ANALISIS PREDIKSI PENJUALAN PRODUK MENGGUNAKAN

REGRESI LINIER PADA RETAIL DIGITAL

Disusun oleh:
Cindy Rahmadani
NIM. C1D123020

PROGRAM STUDI BISNIS DIGITAL

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS JAMBI
2025
 BAB II
TINJAUAN PUSTAKA
2.1 Kajian Teori
2.1.1 Konsep Dasar Machine Learning dan Artificial Intelligence
Machine learning adalah cabang dari kecerdasan buatan (AI) dan ilmu
komputer yang berfokus pada penggunaan data dan algoritma untuk meniru cara
manusia belajar, secara bertahap meningkatkan akurasinya. Dalam hal ini, mesin
belajar dari data yang diberikan dan menghasilkan model yang dapat digunakan
untuk membuat prediksi atau mengambil tindakan. Mesin pembelajaran dapat
digunakan dalam berbagai aplikasi, seperti pengenalan wajah, pengenalan suara,
dan pengenalan tulisan tangan. (Eriana & Zein, 2023). Dengan machine learning,
komputer dapat mengambil keputusan atau melakukan tindakan berdasarkan
analisis data tanpa memerlukan pemrograman eksplisit (Gregorius N.
Elwirehardja; Teddy Suparyanto; Bens Pardamean, 2023). Secara sederhana,
mesin "mengambil pelajaran" dari pengalaman sebelumnya dan menggunakan
pengetahuan yang diperoleh untuk menghadapi situasi baru.
Di era digital saat ini, machine learning telah menjadi salah satu bidang
yang paling cepat berkembang di dunia teknologi. Dari pengenalan pola
sederhana hingga sistem pembelajaran mendalam (deep learning) yang kompleks,
machine learning telah menjadi fondasi dari banyak inovasi teknologi modern,
seperti pengenalan wajah, kendaraan otonom, asisten virtual, dan sistem
rekomendasi. Machine learning adalah salah satu cabang utama dari Kecerdasan
Buatan (AI). Jika AI adalah tujuan akhir untuk menciptakan mesin yang cerdas
dan mampu meniru perilaku manusia, maka machine learning adalah salah satu
jalan menuju tujuan tersebut. (Ummah, 2019).
Artificial Intelligence (AI), atau dalam bahasa indonesia dikenal sebagai
Kecerdasan Buatan, adalah cabang ilmu komputer yang bertujuan untuk
mengembangkan sistem dan mesin yang mampu melakukan tugas yang biasanya
memerlukan kecerdasan manusia. AI melibatkan penggunaan algoritma dan
model matematika untuk memungkinkan komputer dan sistem lainnya untuk
belajar dari data, mengenali pola dan membuat keputusan yang cerdas. Dalam
konteks AI, terdapat beberapa konsep penting seperti machine learning
(pembelajaran mesin), neural networks (jaringan saraf tiruan), natural language
processing (pemrosesan bahasa alami), dan masih banyak lagi.
Pengembangan AI telah memberikan dampak besar dalam berbagai
bidang, seperti pengenalan suara, pengenalan wajah, mobil otonom, pengobatan,
dan banyak lainnya. (Eriana & Zein, 2023). Contoh klasik dari penerapan machine
learning dalam AI adalah sistem pengenalan gambar. Dalam sistem ini, model
machine learning dilatih menggunakan ribuan atau bahkan jutaan gambar yang
telah diberi label untuk mengenali objek tertentu, seperti wajah manusia atau
 hewan. Setelah proses pelatihan selesai, model tersebut dapat mengenali objek
serupa dalam gambar baru dengan tingkat akurasi yang tinggi.

2.1.2 Linear Regression

Analisis regresi linear merupakan teknik analisis data yang memprediksi nilai data
yang tidak diketahui dengan menggunakan nilai data lain yang terkait dan diketahui.
Teknik ini memodelkan variabel yang tidak diketahui atau tergantung dan variabel yang
dikenal atau independen sebagai persamaan linier (Adicandra, 2024). Regresi linear
relatif sederhana dan memberikan rumus matematika yang mudah ditafsirkan untuk
menghasilkan prediksi. Teknik ini digunakan oleh berbagai bidang, termasuk biologi,
ilmu perilaku, lingkungan, dan sosial, untuk melakukan analisis data awal dan
memprediksi tren masa depan. Dalam machine learning, algoritme menganalisis set data
besar dan bekerja mundur dari data tersebut untuk menghitung persamaan regresi linier.
Untuk persamaan regresi dimana Y merupakan nilai yang diprediksi, maka
persamaannya ialah: Y = a + β1X1 (untuk regresi linier sederhana), Y = a + β1X1 + β2X2
+ … + βkXk (untuk regresi linier berganda) (Adolph, 2016).
• X: merupakan nilai sebenarnya suatu kasus (data)
• β: merupakan koefesien regresi jika hanya ada satu prediktor dan
koefesien regresi parsial jika terdapat lebih dari satu prediktor. Nilai ini
juga mewakili mewakili koefesien regresi baku (standardized) dan
koefesien regresi tidak baku (unstandardized). Koefesien regresi ini
merupakan jumlah perubahan yang terjadi pada Y yang disebabkan oleh
perubahan nilai X. Untuk menghitung perubahan ini dapat dilakukan
dengan cara mengkalikan nilai prediktor sebenarnya (observasi) untuk
kasus (data) tertentu dengan koefesien regresi prediktor tersebut.
• a: merupakan intercept yang merupakan nilai Y saat nilai prediktor sebesar
nol.

2.1.3 Tipe Learning

[Link] Supervised dan Unsupervised
Supervised learning adalah metode pembelajaran mesin yang melibatkan
pelatihan AI menggunakan dataset berlabel. Algoritma diberikan data input yang
dipasangkan dengan label output yang benar, memungkinkan AI untuk belajar dan
memprediksi label untuk data baru yang belum berlabel.
Unsupervised learning melibatkan penggunaan algoritma untuk
mengidentifikasi pola dalam kumpulan data besar yang tidak terurut dan tidak
berlabel tanpa pengawasan manusia. Proses ini otomatis, dengan algoritma
 mampu mengelompokkan titik data dan menarik wawasan secara
efisien.(Robert earl wells, 2023)
2.1.4 Metode Evaluasi Model
[Link] Accuracy
Accuracy adalah ukuran seberapa banyak prediksi yang benar
dibandingkan dengan seluruh prediksi yang dilakukan.
Rumus = Total prediksi / Jumlah prediksi benar=TP+TN+FP+FNTP+TN
Keterangan:
• TP: True Positive (prediksi benar untuk kelas positif)
• TN: True Negative (prediksi benar untuk kelas negatif)
• FP: False Positive (prediksi salah, diprediksi positif tapi sebenarnya
negatif)
• FN: False Negative (prediksi salah, diprediksi negatif tapi sebenarnya
positif)
[Link] Precision
Precision mengukur seberapa akurat prediksi positif yang dibuat oleh
model. Artinya, dari semua yang diprediksi positif, berapa banyak yang benar-
benar positif
Rumus = =TP / FP+TP
[Link] Recall
Recall mengukur seberapa baik model dalam menangkap semua data
positif yang ada. Dari semua yang sebenarnya positif, berapa banyak yang
berhasil dikenali model.
Rumus = TP / TP+FN
[Link] F1- Score
F1-score adalah harmonic mean dari precision dan recall. Digunakan
untuk menyeimbangkan keduanya, apalagi kalau datanya tidak seimbang.
Rumus = 2× (Precision+Recall) / (Precision×Recall)
2.2 Penelitian Terdahulu
Penelitian ini mengacu pada beberapa studi sebelumnya yang relevan dalam
bidang prediksi penjualan menggunakan metode regresi linier, khususnya dalam konteks
retail digital. Berikut adalah uraian beberapa penelitian terdahulu:
1. Wardhana, I. G. P. W., & Santiyasa, I. W. (2023). "Sistem Informasi Prediksi
Penjualan E-Commerce Menggunakan Analisis Data Historis dan Algoritma MLR"
– Jurnal Nasional Teknologi Informasi dan Aplikasnya (I Gusti Putu Wisnu Wardhana
& I Wayan Santiyasa, 2023).
Tujuan: Merancang sistem informasi yang memanfaatkan data historis dan algoritma
regresi linier berganda untuk memprediksi penjualan pada platform e-commerce.
Metode: Menggunakan data historis penjualan dan variabel independen seperti upaya
pemasaran, faktor ekonomi, dan perilaku pelanggan untuk membangun model prediksi
dengan regresi linier berganda.
Hasil: Sistem yang dikembangkan mampu memberikan prediksi penjualan yang akurat,
membantu bisnis dalam mengoptimalkan manajemen inventaris, strategi pemasaran, dan
alokasi sumber daya.
Perbandingan: Penelitian ini serupa dalam penggunaan regresi linier berganda untuk
prediksi penjualan di e-commerce. Namun, penelitian yang sedang dikembangkan akan
fokus pada retail digital dengan mempertimbangkan variabel tambahan yang lebih
spesifik.

2. Syakir, Y., Hermanto, T. I., & Ramadhan, Y. R. (2022). "Analisis Marketplace

Shopee Untuk Memprediksi Penjualan dengan Algoritma Regresi Linier" – J-
SAKTI (Jurnal Sains Komputer dan Informatika) (Syakir et al., 2022)
Tujuan: Memprediksi penjualan butik Ariqa Collection di marketplace Shopee
menggunakan algoritma regresi linier.
Metode: Menggunakan data penjualan dari Mei 2020 hingga April 2022, dengan
pendekatan SEMMA (Sample, Explore, Modify, Model, Assess) dan alat Rapidminer
Studio 9.10 untuk membangun model regresi linier.
Hasil: Model yang dikembangkan menunjukkan nilai Mean Square Error (MSE) sebesar
[Link].404, Root Mean Square Error (RMSE) sebesar 2.274.341, dan Mean
Absolute Percentage Error (MAPE) sebesar 4,34%, menunjukkan tingkat akurasi yang
baik dalam prediksi penjualan.
Perbandingan: Penelitian ini memberikan gambaran tentang penerapan regresi linier
dalam konteks marketplace. Penelitian yang sedang dikembangkan akan memperluas
cakupan dengan mempertimbangkan variabel tambahan dan konteks retail digital yang
lebih luas.

3. Duran, P. A., Vitianingsih, A. V., Riza, M. S., Maukar, A. L., & Wati, S. F. A. (2023).
"Data Mining Untuk Prediksi Penjualan Menggunakan Metode Simple Linear
Regression" – Teknika (Duran et al., 2024).
Tujuan: Mengimplementasikan metode regresi linier sederhana untuk memprediksi
penjualan produk guna meningkatkan efektivitas penyediaan stok.
Metode: Menggunakan data historis penjualan untuk membangun model prediksi dengan
regresi linier sederhana, dengan fokus pada perencanaan stok yang lebih efektif.
Hasil: Model yang dikembangkan membantu produsen dalam memprediksi jumlah
penjualan produk di periode mendatang, sehingga dapat menyesuaikan penyediaan stok
dengan lebih baik.
Perbandingan: Penelitian ini menyoroti penggunaan regresi linier sederhana dalam
prediksi penjualan. Penelitian yang sedang dikembangkan akan mempertimbangkan
penggunaan regresi linier berganda untuk menangani variabel yang lebih kompleks dalam
konteks retail digital.

2.3 Kerangka Berpikir

Kerangka pemikiran dalam penelitian ini menjelaskan alur proses dari
pengumpulan data hingga evaluasi hasil prediksi penjualan menggunakan metode
regresi linier pada retail digital. Tahapan-tahapan ini bertujuan untuk menggambarkan
bagaimana data diolah secara sistematis agar menghasilkan output yang dapat
digunakan dalam pengambilan keputusan bisnis.

Tahapan Kerangka Pemikiran:

1. Input Data
Data yang digunakan meliputi:
• Data historis penjualan
• Harga produk
• Stok barang
• Data promosi/iklan
• Waktu (bulan/tanggal)
2. Pra-pemrosesan Data
• Pembersihan data (menghapus nilai kosong, duplikat)
• Normalisasi jika diperlukan
• Pemilihan fitur (feature selection)
3. Penerapan Algoritma Regresi Linier
• Menentukan variabel independen dan dependen
• Membangun model regresi linier sederhana atau berganda
• Melakukan training dan pengujian data
4. Output
• Hasil prediksi penjualan
• Model persamaan regresi
• Visualisasi hubungan antar variabel
5. Evaluasi Model
• Menggunakan metrik evaluasi seperti MSE (Mean Squared Error),
RMSE (Root Mean Squared Error), dan MAPE (Mean Absolute
Percentage Error)
• Menilai akurasi dan kesesuaian model
Langkah-langkah dalam proses ini melibatkan beberapa tahapan, yaitu: pengumpulan
data penjualan dari sistem retail digital, pembersihan dan pengolahan data
(preprocessing), penerapan algoritma regresi linier, dan akhirnya evaluasi performa
model prediksi dengan metrik evaluasi seperti Mean Squared Error (MSE) dan koefisien
determinasi (R²). Melalui pendekatan ini, hasil prediksi dapat digunakan untuk membantu
pengambilan keputusan strategis dalam kegiatan operasional retail digital.
 DAFTAR PUSTAKA
Adicandra, S. (2024). No Title. [Link]. [Link]
adicandra/analisis-regresi-linear-untuk-memprediksi-kesehatan-masyarakat-
22ePFD9vZCn/full?utm_source=[Link]
Adolph, R. (2016). 済無No Title No Title No Title. 1–23.
Duran, P. A., Vitianingsih, A. V., Riza, M. S., Maukar, A. L., & Wati, S. F. A. (2024).
Data Mining Untuk Prediksi Penjualan Menggunakan Metode Simple Linear
Regression. Teknika, 13(1), 27–34. [Link]
Eriana, E. S., & Zein, D. A. (2023). Artificial Intelligence. Angewandte Chemie
International Edition, 6(11), 1.
I Gusti Putu Wisnu Wardhana & I Wayan Santiyasa. (2023). No Title. Jurnal Harian
Regional. [Link]
Robert earl wells. (2023). No Title. LIfewire. [Link]
supervised-learning-7508014?utm_source=[Link]
Syakir, Y., Hermanto, T. I., & Ramadhan, Y. R. (2022). Analisis Marketplace Shopee
Untuk Memprediksi Penjualan dengan Algoritma Regresi Linier. Jurnal Sains
Komputer & Informatika (J-SAKTI), 6(2), 904–915.
Ummah, M. S. (2019). No 主観的健康感を中心とした在宅高齢者における 健康関
連指標に関する共分散構造分析Title. In Sustainability (Switzerland) (Vol. 11,
Issue 1). [Link]
[Link]?sequence=12&isAllowed=y%0A[Link]
2008.06.005%0A[Link]