Penerapan XGBoost dan Random Forest dalam Prediksi Strategi Pemasaran Berdasarkan Data Penjualan

Abstract

Penelitian ini bertujuan merancang model prediksi strategi pemasaran berbasis data transaksi penjualan dengan menerapkan algoritma XGBoost dan Random Forest secara hybrid melalui pendekatan ensemble learning. Studi dilakukan pada toko online Infinity Jar untuk memprediksi jumlah penjualan produk dan memberikan rekomendasi strategi pemasaran berupa kombinasi paket produk berdasarkan tingkat permintaan. Metode penelitian meliputi prapemrosesan data, pemodelan, tuning hyperparameter, evaluasi model menggunakan metrik Mean Squared Error (MSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE), serta visualisasi hasil. Model hybrid yang dibangun dengan Voting Regressor menunjukkan performa terbaik dengan MSE sebesar 5.36, MAE sebesar 1.00, dan MAPE sebesar 14.39%. Model hybrid terbukti lebih akurat dibandingkan model tunggal, yaitu Random Forest (MSE: 5.45, MAE: 1.09, MAPE: 23.48%) dan XGBoost (MSE: 6.91, MAE: 1.27, MAPE: 33.01%). Nilai metrik yang lebih rendah menunjukkan kemampuan prediksi yang lebih baik. Selain itu, penelitian ini menghasilkan 18 rekomendasi bundling produk berdasarkan klasifikasi permintaan tinggi dan rendah. Rekomendasi ini diharapkan dapat membantu optimalisasi pengelolaan stok dan meningkatkan penjualan. Dengan demikian, pendekatan hybrid terbukti efektif dalam mendukung pengambilan keputusan pemasaran berbasis data.