Volume 35 No.
Maret 2025
SINTA 5
Prediksi Harga Handphone Berbasis Algoritma Supervised Learning Afrizal Zein1.
Fordiana Ekawati2 Program Studi Sistem Informasi.
Fakultas Ilmu Komputer.
Universitas Pamulang Jl.
Raya Puspitek.
No.
Buaran.
Serpong.
Tangerang Selatan.
Banten.
Indonesia Email : dosen01495@unpam.
id, 02688@unpam.
Abstrak Perkembangan teknologi ponsel yang pesat menyebabkan meningkatnya variasi spesifikasi dan harga di pasar, sehingga menimbulkan tantangan dalam menentukan harga yang sesuai untuk perangkat baru maupun bekas.
Penelitian ini bertujuan untuk membangun model prediksi harga ponsel menggunakan algoritma supervised learning.
Beberapa fitur utama yang digunakan meliputi spesifikasi teknis seperti kapasitas RAM, penyimpanan internal, ukuran layar, resolusi kamera, dan jenis prosesor.
Metodologi yang diterapkan mencakup eksplorasi data, pra-pemrosesan, serta pelatihan dan evaluasi model menggunakan algoritma regresi linier, decision tree, dan random forest.
Evaluasi performa dilakukan menggunakan metrik seperti Mean Absolute Error (MAE).
Mean Squared Error (MSE), dan RA Score.
Percobaan ini menggunakan data yang diunduh dari Kaggle yang berisi 145 harga dan fitur ponsel.
Ditemukan bahwa algoritma regresi linier dan hutan acak dapat memberikan prediksi yang relatif baik untuk ponsel dengan skor MAPE di bawah 10% dan skor R2 di atas 95%.
Metode hutan acak memprediksi harga sedikit lebih baik daripada regresi linier.
Model random forest memberikan performa terbaik dalam memprediksi harga ponsel dengan tingkat akurasi yang tinggi.
Temuan ini dapat dimanfaatkan oleh pelaku industri, penjual, maupun konsumen untuk menentukan harga pasar secara lebih objektif dan efisien.
Kata kunci: prediksi harga, supervised learning, ponsel, machine learning, random forest Abstract The rapid development of mobile phone technology has led to an increase in the variety of specifications and prices in the market, thus creating challenges in determining the appropriate price for new and used devices.
This study aims to build a mobile phone price prediction model using a supervised learning algorithm.
Some of the main features used include technical specifications such as RAM capacity, internal storage, screen size, camera resolution, and processor type.
The methodology applied includes data exploration, pre-processing, and model training and evaluation using linear regression, decision tree, and random forest algorithms.
Performance evaluation is carried out using metrics such as Mean Absolute Error (MAE).
Mean Squared Error (MSE), and RA Score.
This experiment uses data downloaded from Kaggle containing 145 mobile phone prices and features.
It was found that the linear regression and random forest algorithms can provide relatively good predictions for mobile phones with MAPE scores below 10% and R2 scores above 95%.
The random forest method predicts prices slightly better than linear regression.
The random forest model provides the best performance in predicting mobile phone prices with a high level of accuracy.
These findings can be utilized by industry players, sellers, and consumers to determine market prices more objectively and Keywords: price prediction, supervised learning, mobile phones, machine learning, random forest Pendahuluan Perkembangan teknologi informasi dan komunikasi yang pesat telah mendorong pertumbuhan industri perangkat mobile, khususnya ponsel pintar .
Ponsel tidak lagi hanya berfungsi sebagai alat komunikasi, melainkan telah menjadi perangkat multifungsi yang menunjang aktivitas sehari-hari, mulai dari hiburan, pekerjaan, hingga transaksi keuangan digital.
Akibatnya, pasar ponsel menjadi sangat dinamis dengan variasi harga yang dipengaruhi oleh beragam spesifikasi teknis dan fitur.
Prediksi Harga Handphone Berbasis Algoritma Supervised Learning Author : Afrizal Zein.
Fordiana Ekawati- Sainstech Vol.
35 No.
2 (Juni 2.
: 27-33 DOI: https://doi.
org/10.
37277/stch.
Perkembangan teknologi yang pesat telah mendorong peningkatan permintaan khususnya ponsel pintar .
Indonesia, penggunaan smartphone terus meningkat, tidak hanya untuk komunikasi, tetapi juga untuk kegiatan ekonomi, dan hiburan.
Namun, konsumen sering kali menghadapi kesulitan dalam menentukan pilihan yang tepat karena banyaknya variasi merek, spesifikasi, dan harga yang ditawarkan di Kebingungan ini diperparah dengan kurangnya informasi yang objektif faktor-faktor memengaruhi harga sebuah ponsel.
Menurut Zebua .
, masyarakat Indonesia sering mengalami kebingungan ketika dihadapkan pada berbagai pilihan harga ponsel.
Oleh karena itu, diperlukan suatu metode yang dapat membantu memprediksi harga ponsel secara lebih Salah satu pendekatan yang dapat digunakan adalah metode regresi linier, yang mampu menganalisis hubungan antara harga ponsel dengan variabelvariabel seperti spesifikasi teknis, merek, tahun rilis, dan fitur lainnya.
Penelitian ini penting untuk memberikan kontribusi pengembangan model prediksi, bagi industri dalam strategi penetapan harga, serta bagi konsumen dalam mengambil keputusan pembelian yang lebih rasional.
Salah satu tantangan dalam industri ini adalah menentukan harga jual ponsel yang kompetitif namun tetap menguntungkan.
Penetapan membutuhkan analisis terhadap berbagai RAM, penyimpanan internal, ukuran layar, resolusi kamera, daya tahan baterai, hingga merek dan tren pasar saat ini.
Dalam konteks ini, pemanfaatan teknologi pembelajaran mesin .
achine learnin.
, dapat memberikan solusi yang efisien dan akurat dalam memperkirakan harga ponsel berdasarkan data historis.
Supervised learning merupakan salah satu pendekatan dalam pembelajaran mesin yang bekerja dengan mempelajari hubungan antara data input .
dan output .
berdasarkan data pelatihan yang telah dilabeli sebelumnya (Goodfellow et , 2.
Dalam kasus prediksi harga ponsel, membangun model regresi yang mampu memetakan spesifikasi teknis ponsel terhadap harga pasarnya.
Algoritma seperti regresi linier, decision tree, random forest, hingga gradient boosting sering digunakan dalam studi-studi serupa untuk melakukan prediksi harga produk atau properti (Kuhn & Johnson, 2.
Penelitian mengembangkan model prediksi harga ponsel berbasis algoritma supervised learning dengan memanfaatkan dataset spesifikasi ponsel dan harga aktualnya.
Diharapkan model yang dihasilkan dapat membantu produsen, penjual, maupun konsumen dalam memperkirakan harga yang wajar untuk sebuah perangkat berdasarkan fitur-fiturnya.
Metodologi Penelitian Algoritma Supervised Learning dengan metode peramalan dengan memanfaatkan algoritma Linear Regression dan Random Forest Regression dengan dua skenario distribusi data yaitu 80:20 dan 70:30 untuk menentukan kinerja algoritma Metode penelitian ini memiliki langkahlangkah terperinci seperti yang disajikan pada Gambar 1 Berikut adalah deskripsi langkah-langkah utama yang dapat digambarkan dalam Flowchart Proses Perancangan Penelitian Prediksi Harga Ponsel Berbasis Algoritma Supervised Learning Gambar 1.
Langkah-langkah Penelitian Prediksi Harga Handphone Berbasis Algoritma Supervised Learning Author : Afrizal Zein.
Fordiana Ekawati- Sainstech Vol.
35 No.
2 (Juni 2.
: 27-33 DOI: https://doi.
org/10.
37277/stch.
Data Acquisition Tahap akuisisi data merupakan langkah awal yang krusial dalam pengembangan model prediksi harga ponsel berbasis algoritma supervised learning.
Data yang digunakan dalam penelitian ini diperoleh dari sumber terbuka .
pen-sourc.
yang tersedia di internet, seperti Kaggle, situs ecommerce .
isalnya Tokopedia.
Shopee, dan Bukalapa.
, serta situs resmi produsen smartphone.
Dataset yang informasi spesifik terkait ponsel, antara Merek dan model ponsel Ukuran RAM .
alam GB) Kapasitas penyimpanan internal (ROM) Ukuran layar Resolusi kamera utama dan depan Kapasitas baterai Jenis prosesor Sistem operasi Tahun rilis Harga ponsel Data dikumpulkan dalam format CSV dan selanjutnya dilakukan proses pembersihan .
ata cleanin.
untuk menghilangkan duplikasi, menangani nilai kosong .
issing value.
, serta mengubah data kategorikal menjadi numerik menggunakan teknik encoding agar dapat digunakan oleh algoritma supervised learning.
Setelah tahap preprocessing, data kemudian dibagi menjadi dua bagian: data latih .
raining dat.
dan data uji .
esting dat.
dengan perbandingan umum 80:20.
Data selection Seleksi data merupakan proses penting dalam memastikan bahwa hanya fitur-fitur .
yang relevan dan signifikan yang digunakan dalam proses pelatihan model Pada penelitian ini, setelah pembersihan data, dilakukan pemilihan atribut yang dianggap memiliki pengaruh langsung terhadap harga ponsel.
Beberapa atribut yang dipilih untuk digunakan dalam model prediksi antara Brand (Merek Ponse.
: Merek dapat memengaruhi persepsi kualitas dan harga.
RAM (Random Access Memor.
: Kapasitas RAM menentukan kinerja multitasking Storage (ROM/Internal Memor.
: Semakin besar kapasitas penyimpanan, biasanya semakin tinggi harga.
Screen Size (Ukuran Laya.
: Ukuran layar menjadi salah satu daya tarik utama Camera Quality (Resolusi Kamera Utama dan Kamera Depa.
: Kamera berkualitas tinggi sering kali meningkatkan harga.
Battery Capacity (Kapasitas Batera.
Baterai besar menjadi nilai tambah bagi Processor Type (Jenis Proseso.
: Prosesor yang lebih canggih biasanya terdapat pada ponsel dengan harga lebih tinggi.
Data Cleaning Data cleaning bertujuan untuk meningkatkan kualitas data agar model supervised learning .
eperti regresi, decision tree, random forest.
SVM, dl.
bisa melakukan prediksi harga handphone secara akurat dan andal.
Data Tranformation Proses transformasi data adalah proses menggabungkan data ke dalam bentuk yang Dalam proses ini, data numerik akan diubah menjadi rentang nilai 0-1 untuk semua Transformasi data digunakan untuk memproses atau menyesuaikan data sehingga kita dapat secara efektif menggunakan algoritma Regresi Linier dan juga Regresi Hutan Acak.
Implementation Linear Regression Studi ini juga melakukan regresi multivariabel.
Baterai.
Frekuensi CPU.
Inti CPU.
Kamera Depan.
Memori Internal.
Kepadatan Piksel Ponsel .
RAM.
Kamera Belakang, resolusi, jumlah penjualan, ketebalan, dan berat diidentifikasi sebagai prediktor, sedangkan harga adalah Harga = a bX Harga = variabel respon a = konstanta b = koefisien regresi X = variabel prediktor Prediksi Harga Handphone Berbasis Algoritma Supervised Learning Author : Afrizal Zein.
Fordiana Ekawati- Sainstech Vol.
35 No.
2 (Juni 2.
: 27-33 DOI: https://doi.
org/10.
37277/stch.
Untuk meningkatkan akurasi pada kumpulan data berdimensi rendah hingga sedang, kami menggunakan AufitlmAy untuk menyesuaikan model regresi linier.
Evaluation Model Evaluasi model dalam regresi berbeda dengan klasifikasi.
Dalam pencarian model regresi, evaluasi model yang dicari adalah nilai error dalam suatu model.
Evaluasi model regresi dilakukan dengan beberapa cara, antara lain: a.
RMSE: mengevaluasi model dengan melihat tingkat error hasil R2: mengevaluasi proporsi variabel dalam data yang dihitung untuk melihat kecocokan model.
MAPE:
mengevaluasi secara statistik keakuratan prediksi dalam metode peramalan, dengan membandingkan error ramalan dengan nilai sebenarnya.
Gambar 2.
Korelasi Antar Variabel 3 Density Estimation Pada tahap ini dilakukan distribusi probabilitas antara nilai aktual dan nilai prediksi variabel Harga.
Hasilnya disajikan pada Gambar 3.
Hasil dan Pembahasan Analisis perancangan sistem memerlukan mendapatkan prediksi yang baik dan bersesuaian dengan kegunaan dan 1 Analisis Data Sebelum memulai proses pemodelan, data mentah dengan variabel yang tidak diperlukan seperti Product_id dan sale dihilangkan sementara, dan rekaman dengan nilai yang hilang juga dihapus.
Gambar 3.
Visualisasi Estimasi Kepadatan Kernel 4 Linear Regression Tabel 1 menjelaskan bahwa resolusi dan berat tidak berkorelasi signifikan dengan Harga.
Namun, yang paling berkorelasi dengan Harga adalah RAM, diikuti oleh memori internal, kepadatan piksel ponsel .
, kamera belakang, kamera depan, frekuensi CPU, ketebalan, inti CPU, dan baterai.
Tabel 1 Regresi Linier Dengan Satu Variabel Terhadap Harga 2 Visualisasi Data Tahap ini digunakan untuk melihat korelasi antara variabel Harga dengan variabel Hasilnya berupa plot yang dapat dilihat pada Gambar 2.
Prediksi Harga Handphone Berbasis Algoritma Supervised Learning Author : Afrizal Zein.
Fordiana Ekawati- Sainstech Vol.
35 No.
2 (Juni 2.
: 27-33 DOI: https://doi.
org/10.
37277/stch.
Regresi linier dengan beberapa variabel juga dilakukan.
Hasil estimasi koefisien ditampilkan pada Tabel i.
Variabel bebas (X) terdiri dari dua belas variabel beserta satu variabel terikat (Harg.
, yaitu:
Frekuensi CPU.
Inti CPU.
Kamera Depan.
Memori Internal, ppi, ram.
Kamera Belakang, resolusi, ketebalan, dan berat.
Selain itu, terbukti bahwa kamera depan, kamera belakang, dan berat tidak berkorelasi signifikan terhadap harga.
Selain itu, ketika variabel resolusi dan ketebalan menurun, harga cenderung Kami menemukan nilai R2 lebih besar dari 0,9, dan nilai p jauh lebih kecil dari tingkat signifikansi default.
Kita dapat menyimpulkan bahwa hubungan regresi linier yang signifikan memang ada antara variabel harga respons dan variabel prediktor dalam X.
Tabel 2.
Koefisien Estimasi Harga Telepon Seluler 5 Model Evaluasi Pemodelan pengujian pada penelitian ini menggunakan desain pemodelan partisi dengan data latih dan data uji sebesar 80:20 dan 70:30.
Kemudian dilakukan pengujian prediksi dengan menggunakan Random Forest Regressor dengan hasil sebesar 95,53% sedangkan pengujian prediksi menggunakan Linear Regression dengan hasil sebesar 95,11% sebagaimana tercantum pada Tabel 3 Tabel 3.
Perbandingan Model Akurasi Berdasarkan hasil penelitian yang tertera pada Tabel 4, diperoleh nilai akurasi yang telah diuji yaitu partisi dengan data training dan testing sebesar 80:20 dan 70:30.
Tabel 4.
Perbandingan Evaluasi Model Regresi Berdasarkan hasil penelitian yang ditabulasikan pada Tabel 5, diperoleh nilai akurasi yang telah diuji adalah partisi dengan data training dan testing sebesar 80:20 dan 70:30.
Aries Maesya.
Yanfi Yanfi dan Lukas Hak Cipta @ Roman Science Publications Inc.
Vol.
No.
Januari, 2023 Jurnal Internasional Teknik Terapan & Teknologi 45 Pada pengujian partisi data training sebesar 80% dan data testing 20%, nilai akurasi terbaik adalah Random Forest Regression sebesar 95,55%, sedangkan partisi data training 70% dan data testing 30 menghasilkan nilai akurasi terbaik yaitu Linear Regression sebesar 95,54%.
Berdasarkan hasil penelitian yang diperoleh, dapat disimpulkan bahwa kedua metode prediksi yang selama ini digunakan untuk memprediksi harga ponsel yaitu Random Forest Regression dan Linear Regression mampu memberikan nilai error yang baik dengan nilai MAPE dibawah 10% dan nilai r2 diatas 94%.
Diantara kedua model tersebut, model Random Forest Regression mendapatkan hasil prediksi yang lebih baik dengan nilai R2 sebesar 95,53%, nilai MAPE sebesar 6,1%, dan nilai RMSE sebesar 148.
Karena pada regresi Random Forest terdapat parameter-parameter yang menentukan banyaknya keputusan yang akan digunakan.
Kesimpulan Berdasarkan hasil penelitian yang diperoleh, dapat disimpulkan bahwa dari regresi linier variabel tunggal maupun variabel jamak, resolusi dan bobot tidak berhubungan secara signifikan terhadap Harga.
Selain itu, kedua metode prediksi yang selama ini digunakan untuk memprediksi harga ponsel yaitu Random Forest Regression dan Linear Regression dapat memberikan nilai error yang baik dengan nilai MAPE dibawah 10% dan nilai R2 diatas 94%.
Diantara kedua model tersebut, model Random Prediksi Harga Handphone Berbasis Algoritma Supervised Learning Author : Afrizal Zein.
Fordiana Ekawati- Sainstech Vol.
35 No.
2 (Juni 2.
: 27-33 DOI: https://doi.
org/10.
37277/stch.
Forest Regression mendapatkan hasil prediksi yang lebih baik dengan nilai R2 sebesar 95,53%, nilai MAPE sebesar 6,1%, dan nilai RMSE sebesar 148.
Karena pada Random Forest Regression terdapat parameter yang menentukan banyaknya keputusan yang akan Untuk penelitian selanjutnya, sebaiknya menambah sumber data supervised learning yang berbeda.
Daftar Pustaka