Abstrak
AHASS Nur Andhita Grogol adalah salah satu bengkel resmi milik honda yang berada di jalan Nur
Andhita Grogol Depok. Agar AHASS Nur Andhita Grogol tetap dapat menyediakan jasa service,
diperlukan stok spare part yang tersedia, Namun stok spare part sering tidak tersedia, sementara
pengiriman spare part dari cabang membutuhkan waktu hingga satu sampai dua hari. hal ini lah yang
menyebabkan penyediaan jasa service, motor pada AHASS Nur Andhita Grogol tidak maksimal. Maka
dari itu untuk memaksimalkan penyediaan jasa service, diperlukan prediksi penjualan spare part agar
pihak AHASS Nur Andhita Grogol dapat mengambil keputusan untuk penyediaan spare part untuk
penjualan ke depannya. prediksi dilakukan pada tiga spare part yang paling banyak terjual yaitu Oli
SPX2, Cairan injeksi, dan Scooter Gear Oil. model prediksi yang digunakan adalah model regresi
polinomial orde tiga menggunakan data penjualan dari bulan maret sampai november 2020. prediksi
pada Oli SPX2 menghasilkan nilai RMSE sebesar 20,81, pada Cairan injeksi sebesar 49,99, dan pada
Scooter Gear Oil sebesar 16.93. hasil prediksi kemudian divisualisasikan dalam bentuk dashboard pada
platform Google Data Studio dan dilakukan pengujian usability menggunakan system usability
scale(SUS) yang menghasilkan nilai sebesar 75.00 dimana nilai tersebut masuk kategori acceptable
dengan rating "good"
Kata kunci: Data Mining, Regresi , Root Mean Squared Error, Koefisien Determinasi, Regresi Polinomial Orde
Tiga
Abstract
AHASS Nur Andhita Grogol is one of officially honda's Workshop that located on Nur Andhita Grogol
street Depok. so that AHASS can still serve a good service, AHASS need an available spare part stock.
however spare part stok usually is not available. while spare part delivery from subsidiary take one to
two days. this condition causes provision of service, on AHASS Nur Andhita Grogol is not maximum.
therefore to maximalize the provision of service, AHASS need a prediction of spare part sales so that
AHASS can make a decision to provide spare part stock in the future. predictions are made on the three
most sold spare parts, those are SPX2 Oil, Fluid Injection, and Scooter gear Oil. prediction model were
used is polynomial regression third order using data of spare part that sold in maret 2020 until
november 2020. prediction on SPX2 Oil generate RMSE value 20.81, on Fluid injection 49,99, and on
Scooter gear oil 16.93. prediction results visualized at dashboard form using google data studio
platform and usability tested using system usability scale(SUS) which produces a value of 75.00 which
is included in the Acceptable category with a rating of "Good".
Keywords: Data Mining, Regression, Root Mean Squared Error, coefficient of determination, Regression of
polynomial third order
lipat lebih banyak dari pada penjualan mobil, sedangkan variable y adalah banyaknya
dengan angka 6,3 juta untuk untuk penjualan sparepart yang terjual. Metode regresi dipilih
sepeda motor dan 1,1 juta unit untuk penjualan karna sangat cocok antara data yang tersedia dan
mobil. Dari data tersebut dapat dilihat bahwa data yang diperlukan. AHASS mempunyai
pengguna motor lebih banyak dari pengguna catatan riwayat penjualan setiap bulannya.
mobil. Banyak yang lebih memilih motor karena Dengan adanya catatan itu maka metode tersebut
selain fungsi nya yang juga bisa dapat dijadikan sangat cocok untuk digunakan dalam penelitian
sebagai alat transportasi, harganya yang ini. Data yang diperlukan untuk menerapkan
terjangkau yang memungkinkan banyak orang metode ini adalah riwayat sparepart yang terjual.
untuk membelinya. Riwayat penjualan tersebut nantinya dapat
disatukan berdasrkan jenis sparepartnya lalu
Agar motor tetap bekerja secara nyaman
ditotalkan berdasarkan waktu perminggu, perdua
maka dibutuhkan pencegahan agar motor
minggu, dan perbulan. Disini penulis
tersebut tidak rusak, motor harus tetap dirawat
mengkhususkan pada stok sparepart paling
dengan cara memperbarui sparepart yang
sering terjual agar tidak cepat habis.Dengan
terpasang, karena tidak semua orang mengerti
adanya informasi ini, pihak AHASS tidak perlu
cara memperbarui sparepart ada penyediaan jasa
berlebihan membeli stok sparepart yang jarang
service motor yang bernama AHASS. AHASS
terjual dan memaksimalkan stok pada sparepart
adalah bengkel resmi milik honda yang ada di
yang paling banyak terjual
Indonesia. Ada berbagai macam pelayanan yang
ditawarkan bengkel AHASS ini, contohnya Terdapat penelitian serupa yang dilakukan
penyedia jasa service motor dan penjualan oleh Julyanti S, Hanny Komalig, dan Djoni
aksesoris motor honda. Hatidja(2013) dengan judul Pengembangan
Model Regresi Polinomial Berganda Pada Kasus
Dengan adanya berbagai macam service
Data Pemasaran, mengulas tentang derata
yang ditawarkan, pihak AHASS harus
polinomial yang tepat dengan mengukur nilai
menyediakan sparepart agar AHASS bisa terus
koefisien determinasi terbesar. Penelitian lain
menyediakan jasanya. Tapi sangat disayangkan
dilakukan oleh Koko Hermanto dan Fidy(2019)
jika sparepart tidak tersedia maka pelayanan
dengan judul Metode Regresi yang Tepat Untuk
tidak bisa dilakukan dan mengakibatkan
Meramalkan Permintaan Minyak Solar di
kerugian dikedua pihak, pihak konsumen rugi
Kabupaten Sumbawa yang mengulas tentang
karena motornya tidak dapat diservice
model regresi yang cocok untuk prediksi
sedangkan pihak AHASS rugi karena penjualan
permintaan minyak solar dengan cara
dan pelayanannya tidak maksimal. Sementara
membandingkan dan memilih nilai koefisien
jika AHASS ingin melakukan stok ulang
determinasi yang paling besar. Penelitan yang
sparepart, AHASS memerlukan waktu yang
dilakukan oleh Koko Hermanto, Silvia Utami,
lama karena pengiriman sparepart bisa memakan
dan Ryan Suarantalla (2020) dengan judul
waktu 3 sampai 4 hari
Prediksi Produksi Air Bersih Oleh Perusahaan
Masalah ini lah yang ingin diselesaikan oleh Daerah Air Minum Batulanteh Kabupaten
penulis menggunakan ilmu data mining. Data Sumbawa Menggunakan Metode Regresi yang
mining sendiri adalah suatu ilmu yang mengolah mengulas tentang pemilihan model regresi yang
banyak data menjadi suatu pola atau suatu tepat dengan koefisien determinasi sebagai alat
informasi yang berguna. Informasi akan ukurnya.
ditampilkan pada sebuah dashboard, dashboard
Berdasarkan latar belakang yang telah
tersebut akan menampilkan prediksi stok barang
dijabarkan, penulis tertarik melakukan analisis
untuk bulan berikutnya. Ada banyak metode
model regresi yang cocok untuk memprediksi
untuk melakukan prediksi, pada penelitian ini
penjualan sparepart pada AHASS Nur Andhita
metode akan dipilih berdasarkan koefisien
Grogol. Model regresi dipilih menggunakan
determinasi terbesar dari setiap calon metode
koefisien determinasi sebagai alat ukurnya dan
yang digunakan, calon metode tersebut adalah
Perhitungan Akurasi model menggunakan nilai
regresi linear, regresi polinomial orde dua dan
Root Mean Squared Error(RMSE). Hasil dari
regresi polinomial orde 3. Regression adalah
pengolahan data kemudian akan divisualisasikan
pencarian hubungan antara variable x dan
dengan dashboard. Oleh karena itu penulis
variable y, dimana dalam penelitian ini variable
mengangkat peneitian dengan judul “Analisis
x adalah satuan minggu, dua minggu dan bulan
Penggunaan Model Regresi Untuk Prediksi
Penjualan Spare part Pada Ahass Nur Andhita 𝑥 𝑚𝑎𝑥 = nilai maksmimal dari keseluruhan data
Grogol”.
2.4 Denormalisasi
2. LANDASAN KEPUSTAKAAN Denormalisasi adalah proses pengembalian
nilai yang telah ternormalisasi ke nilai asal
2.1 Prediksi
nya.(Triyono, 2011). Menurut Triyono tidak ada
Prediksi adalah proses untuk metode khusus untuk mengembalikan nilai yang
memperkirakan sesuatu yang mungkin akan sudah ternormalisasi. Untuk itu denormalisasi
terjadi pada masa depan dengan memanfaatkan bisa didapatkan dengan cara membalik rumus
informasi di masa lalu. (Herdianto, 2013). normalisasinya. Contohnya jika pada penelitian
Prediksi tidak selamanya seratus persen akurat, ini menggunakan normalisasi min-max, maka
tetapi akurasinya dapat ditingkatkan sehingga rumus denormalisasinya dapat dinyatakan dalam
hasilnya bisa mendekati informasi aslinya. persamaan 3.
𝑥 = 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑧𝑒𝑑 𝑥 ∗ (𝑥 𝑚𝑎𝑥 − 𝑥 𝑚𝑖𝑛) + 𝑥 𝑚𝑖𝑛 … (3)
2.2 Outlier
Outlier adalah Outlier adalah kasus atau data
Keterengan:
yang memiliki karakteristi unik yang terlihat
sangat berbeda jauh dari observasi-observasi 𝑥 = nilai asli data
lainnya dan muncul dalam bentuk nilai ekstrim 𝑥 𝑚𝑖𝑛 = nilai minimal dari keseluruhan data
baik untuk sebuah variabel tunggal atau 𝑥 𝑚𝑎𝑥 = nilai maksmimal dari keseluruhan data
kombinasi (Ghozali, 2011 : 41). Untuk
menyatakan nilai outlier dapat dilihat pada
persamaan 1 menurut Setyo (2019). 2.5 Regresi
𝑄3 + 1.5 ∗ 𝐼𝑄𝑅 < 𝑥 < 𝑄1 − 1.5 ∗ 𝐼𝑄𝑅 … (1) Regresi adalah hubungan yang terbentuk
antara variable dependen dan independen yang
Keterangan : dinyatakan dalam bentuk
matematik.(Suwarsito,n.d.). variable
Q3 =kuartil tiga independen dan dependen dapat diartikan
Q1 = kuartil satu sebagai berikut (Hatta dan Adrenanus, 2019):
Keterangan:
y = variable dependen
x = variable independen,
𝑏0 𝑏1, …, 𝑏𝑘 = koefisien-koefisien regresi
Gambar 1. K-Fold cross validation
Variable koefisien-koefisien regresi bisa Dari gambar 1 dapat dilihat bahwa pada gambar
didapat menggunakan metode persamaan tersebut nilai k adalah 5 yang berarti terjadi 5
terkecil seperti yang dinyatakan dalam kali iterasi. Lalu besarnya data akan dibagi
persamaan 8. menjadi menjadi 1/5 bagian data test dan 4/5
Σy = 𝑏0 𝑛 + 𝑏1 Σ𝑥 + 𝑏2 Σ𝑥 2 + 𝑏3 Σ𝑥 3 adalah data train. Pada iterasi pertama
Σ𝑥y = 𝑏0 Σ𝑥 + 𝑏1 Σ𝑥 2 + 𝑏2 Σ𝑥 3 𝑏3 Σ𝑥 4 … (8) 2.8 Root Mean Squared Error(RMSE)
Σ𝑥 2 y = 𝑏0 Σ𝑥 2 + 𝑏1 Σ𝑥 3 + 𝑏2 Σ𝑥 4 𝑏3 Σ𝑥 5
Root mean squared error merupakan
Σ𝑥 3 y = 𝑏0 Σ𝑥 3 + 𝑏1 Σ𝑥 4 + 𝑏2 Σ𝑥 5 + 𝑏3 Σ𝑥 6 metode alternatif untuk mengevaluasi
metode prediksi yang digunakan untuk
Persamaan tersebut dapat ditransformasi mengukur ketepatan estimasi model. Nilai
kedalam bentuk matriks yang dinyatakan yang dihasilkan oleh RMSE adalah rata-rata
dalam persamaan 9. kuadrat dari kesalahan model
prediksi(Sanjaya, 2020). RMSE dirumuskan
Σy 𝑛 Σ𝑥 Σ𝑥 2 Σ𝑥 3 𝑏0
dalam persamaan 10.
Σ𝑥y Σ𝑥 Σ𝑥 2 Σ𝑥 3 Σ𝑥 4 𝑏1
X … (9)
Σ𝑥 2 y = Σ𝑥 2 Σ𝑥 3 Σ𝑥 4 Σ𝑥 5 𝑏2 ∑𝑛 ̅𝑖 − 𝑦𝑖 )2
𝑖 (𝑦
Σ𝑥 2 y Σ𝑥 3 Σ𝑥 4 Σ𝑥 5 Σ𝑥 6 𝑏3 𝑅𝑀𝑆𝐸 = √ … (10)
𝑛
𝑛 = banyak data
3. METODE PENELITIAN
Langkah Langkah yang butuhkan untuk
melakukan penlitian pada AHASS adalah
sebagai berikut :
3.2 Studi Literatur untuk membaca data csv dan Numpy untuk
manipulasi array. Pada penelitian ini
Tahap selanjutnya pada penelitian ini
preprocessing data melalui dua tahap yaitu
adalahmelakukan Studi Literatur. Dalam tahap
penanganan outlier dan normalisasi min-max
ini, penulis mencari referensi mengenai
penelitian yang serupa untuk memperkuat ilmu, Penanganan outlier adalah mengatasi nilai
pengetahuan dan teori yang berhubungan dengan yang terlalu tinggi atau terlalu rendah dengan
penelitian yang akan dijalani. Studi literatur data lainnya setelah itu data dinormalisasi agar
perlu dilakukan sebagai dasar ilmu pengetahuan mempunyai rentang nilai yang sama yaitu 0
bagi penulis dalam melakukan penelitian. Pada sampai 1
penelitian ini studi literatur diambil dengan cara
mencari jurnal dengan penelitian yang juga 3.6 Analisis Koefisien Determinasi
menganalisis model regresi yang cocok untuk Perhitungan koefisien determinasi dibantu
melakukan prediksi dengan cara menghitung menggunakan pemrograman python dengan
nilai koefisien determinasi library Sklearn. Tiga jenis spare part dengan
penjualan terbanyak dengan pengumpupulan per
3.3 Pengumpulan Data
minggu, perdua minggu, dan per bulan
menggunakan model regresi linear, polinomial
Pada tahap ini pengumupulan data
orde dua, dan polinomial orde tiga. Masing
dilakukan melalui dua proses utama yaitu
masing dihitung nilai koefisien determinasi nya.
tahap wawancara dan tahap akuisisi data.
Model regresi dengan nilai koefisiensi
Tahap wawancara dilakukan untuk menggali
determinasi terbesarlah yang dipilih untuk
lebih dalam terkait permasalah yang sedang
penelitian ini
dihadapi oleh AHASS. Tahap selanjutnya
akan dilakukan akuisisi data penjualan spare
3.7 K-Fold Cross Validation
part dari AHASS Nur Andhita Grogol. Data
yang diambil adalah data penjualan sparepart Pada tahap ini data dibagi menjadi train
keseluruhan dari bulan Maret 2020 sampai data dan test data menggunakan bantuan
November 2020. Pengumpulan data pemrograman python dengan library sklearn.
dilakukan dengan metode dokumentasi yaitu Pembagian dataset menjadi train data dan test
mengambil data yang sudah tercatat oleh data menggunakan K-fold Cross Validation
AHASS Nur Andhita Grogol. dengan fold 8. Setelah itu dibentuklah variabel
b0,b1,b2, dan b3 dari masing masing train data
3.4 Perancangan Dataset untuk implementasi model regresi . Variable
tersebut diimplementasikan kedalam test data.
Pada tahap ini dilakukan perancangan
Model regresi akan menghasil nilai prediksi,
dataset yang sesuai dengan kebutuhan
nilai tersebut dibandingkan dengan nilai aslinya.
penelitian. Perancangan dataset dilakukan
Selisih dari nilai prediksi dan nilai asli akan
manual menggunakan bantuan microsoft excel.
dirata-ratakan untuk mencari presentase error
Perancangan dataset dilakukan melalui dua
dari prediksi.
tahap yaitu seleksi data dan pengumpulan data.
Seleksi data pada penelitian ini adalah 3.8 Visualisasi Dashboard
pemilihan tiga spare part yang terjual terbanyak
Hasil prediksi akan divisualisasikan dalam
serta menghilangkan atribut yang tidak
bentuk dashboard menggunakan platform
diperlukan pada penelitian ini. Selanjutnya
google data studio. Tujuan visualisasi dashboard
adalah tahap pengelompokan data, dimana tiga
adalah untuk mempermudah penyampain
spare part yang terjual terbanyak masing masing
informasi dan membantu pihak AHASS Nur
dikelompokan menjadi penjualan per minggu,
Andhita Grogol untuk pengambilan keputusan.
perdua minggu, dan per bulan.
Data yang akan ditampilkan adalah rekap
penjualan selama delapan bulan terakhir dan
3.5 Preprocessing Data
prediksi penjualan dua bulan berikutnya.
Tahap preprocessing data dilakukan untuk
meningkatkan performa model regresi . Tahap 3.9 Pengujian Usability Dashboard
preprocessing dilakukan menggunakan bantuan
Pada tahap ini dashboard yang sudah
pemrograman python dengan library Pandas
dirancang akan diujikan kelayakannya pada
pihak AHASS Nur Andhita Grogol. Dashboard Dapat dilihat dari tabel 1 nilai koefisien
diuji menggunakan metode System Usability determinasi terbesar terdapat pada dataset
Scale(SUS) penjualan per bulan menggunakan model regresi
polinomial orde tiga dengan nilai 0.71. Maka
3.10 Saran dan Kesimpulan model yang tepat adalah model regresi
Tahap terakhir pada penelitian ini adalah polinomial orde tiga dengan dataset penjualan
penarikan kesimpulan dan pemberian saran per bulan.
untuk penelitian selanjutnya. Kesimpulan ini b. Hasil Analisis Koefisien Determinasi Pada
didapatkan dari penjabaran hasil dan Spare part Cairan Injeksi
pembahasan penelitian yang diperoleh
berdasarkan tujuan dari penelitian ini. Tahapan
ini merupakan penegasan dari tahapan-tahapan
penelitian yang telah dilakukan. Tahapan ini
juga mencerminkan jawaban dari rumusan
masalah yang sebelumnya sudah dijabarkan.
B1 0.8023621
B2 -0.24128654
B3 0.01845223
Desember 221
Tabel 9. Hasil Analisis Koefisien Determinasi didapat nilai sebesar 14.55%, nilai ini berarti
hasil uji validitas pada Cairan Injeksi
Jumlah Prediksi Selisih MAPE menghasilkan nilai error sebesar 14.55%. jika
Fold-1 149 115 34 29.5652 akurasi maksimal adalah 100%, maka akurasi
model regresi polinomial orde tiga pada dataset
Fold-2 121 129 8 6.20155
Cairan Injeksi menghasilkan tingkat akurasi
Fold-3 114 130 16 12.3077 sebesar 85.44%.
Fold-4 116 123 7 5.69106
4.4 Hasil Visualisasi Dashboard
Fold-5 117 120 3 2.5
Fold-6 134 111 23 20.7207
Fold-7 121 127 6 4.72441
Fold-8 136 150 14 9.33333
Jika semua nilai MAPE dirata-ratakan maka
didapat nilai sebesar 13.39%, nilai ini berarti
hasil uji validitas pada OLI SPX2 menghasilkan
nilai error sebesar 13.39%. jika akurasi
maksimal adalah 100%, maka akurasi model
regresi polinomial orde tiga pada dataset Scooter
Gear Oil menghasilkan tingkat akurasi sebesar
88.61%.
Gambar 9. Dashboard Halaman Utama
c. Hasil Uji K-Fold Cross Validation dan Gambar 9 adalah tampilan dashboard dari
MAPE Pada Dataset Cairan Injeksi halaman pertama yaitu keseluruhan penjualan
dari Oli SPX2, Scooter Gear Oil, dan Cairan
Injeksi. Didalam itu terdapat informasi tentang
banyaknya spare part keseluruhan yang terjual,
jumlah penjualan keseluruhan yang berbentuk
rupiah, piechart yang berisi presentase penjualan
dari ketiga spare part yang terjual, line chart
penjualan per bulan dari ketiga spare part,
masing masing barchart penjualan dari ketiga
spare part dengan total item terjual dan harga
Gambar 8. K-fold Cross Validation Cairan total dari item yang terjual, pada pojok kanan
Injeksi bagian atas terdapat filter yang berfungsi untuk
memfilter penjualan sesuai dengan bulan yang
diinginkan
Tabel 10. Hasil Analisis Koefisien Determinasi
Jumlah Prediksi Selisih MAPE
Fold-1 329 246 83 33.73984
Fold-2 271 285 14 4.912281
Fold-3 253 302 49 16.22517
Fold-4 285 291 6 2.061856
Fold-5 271 294 23 7.823129
Fold-6 336 247 89 36.03239
Fold-7 243 288 45 15.625
Fold-8 256 256 0 0
Jika semua nilai MAPE dirata-ratakan maka Gambar 10. Dashboard Halaman Utama
No Responden 1 Responden 2
1 4-1 4-1
2 5-3 5-2
3 4-1 5-1
4 5-3 5-1
5 4-1 4-1
6 5-2 5-1
7 4-1 3-1
Gambar 11. Dashboard Halaman Utama 8 5-2 5-2
9 4-1 4-1
10 5-2 5-2
Total Score 62.5 80
regresi polinomial orde tiga pada Oli SPX2, Penerapan Algoritme Linear Regression
Cairan Injeksi, dan Oli Gardan berturut-turut Untuk Prediksi Hasil Panen Tanaman
adalah 86,61%, 85,44%, dan 88.61% Padi: Jurnal Regresi Linear
3. Hasil usability testing terhadap dashboard
Herdianto. 2013, Prediksi Kerusakan Motor
prediksi penjualan AHASS Nur Andhita
Induksi Menggunakan Metode Jaringan
Grogol dari dua responden menggunakan
Saraf Tiruan Backpropagation. Medan:
system usability scale menghasilkan nilai
Universitas Sumatera Utara.
71.25. dapat disimpulkan dari nilai tersebut
bahwa dashboard prediksi penjualan AHASS I Made Yuliara, 2016. Regresi Linear
Nur Andhita Grogol dengan kategori Sederhana: Jurnal Regresi Linear
Acceptable, masuk ke dalam grade B, dan Iman Mustofa Kamal, Tachbir Hendro , Ridwan
adjective rating Good. Dengan demikian Ilyas. 2017. Prediksi Penjualan Buku
maka dapat dikatakan bahwa dashboard Menggunakan Data Mining Di Pt.Niaga
prediksi penjualan AHASS dapat diterima Swadaya: Seminar Data Mining
dengan baik oleh penggunanya khususnya
pihak AHASS Nur Andhita Grogol Mardi, Y., 2018. Data Mining Rekam Medis
Untuk Menentukan Penyakit Terbanyak
6. Daftar Pustaka Menggunakan Decision Tree C4.5. Jurnal
Sains dan Informatika, 4(1), pp.40-53.
Brooke, J., 2013. SUS: A Retrospective. Journal
Of Usability Studies 8, No. 2: 29-40. Ni Luh Putu Wulandari, Ni Luh Ayu Kartika
Yuniastari Sarja, ST., MT, I Gusti Ayu
Chamidah, N., ., W. and Salamah, U., 2016.
Desi Saryanti. (2014) Prediksi Jumlah
Pengaruh Normalisasi Data pada Jaringan
Pelanggan Dan Persediaan Barang
Syaraf Tiruan Backpropagasi Gradient
Menggunakan Metode Regresi Linier
Descent Adaptive Gain (BPGDAG)
Berganda Pada Bali Orchid: Jurnal
untukKlasifikasi. Jurnal Teknologi &
Eksplora Informatika
Informasi ITSmart, 1(1), p.28.
Rachmi, H. and Nurwahyuni, S., (2018).
Few, S. (2004). Dashboard Confusion.
Pengujian Usability Lokamedia Website
Perceptual Edge. Retrieved Februari
Menggunakan System UsabilityScale. Al-
8,2021, from
Khidmah 2018, AL-KHIDMAH 1 (2018)
https://www.perceptualedge.com/articles/
86-92.
ie/visual_perception.pdf
Sanjaya, F. and Heksaputra, D., 2020. Prediksi
Han, J., Kamber, M., & Pei, J. (2012). Data
Rerata Harga Beras Tingkat Grosir
Mining Concepts and
Indonesia dengan Long Short Term
Techniques.Waltham: Morgan
Memory. JATISI (Jurnal Teknik
Kaufmann.
Informatika dan Sistem Informasi), 7(2),
Han, J., kamber, m. and pei, j., 2021. Data pp.163-174.
Mining Concepts and Techniques. 3rd ed.
Sari, A., 2016. Pengaruh Komunikasi Dan
elseiver, p.370.
Manajemen Hubungan Karyawan
Hatta, H. and Adrenanus, R., 2019. Pengaruh Terhadap Kinerja Karyawan Pada Pt.
Influencer, Membership Program, dan Bank Panin Dubai Syariah
Instagram Ads Terhadap Minat Pembelian CABANGMEDAN. Konsep Bisnis dan
Ulang Customer BrandCoach. f Manajemen.
Entrepreneurship, Management, and
Sumari, A., Febrianto, A. and Pramitarini, Y.,
Industry (JEMI), Vol. 2, No. 2, pp.79-89.
2021. Sistem Prediksi Permintaan Darah
Halin, H., Wijaya, H. and Yusilpi, R., 2017. Menggunakan Metode Regresi Linier.
Pengaruh Harga Jual Kaca Patri Jenis Jurnal Informatika Polinema, 7(2), pp.85-
Silver Terhadap Nilai Penjualan Pada Cv. 90.
Karunia Kaca Palembang Tahun 2004-
Suwarsito, D. and Zuni, E., n.d. Analisis Regresi
2015. Jurnal Ecoment Global, 2(2), p.49.
Dan Korelasi Antara Pengunjung Dan
Heru Wahyu Herwanto, Triyanna Pembeli Terhadap Nominal Pembelian Di
Widiyaningtyas, Poppy Indriana. 20199.