x 503295400
= 8,61883E+13
(ΣX)(ΣY) = (Hasil ΣX) x (ΣY)
= 171248 x 80750
= 13828276000
Setelah semua variabel ditemukan hasilnya, Langkah selanjutnya
masukkan hasil tersebut ke dalam rumus persamaan (2.2) dan (2.3)
untuk menghitung nilai a dan b. Berikut perhitungannya:
a = (80750)(1153168576)−(8,61883E+13)
32288720128−29325877504
a = 2338,980747
b = 14092271200−13828276000
32288720128−29325877504
b = 0,089101999
Jadi, hasil dari Intercept sebesar 2338,980747 dan hasil dari slope
sebesar 0,089101999. Adapun hasil dari excel ditunjukkan pada Tabel
3.3 dibawah ini:
Tabel 3.3 Hasil dari nilai a dan b
Hasil a 2338,980747
Hasil b 0,089101999
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
3.8.2 Menghitung persamaan y
Setelah hasil dari nilai a dan b ditemukan, maka selanjutnya
menghitung y untuk prediksi. Masukkan hasil dari nilai a dan b tersebut
ke dalam persamaan (2.1). Contoh perhitungan disini ingin
memprediksi nilai dari curah hujan sebesar 158.
a = 2338,980747
b = 0,089101999
x = curah hujan sebesar 158
Setelah nilai a, b, dan x diketahui, Langkah selanjutnya menghitung
menggunakan persamaan (2.1). Berikut perhitungannya:
y158 = 2338,980747 + 0,089101999 x (158)
y158 = 2353,058862
Jadi hasil dari prediksi untuk curah hujan sebesar 158, adalah
sebesar 2353,058862. Adapun hasil perhitungan menggunakan excel
pada Tabel 3.4 dibawah ini:
Tabel 3.4 Hasil dari y158
y158 2353,058862
3.8.3 Menghitung nilai MAPE
Setelah hasil prediksi sudah ada, untuk menghitung presentase
errornya menggunakan MAPE. Sebelum dimasukkan ke dalam rumus
pada persamaan (2.4), tentukan terlebih dahulu nilai dari n, nilai total
dari xt dan x̂t:
n = 28
𝛴|𝑋𝑡−�̂�𝑡
𝑋𝑡| = (((3000-3057,142)/3000+........+((2750-2710,714)/2750))
= - 4,0752E-05
Setelah nilai n, nilai total dari xt dan x̂t sudah ditentukan, Langkah
selanjutnya masukkan nilai tersebut ke dalam persamaan (2.4).
Berikut perhitungannya:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
MAPE = 100
28 (− 4,0752E − 05)
= -0,000145543, karena MAPE menggunakan nilai absolut
maka diubah menjadi bilangan positif 0,000145543
Adapun hasil perhitungan menggunakan excel pada Tabel 3.5
dibawah ini:
Tabel 3.5 Hasil dari MAPE
3.8.4 Evaluasi dan Kesimpulan
Pada tahap ini dilakukan analisis dari proses Regresi Linear yang
berisi uraian dari hasil proses penelitian dan hasil dari pengujian dalam
prediksi harga ubi kayu di CV Harum Mekar. Hasil dari analisis
tersebut dijadikan sebagai bahan kesimpulan dari penelitian yang
dilakukan ini.
3.9 Desain Sistem
Gambar 3.3 Rancangan Antar Muka Sistem
MAPE 0,000145523
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
Gambar 3.3 merupakan rencana rancangan antar muka sistem yang
akan digunakan. Terdapat tombol untuk pilih data, lihat data, grafik sebaran
data, hapus, proses, grafik hasil prediksi, lihat hasil prediksi, prediksi, dan
reset. Tombol pilih data berfungsi untuk memasukkan file. Tombol lihat
data berfungsi menampilkan data awal. Tombol grafik sebaran data
berfungsi untuk menampilkan grafik plot sebaran data awal. Tombol hapus
berfungsi untuk menghapus file data beserta nilai presentase error. Tombol
Proses berfungsi akan memproses data dengan menggunakan metode
regresi linear sederhana dan menampilkan hasil presentase error. Tombol
grafik hasil prediksi berfungsi menampilkan grafik plot hasil prediksinya.
Terdapat label curah hujan dimana pengguna dapat memasukkan nilai curah
hujan secara random berdasarkan data yang sudah ada. Selanjutnya adanya
tombol prediksi berfungsi untuk menampilkan hasil prediksi dari curah
hujan yang di input. Dan adanya tombol reset untuk mengosongkan field
curah hujan dan tombol prediksi.
3.10 Skenario Pengujian
Pengujian dilakukan dengan menjabarkan hasil penelitian yang
diperoleh dari dataset. Kemudian melakukan perbandingan berdasarkan
persentase pembagian data, serta hasil prediksi menggunakan regresi linear
sederhana. Pembagian antara data training dan testing bertujuan untuk
mengetahui performa dari metode regresi linear sederhana, Penentuan
presentase pembagian antara data training dan testing disini mengambil
beberapa rasio pembagian data untuk diuji. Dimana persentase pembagian
digunakan untuk mencari nilai optimal dari nilai Mean Absolute Percentage
Error (MAPE) .
Pada hasil pengujian prediksi ini menggunakan data berupa atribut
curah hujan dan harga ubi kayu tahun 2019 dengan periode harian
menggunakan metode regresi linear sederhana. Kemudian menghitung nilai
a dan b, yaitu nilai intercept dan slope dengan menggunakan rumus
persamaan (2.2) dan (2.3). Setelah nilai a dan b diperoleh, selanjutnya
menghitung y (hasil prediksi) untuk data pengujiannya. Dimana data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
pengujiannya menggunakan 365 dataset. Kemudian hasil prediksi dari
beberapa rasio pembagian data diperoleh dan melakukan analisis terhadap
hasil prediksinya dengan mengetahui hasil nilai terendah dari MAPE untuk
pengukuran performa dari hasil prediksi. Dimana semakin rendah nilai
MAPE maka akan mengidentifikan bahwa nilai kesalahan semakin kecil
yang berarti model bisa memprediksi dengan optimal karena model dapat
melakukan prediksi dengan selisih antara nilai aktual dan nilai prediksi yang
tidak terlalu besar.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
BAB IV
IMPLEMENTASI DAN ANALISIS HASIL
Pada bab ini akan menjelaskan hasil penelitian yang didapat berupa data
curah hujan dan harga ubi kayu tahun 2019, hasil prediksi menggunakan
metode regresi linear sederhana, serta perbandingan nilai terendah dari Mean
Absolute Percentage Error (MAPE) berdasarkan rasio pembagian data.
4.1 Implementasi Regresi Linear Sederhana
Library yang digunakan dapat dilihat pada Gambar 4.1. Library tersebut
adalah:
Gambar 4.1 Source code library yang digunakan
Berikut merupakan penjelasan library pada Gambar 4.1:
1. Numpy digunakan untuk mendukung operasi array.
2. Pandas digunakan untuk membaca data dan menampilkan data.
3. Matplotlib digunaan untuk visualisasi data.
4. Sklearn digunakan untuk proses prediksi. Library Sklearn mempunyai
banyak package yang digunakan dalam proses prediksi menggunakan
regresi linear sederhana diantaranya:
- Sklearn.linear_model import LinearRegression digunakan untuk
memanggil algoritma Linear Regression.
- Sklearn.model_selection import train_test_split digunakan untuk
membagi data menjadi training dan testing.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
4.1.1 Proses Input Data
Pada tahapan ini dilakukan proses input dataset yang
memiliki atribut berupa curah hujan dan harga ubi kayu tahun 2019
dengan periode harian berjumlah 365 data record.
Gambar 4.2 Kolom Curah hujan dan Harga
Gambar 4.2 merupakan sampel data yang digunakan untuk
prediksi pada metode regresi linear sederhana yaitu atribut Curah
hujan dan Harga. Atribut Curah hujan dan Harga saling berkaitan
karena, pada atribut harga bisa bertambah dan berkurang nilainya
berdasarkan atribut Curah hujan, alasan tersebut yang membuat
kedua atribut tersebut digunakan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
Gambar 4.3 Grafik plot antara Curah Hujan dan Harga
Pada Gambar 4.3 merupakan grafik sebaran data curah hujan
dengan harga.
4.1.2 Perbandingan Hasil MAPE berdasarkan Presentase Pembagian
Data
Gambar 4.4 Source code pengujian
Pada Gambar 4.4 merupakan source code pengujian dalam
melakukan proses pembagian data untuk memperoleh nilai Mean
Absolute Percentage Error (MAPE) yang optimal. Dimana untuk
rasio pembagian data dengan mengganti nilai parameternya pada
(test_size).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
Pembagian data bertujuan untuk mengetahui performa dari
metode regresi linear sederhana. Dimana mengambil beberapa rasio
pembagian data training dan testing untuk diuji mana rasio
pembagian yang menghasilkan nilai yang paling optimal dengan
menggunakan Mean Absolute Percentage Error (MAPE) pada
model yang dibuat. Adapun beberapa rasio pembagian data yang
ditunjukkan pada Tabel 4.1.
Tabel 4.1 Rasio pembagian data
No Rasio Pembagian Data
1 60:40
2 65:35
3 70:30
4 75:25
5 80:20
4.1.3 Hasil Prediksi Metode Regresi Linear Sederhana
Berikut ini merupakan rasio pembagian data menggunakan
Metode Regresi Linear Sederhana untuk mendapatkan nilai optimal
dari Mean Absolute Percentage Error (MAPE).
1. Rasio Pembagian Data 60:40
Pertama hasil pengujian prediksi menggunakan dataset yang
memiliki atribut berupa curah hujan dan harga ubi kayu tahun
2019 dengan periode harian menggunakan metode regresi linear
sederhana dengan rasio pembagian data sebesar 60:40. Berikut
Data harga ubi kayu ditunjukkan pada Tabel 4.2.
Tabel 4.2 Data Harga Ubi Kayu
No Curah hujan (X) Harga (Y) X^2 X*Y
0 8060 3000 64963600 24180000
1 8060 3000 64963600 24180000
2 8060 3050 64963600 24583000
3 8060 3050 64963600 24583000
4 8060 3000 64963600 24180000
. . . . .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
. . . . .
. . . . .
360 4712 1900 22202944 8952800
361 4712 1800 22202944 8481600
362 4712 1750 22202944 8246000
363 4712 1700 22202944 8010400
364 4712 1800 22202944 8481600
Pada Tabel 4.2 terdapat kolom X^2 dan kolom X*Y, kedua
kolom tersebut digunakan untuk menghitung nilai a dan nilai b,
yaitu intercept dan slope. Rumus yang digunakan untuk
menghitung nilai a dan b ditunjukkan pada rumus persamaan
(2.2) dan (2.3), Adapun hasil perhitungan menggunakan Tabel
4.2 untuk menentukan nilai a dan b yaitu:
Intercept (a) = 2783.826290
Slope (b) = -2.92744122
Gambar 4.5 Source code perhitungan nilai a dan b
Pada Gambar 4.5 merupakan source code untuk mencari
nilai a dan b dimana nilai tersebut dimasukkan untuk
menghitung nilai y (hasil prediksi). Kemudian terdapat pula
fungsi untuk memvisualisasi data dari hasil prediksi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
Adapun grafik yang merepresentasikan dari hasil prediksi:
Gambar 4.6 Grafik hasil prediksi rasio pembagian data 60:40
Gambar 4.6 menggambarkan hasil prediksi dimana nilai a
dan b, a yang berarti intercept merupakan posisi garis a yang
memotong sumbu y sebesar 2783.826290 dan b yang berarti
kemiringan garis sebagai rata – rata pertambahan atau
pengurangan pada y jika x mengalami peningkatan sebesar -
2.92744122
Selanjutnya yaitu melihat hasil prediksi pada data yang diuji
menggunakan rasio pembagian data sebesar 60:40, pada data uji
sendiri menggunakan 365 dataset. Hasil prediksi dari proses
pengujian ditunjukkan pada Tabel 4.3.
Tabel 4.3 Hasil prediksi pada rasio pembagian data 60:40
No Curah hujan (X) Harga (Y) Prediksi
0 8060 3000 2783,8262
1 8060 3000 2780,8988
2 8060 3050 2777,9714
3 8060 3050 2775,0439
4 8060 3000 2772,1165
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
. . . .
. . . .
. . . .
360 4712 1900 1729,9474
361 4712 1800 1727,0200
362 4712 1750 1724,0925
363 4712 1700 1721,1651
364 4712 1800 1718,2376
Gambar 4.7 Source code hasil prediksi
Pada Gambar 4.7 merupakan Source code untuk mencari
hasil prediksi menggunakan regresi linear sederhana.
Kemudian proses untuk mengetahui nilai error
menggunakan Mean Absolute Percentage Error (MAPE)
dengan rasio pembagian data sebesar 60:40. Hasil nilai error
dari Mape ditunjukkan pada Tabel 4.4.
Tabel 4.4 Hasil Perhitungan MAPE Rasio 60:40
MAPE 6.941
Gambar 4.8 Source code hasil perhitungan MAPE
Pada Gambar 4.8 merupakan source code yang digunakan
untuk menghitung nilai error MAPE.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
2. Rasio Pembagian Data 65:35
Kedua hasil pengujian prediksi menggunakan dataset
berupa atribut curah hujan dan harga ubi kayu tahun 2019
dengan periode harian menggunakan metode regresi linear
sederhana dengan rasio pembagian data sebesar 65:35.
Adapun hasil perhitungan untuk nilai a dan b ditunjukkan pada
rumus persamaan (2.2) dan (2.3) yaitu :
Intercept (a) = 2772.139675
Slope (b) = -2.87402426
Adapun grafik yang merepresentasikan dari hasil prediksi:
Gambar 4.9 Grafik hasil prediksi rasio pembagian data 65:35
Gambar 4.9 menggambarkan hasil prediksi dimana nilai a
dan b, a yang berarti intercept merupakan posisi garis a yang
memotong sumbu y sebesar 2772.139675 dan b yang berarti
kemiringan garis sebagai rata – rata pertambahan atau
pengurangan pada y jika x mengalami peningkatan sebesar -
2.87402426
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Selanjutnya yaitu melihat hasil prediksi pada data yang
diuji menggunakan rasio pembagian data sebesar 65:35, pada
data uji sendiri menggunakan 365 dataset. Hasil prediksi dari
proses pengujian ditunjukkan pada Tabel 4.5.
Tabel 4.5 Hasil prediksi pada rasio pembagian data 65:35
No Curah hujan (X) Harga (Y) Prediksi
0 8060 3000 2772,1396
1 8060 3000 2769,2656
2 8060 3050 2766,3916
3 8060 3050 2763,5176
4 8060 3000 2760,6435
. . . .
. . . .
. . . .
360 4712 1900 1737,4909
361 4712 1800 1734,6169
362 4712 1750 1731,7428
363 4712 1700 1728,8688
364 4712 1800 1725,9948
Kemudian proses untuk mengetahui nilai error
menggunakan Mean Absolute Percentage Error (MAPE)
dengan rasio pembagian data sebesar 65:35. Hasil nilai error
dari Mape ditunjukkan pada Tabel 4.6.
Tabel 4.6 Hasil Perhitungan MAPE Rasio 65:35
MAPE 6.905
3. Rasio Pembagian Data 70:30
Ketiga hasil pengujian prediksi menggunakan dataset
berupa atribut curah hujan dan harga ubi kayu tahun 2019
dengan periode harian menggunakan metode regresi linear
sederhana dengan rasio pembagian data sebesar 70:30.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
Adapun hasil perhitungan untuk nilai a dan b ditunjukkan pada
rumus persamaan (2.2) dan (2.3) yaitu :
Intercept (a) = 2769.937272
Slope (b) = -2.86586752
Adapun grafik yang merepresentasikan hasil prediksi:
Gambar 4.10 Grafik hasil prediksi rasio pembagian data 70:30
Gambar 4.10 menggambarkan hasil prediksi dimana nilai a
dan b, a yang berarti intercept merupakan posisi garis a yang
memotong sumbu y sebesar 2769.937272 dan b yang berarti
kemiringan garis sebagai rata – rata pertambahan atau
pengurangan pada y jika x mengalami peningkatan sebesar -
2.86586752
Selanjutnya yaitu melihat hasil prediksi pada data yang
diuji menggunakan rasio pembagian data sebesar 70:30, pada
data uji sendiri menggunakan 365 dataset. Hasil prediksi dari
proses pengujian ditunjukkan pada Tabel 4.7.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
Tabel 4.7 Hasil prediksi pada rasio pembagian data 70:30
No Curah hujan (X) Harga (Y) Prediksi
0 8060 3000 2769,9372
1 8060 3000 2767,0714
2 8060 3050 2764,2055
3 8060 3050 2761,3396
4 8060 3000 1738,2249
. . . .
. . . .
. . . .
360 4712 1900 1738,2249
361 4712 1800 1735,3590
362 4712 1750 1732,4932
363 4712 1700 1729,6273
364 4712 1800 1726,7614
Kemudian proses untuk mengetahui nilai error
menggunakan Mean Absolute Percentage Error (MAPE)
dengan rasio pembagian data sebesar 70:30. Hasil nilai error
dari Mape ditunjukkan pada Tabel 4.8.
Tabel 4.8 Hasil Perhitungan MAPE Rasio 70:30
MAPE 6.899
4. Rasio Pembagian Data 75:25
Keempat hasil pengujian prediksi menggunakan dataset
berupa atribut curah hujan dan harga ubi kayu tahun 2019
dengan periode harian menggunakan metode regresi linear
sederhana dengan rasio pembagian data sebesar 75:25.
Adapun hasil perhitungan untuk nilai a dan b ditunjukkan pada
rumus persamaan (2.2) dan (2.3) yaitu :
Intercept (a) = 2768.772343
Slope (b) = -2.87141334
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
Adapun grafik yang merepresentasikan hasil prediksi:
Gambar 4.11 Grafik hasil prediksi rasio pembagian data 75:25
Gambar 4.11 menggambarkan hasil prediksi dimana nilai a
dan b, a yang berarti intercept merupakan posisi garis a yang
memotong sumbu y sebesar 2768.772343 dan b yang berarti
kemiringan garis sebagai rata – rata pertambahan atau
pengurangan pada y jika x mengalami peningkatan sebesar -
2.87141334
Selanjutnya yaitu melihat hasil prediksi pada data yang
diuji menggunakan rasio pembagian data sebesar 75:25, pada
data uji sendiri menggunakan 365 dataset. Hasil prediksi dari
proses pengujian ditunjukkan pada Tabel 4.9.
Tabel 4.9 Hasil prediksi pada rasio pembagian data 75:25
No Curah hujan (X) Harga (Y) Prediksi
0 8060 3000 2768,7723
1 8060 3000 2765,9009
2 8060 3050 2763,0295
3 8060 3050 2760,1581
4 8060 3000 2757,2866
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
. . . .
. . . .
. . . .
360 4712 1900 1735,0635
361 4712 1800 1732,1921
362 4712 1750 1729,3207
363 4712 1700 1726,4493
364 4712 1800 1723,5778
Kemudian proses untuk mengetahui nilai error
menggunakan Mean Absolute Percentage Error (MAPE)
dengan rasio pembagian data sebesar 75:25. Hasil nilai error
dari Mape ditunjukkan pada Tabel 4.10.
Tabel 4.10 Hasil Perhitungan MAPE Rasio 75:25
MAPE 6.897
5. Rasio Pembagian Data 80:20
Kelima hasil pengujian prediksi menggunakan dataset
berupa atribut curah hujan dan harga ubi kayu tahun 2019
dengan periode harian menggunakan metode regresi linear
sederhana dengan rasio pembagian data sebesar 80:20.
Adapun hasil perhitungan untuk nilai a dan b ditunjukkan pada
rumus persamaan (2.2) dan (2.3) yaitu :
Intercept (a) = 2771.687001
Slope (b) = -2.88076224
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
Adapun grafik yang merepresentasikan hasil prediksi:
Gambar 4.12 Grafik hasil prediksi rasio pembagian data 80:20
Gambar 4.12 menggambarkan hasil prediksi dimana nilai a
dan b, a yang berarti intercept merupakan posisi garis a yang
memotong sumbu y sebesar 2771.687001 dan b yang berarti
kemiringan garis sebagai rata – rata pertambahan atau
pengurangan pada y jika x mengalami peningkatan sebesar -
2.88076224.
Selanjutnya yaitu melihat hasil prediksi pada data yang
diuji menggunakan rasio pembagian data sebesar 80:20, pada
data uji sendiri menggunakan 365 dataset. Hasil prediksi dari
proses pengujian ditunjukkan pada Tabel 4.11.
Tabel 4.11 Hasil prediksi pada rasio pembagian data 80:20
No Curah hujan (X) Harga (Y) Prediksi
0 8060 3000 2771,6870
1 8060 3000 2768,8062
2 8060 3050 2765,9254
3 8060 3050 2763,0447
4 8060 3000 2760,1639
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
. . . .
. . . .
. . . .
360 4712 1900 1734,6125
361 4712 1800 1731,7318
362 4712 1750 1728,8510
363 4712 1700 1725,9703
364 4712 1800 1723,0895
Kemudian proses untuk mengetahui nilai error
menggunakan Mean Absolute Percentage Error (MAPE)
dengan rasio pembagian data sebesar 80:20. Hasil nilai error
dari Mape ditunjukkan pada Tabel 4.12.
Tabel 4.12 Hasil Perhitungan MAPE Rasio 80:20
MAPE 6.904
4.2 Analisis Hasil
Pada bagian ini, melakukan analisis terhadap hasil prediksi dari proses
pengujian yang telah dilakukan menggunakan Regresi Linear Sederhana serta
mengetahui hasil Mean Absolute Percentage Error (MAPE) untuk pengukuran
performa dari hasil prediksi. Penggunaan model Regresi Linear Sederhana
dalam prediksi harga ubi kayu di CV Harum Mekar menggunakan rasio
pembagian data sebesar 60:40, 65:35, 70:30, 75:25, dan 80:20 untuk
memperoleh nilai error terendah dari Mean Absolute Percentage Error
(MAPE).
Tabel 4.13 Hasil perhitungan error menggunakan MAPE
Rasio MAPE
60:40 6.941
65:35 6.905
70:30 6.899
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
75:25 6.897
80:20 6.904
Pada Tabel 4.13 ditunjukkan hasil MAPE yang didapat dari hasil proses
pengujian menggunakan beberapa rasio pembagian data. Dimana nilai terendah
mengunakan Mean Absolute Percentage Error (MAPE) sebesar 6.897 dengan
rasio pembagian data sebesar 75:25. Nilai MAPE yang semakin rendah
mengindikasikan bahwa nilai kesalahan semakin kecil yang berarti model bisa
memprediksi dengan baik karena model dapat melakukan prediksi dengan
selisih antara nilai aktual dan nilai prediksi yang tidak terlalu besar.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil dan analisis pada BAB IV, terkait prediksi harga
ubi kayu di CV Harum Mekar menggunakan metode Regresi Linear
Sederhana, maka didapatkan kesimpulan sebagai berikut:
1. Metode Regresi Linear Sederhana dapat diterapkan untuk
memprediksi harga ubi kayu pada CV Harum Mekar sebanyak 365
data record, mulai dari 1 januari 2019 sampai dengan 31 Desember
2019.
2. Nilai error terendah pada prediksi yang diukur menggunakan Mean
Absolute Percentage Error (MAPE) sebesar 6.897 % dengan rasio
pembagian data sebesar 75:25 dari model Regresi Linear Sederhana
pada data yang telah diuji. Hasil MAPE tersebut mengindikasikan
bahwa model yang digunakan masuk kategori sangat akurat.
5.2 Saran
Berdasarkan hasil penelitian, adapun saran yang diberikan untuk
penelitian selanjutnya mengenai prediksi harga ubi kayu menggunakan
regresi linear sederhana sabagai berikut:
1. Menggunakan dataset harga ubi kayu dengan range data yang lebih
banyak atau menggunakan dataset lain dengan record data yang
banyak.
2. Menggunakan dataset harga ubi kayu di daerah lain.
3. Dalam penelitian selanjutnya bisa menggunakan metode lain untuk
melakukan prediksi dan mendapatkan nilai error yang semakin
rendah serta tingkat akurasi prediksi yang semakin tinggi seperti
Regresi Linear Berganda atau Neural Network.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
4. Menggunakan metode lain untuk menghitung nilai error seperti;
MSE, RMSE, ataupun MAE.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
DAFTAR PUSTAKA
Agoes, Azwar. 2010. Tanaman Obat Indonesia Buku1. Jakarta: Salemba Medika.
Aminanti, Berlian. 2020. Pengaruh Modal, Tenaga Kerja, Dan Bahan Baku
Terhadap Nilai Produksi. Semarang : Universitas Negeri Semarang.
D. Kusbianto, M. U. Pemenang, and M. A. Fudianto, “PENJUALAN OBAT
TERNAK BERBASIS WEB ( Studi Kasus PT Otasindo Prima Satwa Cabang
Surabaya ),” 2020.
H. Imtiyaz, B. H. Prasetio, and N. Hidayat, “Sistem Pendukung Keputusan
Budidaya Tanaman Cabai Berdasarkan Prediksi Curah Hujan,” J. Pengemb.
Teknol. Inf. dan Ilmu Komput., vol. 1, no. 9, pp. 733–738, 2017.
Hijriani, A., Muludi, K., & Andini, E. A. (2016). Penyajian Hasil Prediksi
Pemakaian Air Bersih Pdam Informasi Geofrafis. Jurnal Informatika, 11(2),
37–42.
Kusumawati, N., Marisa, F., & Wijaya, I. D. (2017). Prediksi Kurs Rupiah
Terhadap Dollar Amerika Dengan Menggunakan Metode Regresi Linear. J I
M P - Jurnal Informatika Merdeka Pasuruan, 2(3), 45–56.
https://doi.org/10.37438/jimp.v2i3.79
Nafi’iyah, N. (2015). Penerapan regresi linear dalam memprediksi harga jual
mobil bekas. 1–5.
Nafi’iyah, N. (2019). Prediksi Jumlah Penjualan pada Toko Makmur Jaya
Elektronik dengan Regresi Linier. RESEARCH : Computer, Information
System & Technology Management, 2(2), 47.
Nafi’iyah, N. (2019). Prediksi Jumlah Penjualan pada Toko Makmur Jaya
Elektronik dengan Regresi Linier. RESEARCH : Computer, Information
System & Technology Management, 2(2), 47.
https://doi.org/10.25273/research.v2i02.5143
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
Pranita, Ellyvon. (2019). Potensi Pertanian Ubi Kayu di Indonesia Menjanjikan.
Jakarta: PT Kompas Media Nusantara.
R. Mubarak and E. Esyudha, “Prediksi Hasil Tangkapan Ikan Menggunakan Fuzzy
Time Series Fish Catch Result Prediction Using Fuzzy Time Series,” vol. 08,
no. 3, pp. 303–308, 2020, doi: 10.26418/justin.v8i3.39831.
Riyadi, S., & Liantini, R. (2019). Aplikasi Prediksi Harga Emas dan Administrasi
Toko Perhiasan Berbasis PHP dan Scan QR-Code Menggunakan Metode
Regresi Linear Sederhana. Rekayasa, 12(1), 71.
https://doi.org/10.21107/rekayasa.v12i1.4553
T. Indarwati, T. Irawati, and E. Rimawati, “Penggunaan Metode Linear Regression
Untuk Prediksi Penjualan Smartphone,” J. Teknol. Inf. dan Komun., vol. 6, no.
2, pp. 2–7, 2019, doi: 10.30646/tikomsin.v6i2.369.
Wibisono, Yusuf. 2009. Metode Statistik, Yogyakarta : Universitas Gadjah Mada.
https://doi.org/10.25273/research.v2i02.5143
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI