Penerapan Algoritma Machine Learning XGBoost, CatBoost, Linear Regression, LightGBM, Random Forest dengan Metode Ensemble (Studi Kasus: Penjualan Emas)

Marzuqi, Mochammad Zharif Asyam and Mannuel, Brendan Timothy (2025) Penerapan Algoritma Machine Learning XGBoost, CatBoost, Linear Regression, LightGBM, Random Forest dengan Metode Ensemble (Studi Kasus: Penjualan Emas). Project Report. [s.n.], [s.l.]. (Unpublished)

Text 5025221163_5025221177-Project_Report.pdf - Accepted Version Download (3MB)

Abstract

PT Untung Bersama Sejahtera (PT. UBS) merupakan perusahaan yang telah beroperasi selama lebih dari 40 tahun di industri perhiasan emas, menghadapi tantangan dalam merencanakan kebutuhan bahan baku emas akibat fluktuasi harga dan kondisi pasar global. Untuk mengatasi hal ini, diperlukan sistem peramalan (forecasting) penjualan emas yang akurat guna mendukung efisiensi perencanaan dan pengambilan keputusan strategis. Kerja praktik ini bertujuan untuk memenuhi kewajiban akademik sebesar 4 SKS dan membantu PT. UBS dalam mengembangkan model forecasting penjualan emas yang akurat dengan menerapkan beberapa algoritma machine learning, yaitu XGBoost, CatBoost, Linear Regression, LightGBM, dan Random Forest, yang dikombinasikan menggunakan metode Ensemble. Metodologi yang digunakan meliputi perumusan masalah melalui eksplorasi data historis penjualan, studi literatur untuk pemilihan teknologi dan model, analisis dan perancangan sistem dengan arsitektur client-server, implementasi sistem, serta pengujian dan evaluasi. Sistem dikembangkan sebagai aplikasi berbasis web menggunakan Vue.js untuk frontend, Python untuk backend, dan DuckDB sebagai basis data, serta menerapkan queue worker untuk menangani proses forecasting yang intensif. Implementasi deployment dilakukan menggunakan Docker untuk portabilitas. Hasil dari kerja praktik ini adalah sebuah aplikasi web yang mampu melakukan forecasting penjualan emas, memvisualisasikan data hasil prediksi beserta data aktual, serta memungkinkan pengguna untuk menambah data historis dan mengunduh hasil forecast. Diharapkan sistem ini dapat meningkatkan akurasi prediksi, mempercepat pengambilan keputusan, mengurangi risiko kelebihan atau kekurangan stok, dan pada akhirnya mengoptimalkan biaya operasional PT. UBS.

Item Type:	Monograph (Project Report)
Uncontrolled Keywords:	Penjualan Emas, Forecasting, Machine Learning, Ensemble, XGBoost, CatBoost, Linear Regression, LightGBM, Random Forest, Vue.js, Python, DuckDB
Subjects:	Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry) Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.758 Software engineering
Divisions:	Faculty of Industrial Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Mochammad Zharif Asyam Marzuqi
Date Deposited:	17 Jun 2025 01:19
Last Modified:	17 Jun 2025 01:19
URI:	http://repository.its.ac.id/id/eprint/119182

Actions (login required)

View Item