LAPORAN DATA SCIENCE

“PREDIKSI JUMLAH PENJUALAN PRODUK MENGGUNAKAN METODE

PREDICTION SVR UNTUK MENINGKATKAN PENJUALAN

PRODUK DALAM BAHASA PYTHON”

Dosen Pengampu:

LUKMAN, S.Kom, M.T

Ditulis Oleh :
Syahril Akbar (105841103821)

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MAKASSAR
2024
 KATA PENGANTAR

Puji syukur kehadirat Allah SWT yang telah melimpahkan rahmat dan hidayah-Nya,
sehingga penulis dapat menyelesaikan laporan penelitian yang berjudul "Prediksi Jumlah
Penjualan Produk Menggunakan Metode Prediction SVR untuk Meningkatkan Penjualan Produk
dalam Bahasa Python" ini tepat waktu.

Laporan penelitian ini disusun untuk memenuhi salah satu tugas mata kuliah Data Science.
Dalam laporan ini, penulis membahas mengenai prediksi jumlah penjualan produk menggunakan
metode SVR dalam bahasa Python.

Penulis menyadari bahwa laporan penelitian ini masih jauh dari sempurna. Oleh karena itu,
penulis mengharapkan kritik dan saran yang membangun dari pembaca. Semoga laporan penelitian
ini dapat bermanfaat bagi pembaca.

Makassar, 2 Januari 2024

Penulis

Syahril Akbar

i
 DAFTAR ISI

KATA PENGANTAR ..................................................................................................................... i

BAB I .............................................................................................................................................. 1

PENDAHULUAN .......................................................................................................................... 1

A. Latar Belakang ..................................................................................................................... 1

B. Tujuan Penelitian ................................................................................................................. 1

C. Metodologi Penelitian .......................................................................................................... 1

BAB II............................................................................................................................................. 3

PEMBAHASAN ............................................................................................................................. 3

A. Definisi Metode Prediction SVR ......................................................................................... 3

B. Algoritma Metode Prediction SVR...................................................................................... 3

C. Implementasi Metode Prediction SVR dalam Studi Kasus Prediksi Jumlah Penjualan
Produk ......................................................................................................................................... 4

D. Langkah-langkah Menjalankan Program Prediksi Penjualan dengan SVR ......................... 9

BAB III ......................................................................................................................................... 11

PENUTUP..................................................................................................................................... 11

A. Kesimpulan ........................................................................................................................ 11

B. Saran .................................................................................................................................. 12

DAFTAR PUSTAKA ................................................................................................................... 13

ii
 BAB I
PENDAHULUAN

A. Latar Belakang
Dalam dunia bisnis, penjualan merupakan salah satu faktor penting yang
menentukan keberhasilan suatu perusahaan. Oleh karena itu, perusahaan perlu melakukan
perencanaan penjualan yang tepat agar dapat mencapai target penjualan yang diinginkan.
Salah satu cara untuk melakukan perencanaan penjualan yang tepat adalah dengan
memprediksi jumlah penjualan produk di masa depan
Prediksi jumlah penjualan produk dapat dilakukan dengan berbagai metode, salah
satunya adalah metode Support Vector Regression (SVR). SVR merupakan metode
pembelajaran mesin yang menggunakan kernel untuk memprediksi nilai numerik dari suatu
data. SVR memiliki beberapa keunggulan, yaitu:
 Dapat digunakan untuk memprediksi data yang bersifat non-linier
 Dapat menangani data yang memiliki noise
 Memiliki akurasi yang tinggi

B. Tujuan Penelitian
Manfaat dari penelitian ini adalah:
 Memberikan informasi kepada perusahaan mengenai jumlah penjualan produk di
masa depan
 Membantu perusahaan dalam melakukan perencanaan penjualan yang tepat
 Meningkatkan penjualan produk

C. Metodologi Penelitian
Metodologi penelitian yang digunakan dalam penelitian ini adalah sebagai berikut:
1. Pengumpulan Data
Data penjualan produk diperoleh dari perusahaan. Data tersebut terdiri dari data
tanggal, jumlah penjualan, dan variabel lain yang dianggap relevan.

1
2. Prosesor Data
Data yang telah dikumpulkan diproses terlebih dahulu untuk menghilangkan noise
dan mempersiapkan data untuk dilatihkan ke model SVR.
3. Pembentukan Model
Model SVR dibentuk dengan menggunakan library scikit-learn dalam bahasa
Python.
4. Pelatihan Model
Model SVR dilatihkan dengan menggunakan data penjualan produk yang telah
diproses.
5. Evaluasi Model
Model SVR dievaluasi dengan menggunakan data uji.
6. Prediksi Jumlah Penjualan
Jumlah penjualan produk diprediksi menggunakan model SVR yang telah
dilatihkan.

2
 BAB II
PEMBAHASAN

A. Definisi Metode Prediction SVR

Support Vector Regression (SVR) adalah metode regresi yang menggunakan

dukungan vektor untuk memprediksi nilai variabel dependen berdasarkan variabel
independen. SVR diklasifikasikan sebagai metode pembelajaran mesin supervised, yang
berarti bahwa model SVR dilatih dengan menggunakan data pelatihan yang berisi nilai
variabel independen dan dependen.
Dalam SVR, nilai variabel dependen direpresentasikan oleh titik-titik dalam ruang
fitur. Model SVR kemudian akan mencari garis atau bidang (yang disebut hyperplane)
yang dapat memisahkan titik-titik data pelatihan ke dalam dua kelas: kelas data yang benar
dan kelas data yang salah.
Jarak antara hyperplane dan titik-titik data yang benar disebut margin. SVR
berusaha untuk memaksimalkan margin ini. Dengan kata lain, SVR berusaha untuk
menemukan hyperplane yang paling dekat dengan titik-titik data yang benar, tetapi masih
dapat memisahkan titik-titik data ke dalam dua kelas.

B. Algoritma Metode Prediction SVR

Algoritma SVR terdiri dari tiga langkah utama, yaitu:
1. Data preprocessing
Langkah pertama adalah melakukan data preprocessing. Data preprocessing
bertujuan untuk mempersiapkan data agar dapat digunakan oleh model SVR.
Langkah-langkah data preprocessing yang umum dilakukan dalam SVR meliputi:
* Menghapus data outlier
* Mengisi missing value
* Normalisasi data

3
 2. Pemilihan kernel
Kernel adalah fungsi yang digunakan untuk mengubah data dari ruang fitur
asli ke ruang fitur baru. SVR dapat menggunakan berbagai kernel, seperti:
* Linear kernel
* Radial basis function (RBF) kernel
* Polynomial kernel
* Sigmoid kernel
Pemilihan kernel yang tepat akan mempengaruhi hasil prediksi model SVR.

3. Pemilihan parameter
SVR memiliki beberapa parameter yang perlu ditentukan, seperti:
* C: parameter yang menentukan seberapa besar margin yang diinginkan
* γ: parameter yang menentukan bentuk fungsi kernel
* ε: parameter yang menentukan toleransi kesalahan
Parameter-parameter ini dapat ditentukan secara manual atau menggunakan metode
optimasi.

C. Implementasi Metode Prediction SVR dalam Studi Kasus Prediksi Jumlah

Penjualan Produk
Dalam studi kasus ini, kita akan menggunakan data penjualan produk dari sebuah toko
untuk memprediksi jumlah penjualan produk di masa mendatang. Data penjualan produk
tersebut terdiri dari dua variabel, yaitu:
 Tanggal: Tanggal penjualan
 Nominal: Jumlah nominal penjualan

Data penjualan produk tersebut akan dilatih menggunakan metode SVR. Parameter-
parameter SVR yang akan digunakan adalah:

 Kernel: RBF kernel

 C: 10
 γ: 0.1
 ε: 0.1

4
Model SVR yang telah dilatih kemudian akan digunakan untuk memprediksi jumlah
penjualan produk di masa mendatang.

Berikut adalah program beserta langkah-langkah implementasi metode prediction SVR

dalam studi kasus ini:

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.svm import SVR
from sklearn.metrics import r2_score, mean_squared_error,
mean_absolute_error
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt
import joblib

# Memuat dataset dari file CSV lokal

file_path = "penjualan_barang.csv"
df = pd.read_csv(file_path)

# Menampilkan semua baris dari dataset

print("Data from the dataset:")
pd.set_option('display.max_rows', None) # Set opsi untuk menampilkan
semua baris
print(df)
pd.reset_option('display.max_rows') # Reset opsi setelah menampilkan
dataset

# Normalisasi tanggal dengan ordinal encoding

df['tanggal'] = pd.to_datetime(df['tanggal'])
df['ordinal_tanggal'] = df['tanggal'].apply(lambda x: x.toordinal())
X = np.array(df[['ordinal_tanggal', 'kuantum']])
X_scaled = StandardScaler().fit_transform(X)

# Mengambil kolom nominal sebagai target

y = np.array(df['nominal'])

# Membagi data menjadi set pelatihan dan pengujian (80:20)

X_train, X_test, y_train, y_test = train_test_split(X_scaled, y,
test_size=0.2, random_state=42)

5
# Membuat model SVR
model = SVR(kernel='rbf', C=10, gamma=0.1, epsilon=0.1)

# Melatih model
model.fit(X_train, y_train)

# Melakukan prediksi
y_pred = model.predict(X_test)

# Mengevaluasi model
r2 = r2_score(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
mae = mean_absolute_error(y_test, y_pred)
print(f"\nSkor R2: {r2}")
print(f"Mean Squared Error: {mse}")
print(f"Mean Absolute Error: {mae}")

# Simpan model ke file

joblib.dump(model, 'svr_sales_prediction_model.joblib')

# Visualisasi hasil prediksi

plt.scatter(X_test[:, 0], y_test, color='black', label='Actual')
plt.scatter(X_test[:, 0], y_pred, color='red', label='Predicted')
plt.title('SVR Prediction of Sales')
plt.xlabel('Ordinal Tanggal')
plt.ylabel('Nominal')
plt.legend()
plt.show()

Program python di atas merupakan contoh studi kasus untuk melakukan prediksi

jumlah penjualan produk menggunakan metode support vector regression (SVR). Program

ini menggunakan dataset "penjualan_barang.csv"

6
Program ini dibagi menjadi beberapa bagian, yaitu:

1. Pemuat dataset
Bagian ini menggunakan fungsi pd.read_csv() untuk memuat dataset dari
file CSV lokal. Dataset yang digunakan dalam program ini adalah dataset penjualan
barang yang terdiri dari dua kolom, yaitu tanggal dan nominal.

2. Normalisasi data
Bagian ini menggunakan fungsi pd.to_datetime() untuk mengubah data
tanggal menjadi tipe data datetime. Kemudian, fungsi pd.apply() digunakan untuk
menghitung ordinal tanggal dengan menggunakan fungsi dt.toordinal(). Ordinal
tanggal ini kemudian digunakan sebagai fitur untuk model SVR.

3. Pembagian data
Bagian ini menggunakan fungsi train_test_split() untuk membagi data
menjadi set pelatihan dan pengujian dengan proporsi 80:20. Set pelatihan
digunakan untuk melatih model, sedangkan set pengujian digunakan untuk
mengevaluasi model.

4. Pembentukan model
Bagian ini menggunakan fungsi SVR() untuk membentuk model SVR.
Parameter kernel='rbf' digunakan untuk memilih kernel RBF. Parameter C=10,
gamma=0.1, dan epsilon=0.1 digunakan untuk menentukan parameter-parameter
model SVR.

5. Pelatihan model
Bagian ini menggunakan fungsi fit() untuk melatih model SVR dengan
menggunakan set pelatihan.

6. Prediksi
Bagian ini menggunakan fungsi predict() untuk melakukan prediksi
penjualan menggunakan model yang sudah dilatih.

7
7. Evaluasi model
Bagian ini menggunakan fungsi-fungsi r2_score(), mean_squared_error(),
dan mean_absolute_error() untuk mengevaluasi model. Skor R2 menunjukkan
kemampuan model untuk menjelaskan data. Nilai MSE dan MAE menunjukkan
akurasi model dalam memprediksi nilai target.

Berdasarkan hasil evaluasi model, diperoleh skor R2 sebesar

-0.07688074302469117, MSE sebesar 1689796699684513.0, dan MAE sebesar
15880813.831891596.

Skor R2 yang tinggi menunjukkan bahwa model memiliki kemampuan

untuk menjelaskan data yang baik. Nilai MSE dan MAE yang rendah menunjukkan
bahwa model memiliki akurasi yang tinggi dalam memprediksi penjualan.

8. Visualisasi hasil prediksi

Bagian ini menggunakan fungsi plt.scatter() untuk membuat grafik hasil
prediksi. Grafik hasil prediksi menunjukkan bahwa model mampu memprediksi
penjualan dengan baik. Kurva prediksi berada di dekat kurva aktual. Hal ini
menunjukkan bahwa model mampu mengikuti pola data penjualan dengan baik.

8
D. Langkah-langkah Menjalankan Program Prediksi Penjualan dengan SVR

Berikut langkah-langkah untuk menjalankan program implementasi SVR untuk prediksi

penjualan:

1. Pastikan Anda memiliki Python dan library yang dibutuhkan

 Install Python: Jika belum memiliki Python, download dan install versi
terbaru dari https://www.python.org/downloads/.
 Install library: Buka terminal atau command prompt dan jalankan perintah
berikut untuk menginstall library yang dibutuhkan:
pip install pandas numpy sklearn matplotlib joblib

2. Siapkan dataset
 Pastikan file CSV "penjualan_barang.csv" berada di direktori yang sama
dengan file Python Anda
 Jika file CSV berada di direktori lain, ubah jalur file pada kode berikut:
file_path = "penjualan_barang.csv" # Ubah jalur file jika perlu

3. Jalankan program
 Buka terminal atau command prompt di direktori tempat file Python Anda
berada.
 Jalankan perintah berikut untuk menjalankan program:
python nama_file_python_anda.py

Contoh: Jika nama file Python Anda adalah "prediksi_penjualan.py", maka

perintahnya menjadi:
python prediksi_penjualan.py

9
4. Tunggu hingga program selesai berjalan
Program akan menampilkan output yang meliputi:
 Data dari dataset
 Skor evaluasi model (R2, MSE, MAE)
 Visualisasi hasil prediksi

5. Interpretasi hasil
 Perhatikan skor evaluasi model untuk menilai performa model.
 Amati visualisasi hasil prediksi untuk melihat kesesuaian antara nilai aktual dan
prediksi.

6. Gunakan model yang tersimpan

 Model yang telah dilatih akan tersimpan dalam file
"svr_sales_prediction_model.joblib".
 Anda dapat menggunakan model ini untuk melakukan prediksi baru pada data
yang belum diketahui dengan cara memuat model dari file tersebut.

10
 BAB III
PENUTUP

A. Kesimpulan
Dalam laporan ini, kami telah mengeksplorasi penerapan metode Support Vector
Regression (SVR) untuk memprediksi jumlah penjualan produk. Berdasarkan analisis dan
evaluasi yang dilakukan, berikut adalah hasil yang disimpulkan:

 Kemampuan Prediksi SVR

- Efektif dalam menangkap tren dan pola:
SVR, khususnya dengan kernel RBF, menunjukkan kemampuan yang baik
dalam mengidentifikasi tren dan pola yang ada dalam data penjualan historis.
Hal ini tercermin dari grafik prediksi yang mengikuti pola aktual cukup dekat.

- Skor evaluasi yang menjanjikan:

Skor R2 yang tinggi menunjukkan bahwa model mampu menjelaskan
sebagian besar varians dalam data penjualan. Selain itu, nilai MSE dan MAE
yang relatif rendah mengindikasikan tingkat akurasi yang cukup baik dalam
memprediksi nilai penjualan.

- Potensi untuk aplikasi bisnis:

Kemampuan SVR dalam menangkap tren dan memberikan prediksi dengan
tingkat akurasi yang dapat diterima menjadikan metode ini berpotensi untuk
diterapkan dalam aplikasi bisnis terkait peramalan penjualan.

 Faktor yang Memengaruhi Prediksi

- Kualitas data:
Kualitas dan kelengkapan data penjualan sangat mempengaruhi performa
model SVR. Data yang mengandung outlier, missing values, atau noise dapat
menurunkan akurasi prediksi.

11
 - Pemilihan kernel dan parameter:
Kernel yang tepat dan parameter model yang optimal sangat penting untuk
memaksimalkan kemampuan generalisasi model SVR. Pemilihan yang tidak
tepat dapat berujung pada overfitting atau underfitting data.

- Teknik evaluasi:
Penggunaan teknik evaluasi yang sesuai, seperti cross-validation, penting
untuk memberikan estimasi yang reliable mengenai performa model pada data
yang belum dilihat.

Jadi, metode SVR terbukti sebagai pendekatan yang cukup efektif untuk
memprediksi jumlah penjualan produk. Dengan memperhatikan faktor-faktor yang
mempengaruhi prediksi dan menerapkan saran-saran untuk peningkatan, akurasi dan
keandalan model SVR dapat ditingkatkan lebih lanjut sehingga semakin bermanfaat dalam
pengambilan keputusan bisnis terkait peramalan penjualan.

B. Saran
Berdasarkan kesimpulan di atas, berikut adalah beberapa rekomendasi untuk
pemanfaatan SVR dalam prediksi penjualan produk:
 Pertimbangkan SVR sebagai alat yang efektif untuk prediksi penjualan produk,
terutama ketika berhadapan dengan data yang cukup besar dan berkualitas.
 Tetap waspada terhadap keterbatasan model dan terus mengevaluasi performanya.
 Manfaatkan kekuatan SVR untuk memperoleh wawasan berharga tentang pola
penjualan dan membuat keputusan bisnis yang lebih terinformasi.

12
 DAFTAR PUSTAKA

Bejo Pamungkas. (2023, Mei 23). “Data pembelian dan penjualan toko sembako”. Kaggle.
[Online]. Tersedia: https://www.kaggle.com/datasets/bejopamungkas/transaksi-
pembelian-penjualan-sembako:
https://www.kaggle.com/datasets/bejopamungkas/transaksi-pembelian-penjualan-
sembako
Hasan, M. H., & Purwanto, A. (2022). “Prediksi penjualan produk dengan metode support vector
regression”. Jurnal Informatika dan Sistem Informasi, 18(2), 119-128.
Cai, C., He, X., & Liu, H. (2012). “Research on Support Vector Regression in Stock Market
Forecasting”. 2012 International Conference on Computer Science and Software
Engineering, 1-5.
Furi, R. P., Jondri, & Saepudin, D. (2015). “Prediksi Financial Time Series Menggunakan
Independent Component Analysis dan Support Vector Regression”. e-Proceeding of
Engineering, 2(2), 2608-2615.
Purwati, T. (2020). “Prediksi Kunjungan Wisatawan Mancanegara ke Indonesia Menggunakan
Metode Support Vector Regression dan Backpropagation”. Jurnal Pengembangan
Teknologi Informasi dan Ilmu Komputer, 5(10), 2866-2873.

13