PREDIKSI OMZET HARIAN WARKOP WARMINDOBLEH DENGAN ALGORITMA RANDOM FOREST REGRESSION

Abstract

Penelitian ini bertujuan membangun model prediksi omzet harian pada Warkop Warmindobleh menggunakan algoritma Random Forest Regression berbasis kerangka kerja CRISP-DM guna mengatasi ketidakakuratan perencanaan tenaga kerja akibat fluktuasi permintaan harian yang dipengaruhi faktor temporal, cuaca, dan event lokal. Data yang digunakan mencakup 358 hari transaksi periode 1 Januari hingga 31 Desember 2024 yang diintegrasikan dengan variabel eksternal cuaca (is_raining hasil kategorisasi ordinal), event di Jakarta International Velodrome (has_event), serta fitur time-series lag (previous_day_revenue dan revenue_7day_avg). Model dilatih dengan 80% data awal (Januari–September) dan diuji pada 20% data akhir (Oktober–Desember) menggunakan split kronologis, kemudian dibandingkan dengan Linear Regression dan ARIMA melalui metrik MAE, RMSE, R² Score, dan MAPE serta divalidasi dengan 5-fold Time-Series Cross-Validation. Hasil evaluasi menunjukkan bahwa model Random Forest Regression (konfigurasi default) memberikan performa terbaik secara relatif dengan nilai R² sebesar 0,228, MAE Rp 163.204, RMSE Rp 211.023, dan MAPE 18,12% pada data uji; analisis feature importance mengungkapkan revenue_7day_avg sebagai faktor paling dominan (79,14%), diikuti previous_day_revenue (9,31%). Meskipun akurasi model belum memenuhi kriteria keberhasilan absolut (R² > 0,85 dan error di bawah 5–10% rata-rata omzet), model ini terbukti paling efektif di antara metode yang diuji dan berpotensi mendukung estimasi operasional UMKM warkop secara lebih objektif