Komparasi Multiple Linear Regression dan Random Forest Regression Dalam Memprediksi Anggaran Biaya Manajemen Proyek Sistem Informasi

Farhanuddin; Sarah Ennola Karina Sihombing; Yahfizham

doi:10.56427/jcbd.v3i2.408

Authors

Farhanuddin Universitas Islam Negeri Sumatera Utara
Sarah Ennola Karina Sihombing Universitas Brawijaya
Yahfizham Universitas Islam Negeri Sumatera Utara

DOI:

https://doi.org/10.56427/jcbd.v3i2.408

Keywords:

Machine Learning, Multiple Linear Regression, Random Forest Regression, Anggaran Biaya, Manajemen Proyek

Abstract

Dalam dunia bisnis yang dinamis dengan persaingan yang semakin ketat, manajemen proyek kini menjadi kunci sukses, terutama dalam pengembangan sistem informasi. Memprediksi anggaran biaya merupakan aspek penting dalam manajemen proyek, dengan mengetahui perkiraan anggaran biaya yang akurat, perusahaan dapat membuat keputusan yang lebih tepat terkait dengan alokasi sumber daya dan pengelolaan keuangan proyek. Dengan kemajuan teknologi, machine learning menjadi solusi potensial untuk meningkatkan akurasi dan efisiensi pengelolaan anggaran. Penelitian ini bertujuan untuk menemukan model machine learning yang paling akurat dalam memprediksi anggaran biaya dengan menggunakan dataset dari platform kaggle.com. Membandingkan algoritma machine learning multiple linear regression (MLR) dan random forest regression (RFR) dilakukan sebagai langkah untuk mencapai tujuan tersebut. Pendekatan deskriptif kuantitatif digunakan dengan melakukan Exploratory Data Analysis (EDA) untuk mengidentifikasi pola dalam data. Hasilnya menunjukkan bahwa model random forest regression memiliki akurasi lebih tinggi, mencapai 81,6% dibandingkan multiple linear regression. Kesimpulannya, penggunaan random forest regression lebih efektif dalam memprediksi anggaran biaya proyek sistem informasi. Ini menandakan bahwa random forest regression dapat menjadi pilihan yang lebih baik untuk menghadapi kompleksitas dan ketidakpastian dalam manajemen proyek sistem informasi.

Downloads

Download data is not yet available.

References

d. Hadion Wijoyo, SISTEM INFORMASI MANAJEMEN, Kapalo Koto: INSAN CENDEKIA MANDIRI, 2021.

T. H. Salsabila, T. M. Indrawati dan R. A. Fitrie, “Meningkatkan Efisiensi Pengambilan Keputusan Publik melalui Kecerdasan Buatan,” Journal of Internet and Software Engineering, vol. 1, no. 2, pp. 1-21, 2024.

A. C. Handoko dan Hendry, “PERBANDINGAN METODE SUPERVISED LEARNING UNTUK PREDIKSI DIABETES GESTASIONAL,” Jurnal Ilmiah Penelitian dan Pembelajaran Informatika, vol. 8, no. 4, pp. 1238-1247, 2023.

J. M. A. Soraya Dachi dan P. Sitompul, “Analisis Perbandingan Algoritma XGBoost dan Algoritma Random Forest Ensemble Learning pada Klasifikasi Keputusan Kredit,” Jurnal Riset Rumpun Matematika dan Ilmu Pengetahuan Alam (JURRIMIPA), vol. 2, no. 2, pp. 87-103, 2023.

M. R. Fahlepi dan A. Widjaja, “Penerapan Metode Multiple Linear Regression Untuk Prediksi Harga Sewa Kamar Kost,” Jurnal Strategi, vol. 1, no. 2, pp. 615-629, 2019.

Farhanuddin, “Perancangan Sistem Pendukung Keputusan Pemilihan Investasi Menggunakan Metode AHP Pada DPMPTSP Kota Medan,” JOURNAL OF COMPUTERS AND DIGITAL BUSINESS, vol. 3, no. 1, pp. 26-30, 2024.

M. Radhi, A. Amalia, D. R. H. Sitompul, S. H. Sinurat dan E. Indra, “ANALISIS BIG DATA DENGAN METODE EXPLORATORY DATA ANALYSIS (EDA) DAN METODE VISUALISASI MENGGUNAKAN JUPYTER NOTEBOOK,” JUSIKOM PRIMA, vol. 4, no. 2, pp. 23 -27, 2022.

M. Sholeh, S. Suraya dan D. Andayati, “Machine Linear untuk Analisis Regresi Linier Biaya Asuransi Kesehatan dengan Menggunakan Python Jupyter Notebook,” Jurnal Edukasi dan Penelitian Informatika, vol. 8, no. 1, pp. 20-27, 2022.

A. N. Fadhilah, A. F. Boy dan R. Syahputra, “Implementasi Data Mining Untuk Pengelompokan Data Penjualan Berdasarkan Pola Pembelian Menggunakan Algoritma K-Means Clustering Pada Toko Syihan,” Jurnal CyberTech, vol. 2, no. 5, 2019.

S. Jesika, S. Ramadhani dan Y. P. Putri, “Implementasi Model Machine Learning dalam Mengklasifikasi Kualitas Air,” Jurnal Ilmiah Dan Karya Mahasiswa, vol. 1, no. 6, pp. 382-396, 2023.

C. Haryanto, N. Rahaningsih dan F. M. Basysyar, “KOMPARASIALGORITMA MACHINE LEARNINGDALAM MEMPREDIKSI HARGA RUMAH,” Jurnal Mahasiswa Teknik Informatika, vol. 7, no. 1, pp. 533-539, 2023.

D. Novaliendry, Deep Learning Untuk Pemula Jilid 1, Purwodadi: CV. SARNU UNTUNG, 2023.

A. A. Munawar dan Hasanuddin, Analisis Data Multivariat Menggunakan The Unscrambler X, Banda Aceh: Syiah Kuala University Press, 2020.

M. D. H. Kusuma dan S. Hidayat, “Penerapan Model Regresi Linier dalam Prediksi Harga Mobil Bekas di India dan Visualisasi dengan Menggunakan Power BI,” Jurnal Indonesia: Manajemen Informatika dan Komunikasi, vol. 5, no. 2, pp. 1097-1110, 2024.

L. M. Ginting, M. MT.Sigiro, E. D. Manurung dan J. J. P. Sinurat, “Perbandingan Metode Algoritma Support Vector Regression dan Multiple Linear Regression Untuk Memprediksi Stok Obat,” Journal of Applied Technology and Informatics, vol. 1, no. 2, pp. 29-34, 2021.

A. Primajaya dan B. N. Sari, “Random Forest Algorithm for Prediction of Precipitation,” Indonesian Journal of Artificial Intelligence and Data Mining (IJAIDM), vol. 1, no. 1, pp. 27-31, 2018.

M. Yafi, Urrochman, E. Setyati dan Y. Kristian, “Prediksi Timing Financial Distress Pada Bank Perkreditan Rakyat di Indonesia Menggunakan Machine Learning,” Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 12, no. 2, pp. 576-584, 2023.