Optimasi Akurasi Model Decision Tree Menggunakan Random Forest Regression untuk Prediksi Kuantitas Pembelian Barang pada Perusahaan Manufaktur

Abstract

Decision Tree merupakan algoritma pengklasifikasian yang sudah teruji untuk pengambilan keputusan dalam banyak bidang permasalahan.Permasalahan pembelian dan jumlah kapasitas gudang di sektor manufaktur sangat riskan.  Akurasi jumlah pembelian harus dikontrol sehingga dapat mengurangi resiko over kapasitas gudang. Untuk mendapatkan jumlah pembelian dan kapasitas yang ideal perlu identifikasi dan klasifikasi secara detail faktor-faktor permasalahan sistem pembelian dan pengelolaan gudang. Dari hasil penelitian model Decision Tree mampu memprediksi jumlah quantity pembelian akan tetapi pada data yang tidak berpola tingkat akurasi sangat kurang baik. Berbeda dengan metode Random Forest regression model ini mampu menunjukkan performa dan akurasi yang baik pada data yang berpola ataupun data dengan pola acak. Optimasi dengan importance variabel mampu meningkatkan akurasi menjadi 94,87% dari model random forest regression.