Analisis Tingkat Akurasi Metode Naive Bayes dan Random Forest dalam Prediksi Penjualan Emas
DOI:
https://doi.org/10.52436/1.jpti.732Kata Kunci:
Naive Bayes, Prediksi Penjualan Emas, Random Forest, Volatilitas PasarAbstrak
Penelitian ini bertujuan untuk menganalisis tingkat akurasi metode Naive Bayes dan Random Forest dalam prediksi penjualan emas, yang memainkan peran penting dalam perencanaan investasi dan strategi bisnis di sektor pertambangan, terutama dalam menghadapi volatilitas pasar yang tinggi. Metode penelitian yang digunakan adalah narrative literature review, yang berfokus pada perbandingan dan analisis teori-teori yang ada sebelumnya. Pendekatan ini memungkinkan peneliti untuk mengevaluasi, mengidentifikasi, dan menganalisis literatur yang relevan serta menyarikan temuan-temuan penting yang dapat memberikan wawasan lebih dalam tentang topik yang dikaji. Dalam konteks ini, Naive Bayes dan Random Forest digunakan untuk meramalkan fluktuasi harga emas dan perilaku pembelian produk, dengan fokus pada pengoptimalan strategi pemasaran. Hasil analisis menunjukkan bahwa Naive Bayes efektif dalam mengidentifikasi produk yang diminati dan memfasilitasi perencanaan pemasaran. Namun, Random Forest menunjukkan keunggulan dalam prediksi yang lebih kompleks, seperti perilaku repeat order pelanggan, berkat kemampuannya untuk menangani data variatif dan mengurangi risiko overfitting melalui pendekatan ensemble yang menggabungkan banyak pohon keputusan. Meskipun terdapat sedikit penurunan akurasi pada data pengujian, Random Forest tetap dapat menghasilkan prediksi yang akurat dan robust. Oleh karena itu, kedua metode ini memberikan kontribusi signifikan dalam merancang strategi bisnis dan keputusan investasi yang lebih akurat, dengan Random Forest lebih unggul dalam menghadapi data yang lebih kompleks. Kontribusi penelitian ini yakni memberikan landasan teoretis tentang penerapan algoritma pembelajaran mesin di sektor pemasaran berbasis data, serta menjadi panduan bagi praktisi dan peneliti dalam memilih metode prediktif yang tepat.
Unduhan
Referensi
M. Saleh, A. Sinaga, and S.-J. Mahmudiyah, “Analisis Persepsi Nasabah Berinvestasi Melalui Produk Pembiayaan Cicil Emas Pada PT. Bank Syariah Indonesia KCP Stabat,” JEKSya J. Ekon. dan Keuang. Syariah, vol. 3, no. 3, pp. 285–297, 2024.
M. F. Ghazali, H. H. Lean, and Z. Bahari, “Does gold investment offer protection against stock market losses? evidence from five countries,” Singapore Econ. Rev., vol. 65, no. 2, pp. 275–301, 2020, doi: 10.1142/S021759081950036X.
A. Suwandi, “Prediksi Harga Emas Menggunakan Metode Single Moving Average,” JiTEKH, vol. 8, no. 1, pp. 32–36, 2020, doi: 10.35447/jitekh.v8i1.194.
H. H. Adinugraha, A. Sadali, R. Andrean, I. Negeri, K. H. A. Wahid, and E. Konvensional, “HOW DOES MONEY FUNCTION IN THE VIEW OF ISLAMIC ECONOMICS?,” PROFJES Profetik J. Ekon. Syariah, vol. 03, no. 01, pp. 1–12, 2024.
S. Shafiee and E. Topal, “An overview of global gold market and gold price forecasting,” Resour. Policy, vol. 35, no. 3, pp. 178–189, 2010, doi: 10.1016/j.resourpol.2010.05.004.
A. Yavuz and S. Eken, “Gold Returns Prediction: Assessment based on Major Events,” EAI Endorsed Trans. Scalable Inf. Syst., vol. 10, no. 5, pp. 1–10, 2023, doi: 10.4108/eetsis.3323.
A. E. S. H. Maharani, D. A. Azka, and D. Darlena, “Gold Price Fluctuation Forecasting Based on Newton and Lagrange Polynomial Interpolation,” J. Varian, vol. 7, no. 1, pp. 87–98, 2023, doi: 10.30812/varian.v7i1.3230.
Cynthia Sari Dewi, “What Causes Future Gold Price Volatility in Indonesia?,” Formosa J. Sustain. Res., vol. 1, no. 6, pp. 877–884, 2022, doi: 10.55927/fjsr.v1i6.1802.
N. Syahfitrri, Nonong Amalita, Dodi Vionanda, and Zamahsary Martha, “Forecasting Gold Prices in Indonesia using Support Vector Regression with the Grid Search Algorithm,” UNP J. Stat. Data Sci., vol. 2, no. 1, pp. 32–39, 2024, doi: 10.24036/ujsds/vol2-iss1/145.
M. Ouyang, “Evolution and New Trends of International Trade Theory in the Digital Economy Era,” pp. 184–194, 2024, doi: 10.4236/ib.2024.164013.
B. N. Vu and H. Y. Hoang, “Factors influencing gold demand?: Evidence from developing countries,” vol. 66, no. 3, 2024, doi: 10.31276/VMOSTJOSSH.2024.0011.
M. R. A. Yaqin and S. W. Sulistyono, “The Impact of Open Trade on Economic Growth in ASEAN Developing Countries,” J. Simki Econ., vol. 7, no. 1, pp. 333–346, 2024, doi: 10.29407/jse.v7i1.594.
W. Gong, “Research on gold price forecasting based on lstm and linear regression,” SHS Web Conf., vol. 181, p. 02005, 2024, doi: 10.1051/shsconf/202418102005.
M. R. N. P, Z. Martha, D. Vionanda, and A. Salma, “Prediction of World Gold Price Using k -Nearest Neighbor Method,” UNP J. Stat. DATA Sci., vol. 2, pp. 463–468, 2024.
T. Bunnag, “The Importance of Gold’s Effect on Investment and Predicting the World Gold Price Using the ARIMA and ARIMA-GARCH Model,” Ekon. J. Econ., vol. 2, no. 1, pp. 38–52, 2024, doi: 10.60084/eje.v2i1.155.
O. Peretz, M. Koren, and O. Koren, “Naive Bayes classifier – An ensemble procedure for recall and precision enrichment,” Eng. Appl. Artif. Intell., vol. 136, no. March, 2024, doi: 10.1016/j.engappai.2024.108972.
T. Zhu, “Analysis on the applicability of the random forest,” J. Phys. Conf. Ser., vol. 1607, no. 1, 2020, doi: 10.1088/1742-6596/1607/1/012123.
E. Ford, “Tell me your story: Narrative inquiry in LIS research,” Coll. Res. Libr., vol. 81, no. 2, pp. 235–247, 2020, doi: 10.5860/crl.81.2.235.
H. Supendar and N. Suharyanti, “Penerapan Algoritma Naïve Bayes Dalam Menentukan Penjualan Bulan Ini,” vol. 7, no. April, pp. 873–882, 2023.
A. C. Dewi, A. Hermawan, and D. Avianto, “Classification of Customers’ Repeat Order Probability Using Decision Tree, Naïve Bayes and Random Forest,” J. Pilar Nusa Mandiri, vol. 20, no. 1, pp. 52–59, 2024, doi: 10.33480/pilar.v20i1.5243.
N. Ariza, N. Manurung, and M. Handayani, “Forecasting the Gold Jewelry Sales Using Single Exponential Smoothing Method,” J. Tek. Inform., vol. 3, no. 6, pp. 1573–1580, 2022, doi: 10.20884/1.jutif.2022.3.6.395.
A. Munde and J. Kaur, “Predictive Modelling of Customer Sustainable Jewelry Purchases Using Machine Learning Algorithms,” Procedia Comput. Sci., vol. 235, no. 2023, pp. 683–700, 2024, doi: 10.1016/j.procs.2024.04.066.
X. Zhao and P. Keikhosrokiani, “Sales prediction and product recommendation model through user behavior analytics,” Comput. Mater. Contin., vol. 70, no. 2, pp. 3855–3874, 2022, doi: 10.32604/cmc.2022.019750.
I. Abu-Doush, B. Ahmed, M. A. Awadallah, M. A. Al-Betar, and A. R. Rababaah, “Enhancing multilayer perceptron neural network using archive-based harris hawks optimizer to predict gold prices,” J. King Saud Univ. - Comput. Inf. Sci., vol. 35, no. 5, p. 101557, 2023, doi: 10.1016/j.jksuci.2023.101557.
F. T. Admojo, S. Risnanto, A. W. Windiawati, M. Innuddin, and D. Mualfah, “Comparison of Naïve Bayes and Random Forest Algorithm in Webtoon Application Sentiment Analysis,” Innov. Res. Informatics, vol. 6, no. 1, pp. 23–28, 2024, doi: 10.37058/innovatics.v6i1.10636.
P. Bhargav and P. Rama Parvathy, “Comparing Random Forest with the Naive Bayes Algorithm with Improved Accuracy: An Effective Machine Learning Method for Loan Prediction,” J. Surv. Fish. Sci., vol. 10, no. 1S, pp. 2018–2029, 2023, [Online]. Available: http://sifisheriessciences.com/journal/index.php/journal/article/view/436.
H. Lestiawan, C. Jatmoko, F. Agustina, D. Sinaga, and L. Erawan, “Prediction of Sleep Disorders Based on Occupation and Lifestyle: Performance Comparison of Decision Tree, Random Forest, and Naïve Bayes Classifier,” J. Appl. Intell. Syst., vol. 8, no. 3, pp. 298–309, 2023, doi: 10.33633/jais.v8i3.8987.
A. Y. Kuntoro, “Tweet Netizen Prediction Using Random Forest, Decision Tree, Naïve Bayes, And Ensemble Algorithm (Case Study The Governor Of DKI Jakarta),” SinkrOn, vol. 5, no. 1, pp. 9–20, 2020, doi: 10.33395/sinkron.v5i1.10565.
