PENERAPAN BUSINESS INTELLIGENCE UNTUK PREDIKSI
PERMINTAAN PRODUK RETAIL DI JAKARTA TIMUR
MENGGUNAKAN ALGORITMA REGRESI LINEAR
Saddam Bimar Fauzan; Mohammad Givi Efgivia;
No. Panggil: eSTI-210315106
ABSTRAK
Penerapan Business Intelligence untuk Prediksi Permintaan Produk Ritel di
Jakarta Timur Menggunakan Algoritma Regresi Linier
Saddam Bimar Fauzan
Penelitian ini bertujuan mengembangkan sistem prediksi penjualan produk ritel di Jakarta Timur dengan
memanfaatkan Business Intelligence (BI) dan metode Regresi Linear. Data yang digunakan berasal dari dinas
PPKUKM Jakarta Timur berupa 366 transaksi penjualan tahun 2024 yang berisi tanggal, kategori produk, harga
satuan, stok, dan jumlah penjualan. Tahapan penelitian meliputi pengumpulan data, pembersihan,
pembangunan model, serta pengujian model melalui uji linearitas, uji normalitas, uji homoskedastisitas, dan uji
signifikansi. Evaluasi dengan MAE, MSE, RMSE, R2, dan 5-Fold Cross Validation menunjukkan model layak
digunakan untuk prediksi. Hasil penelitian menunjukkan bahwa model dapat menjelaskan 86,83% variasi
penjualan (R2 = 0,8683) dengan tingkat kesalahan rendah. Grafik Perbandingan Prediksi dengan Aktual
memperlihatkan hasil prediksi mendekati angka penjualan sebenarnya dalam rentang 15–125 unit. Model ini
juga lebih baik dibandingkan Random Forest dan diintegrasikan ke dalam dashboard berbasis web yang
memudahkan pelaku usaha mengelola stok dan strategi penjualan berbasis data.
Kata Kunci: Business Intelligence, Regresi Linier, Prediksi Permintaan Produk Ritel.
Application of Business Intelligence to Prediction of Retail Product Demand in
East Jakarta Using Linear Regression Algorithm
Saddam Bimar Fauzan
This study aims to develop a retail product sales prediction system in East Jakarta using Business Intelligence
(BI) and the Linear Regression method. The dataset consists of 366 sales transactions from 2024 obtained from
the East Jakarta PPKUKM office, containing dates, product categories, unit prices, stock, and sales quantity.
The research stages included data collection, cleaning, model development, and validation through the
linearity test, normality test, homoscedasticity test, and significance tests. Evaluation using MAE, MSE, RMSE,
R2, and 5-Fold Cross Validation confirmed the model is suitable for prediction. The results showed that the
model explained 86.83% of sales variation (R2 = 0.8683) with low error. The Predicted vs Actual Comparison
graph showed predictions close to actual sales, ranging from 15–125 units. This model outperformed Random
Forest and was integrated into a web-based dashboard to help business owners manage inventory and sales
strategies using data-driven insights.
Keywords: Business Intelligence, Linear Regression, Retail product demand forecast
