PREDIKSI PERMINTAAN BUKU BERBASIS DATA PEMINJAMAN MENGGUNAKAN ALGORITMA REGRESI RANDOM FOREST DI PERPUSTAKAAN AKFAR BHUMI HUSADA

Yulianti Nawangsari; Akhmad Rizal Dzikrillah;

ABSTRAK

PREDIKSI PERMINTAAN BUKU BERBASIS DATA PEMINJAMAN
MENGGUNAKAN ALGORITMA RANDOM FOREST DI
PERPUSTAKAAN AKFAR BHUMI HUSADA

Yulianti Nawangsari

Pengelolaan stok buku di perpustakaan Yayasan Akfar Bhumi Husada sering menghadapi kendala
dalam memprediksi jumlah stok agar sesuai permintaan, sehingga diperlukan metode prediksi stok
buku menggunakan machine learning. Data historis peminjaman buku diolah melalui tahap
preprocessing, kategorisasi, dan pengujian dengan algoritma Regresi linear, polinomial, dan
Random forest menggunakan Rapidminer. Evaluasi model dilakukan akurasi prediksi. Hasil
penelitian menunjukan bahwa Random Forest menghasilkan nilai MAPE terendah dibandingkan
algoritma lain. Untuk mendapatkan MAPE terbaik data buku harus di kategorisasi terlebih dahulu
dan harus di prediksi dengan model tersendiri untuk masing-masing kategori, pengujian tidak bisa
langsung dengan satu model dengan keseluruhan data namun harus di pisah berdasarkan kategori.
Ada beberapa kategori yang akurasi MAPEnya sangat akurat. Kemudian ada kategori yang akurasi
MAPEnya cukup akurat dan ada kategori akurasi MAPEnya wajar. Namun ada beberapa kategori
yang sulit untuk di prediksi dengan algoritma mana pun.
Kata kunci: Prediksi Permintaan Buku, Data Mining, Regresi Random Forest, MAPE

BOOK DEMAND PREDICTION BASED ON LOAN DATA USING THE
RANDOM FOREST ALGORITHM AT THE AKFAR BHUMI HUSADA

LIBRARY
Yulianti Nawangsari

Book stock management at the Yayasan Akfar Bhumi Husada library often faces difficulties in
predicting stock quantities to match demand, thus requiring a book stock prediction method using
machine learning. Historical book loan data is processed through preprocessing, categorization,
and testing using Linear Regression, Polynomial Regression, and Random Forest algorithms with
RapidMiner. Model evaluation is carried out based on prediction accuracy. The research results
show that Random Forest produces the lowest MAPE value compared to the other algorithms. To
obtain the best MAPE , the book data must first be categorized and then predicted with separate
models for each category. Testing cannot be done with a single model for the entire dataset but must
be separated by category. Some categories show very accurate MAPE accuracy, some show fairly
accurate MAPE accuracy, and some show reasonable MAPE accuracy. However, there are also
some categories that are difficult to predict using any algorithm.
Keywords: Book Demand Prediction, Data Mining, Random Forest Regression,