Analisis Harga Produk dengan Menggunakan Metode Regresi Linier dan Support Vector Regression

Abstract

Harga produk merupakan faktor penting dalam bisnis karena mempengaruhi penjualan, laba, serta persepsi pelanggan terhadap kualitas produk. Penetapan harga yang tidak tepat dapat menyebabkan penurunan penjualan, kerugian finansial, dan menurunnya kepercayaan pelanggan. Oleh karena itu, diperlukan metode prediksi harga produk yang akurat untuk membantu pebisnis dalam menentukan harga produk yang tepat. Penelitian ini membandingkan dua metode, yaitu Regresi Linier (RL) dan Support Vector Regression (SVR), dalam memprediksi harga produk berdasarkan dua sumber data yaitu Data Sekunder yang memiliki atribut seperti harga diskon, rating, ulasan, kapasitas RAM, penyimpanan, ukuran layar, dan kamera. Data sekunder yang melewati tahapan prapemrosesan, meliputi proses pembersihan data dan normalisasi dengan metode Min-Max. Selain itu, data dibagi menjadi data latih dan data uji dengan rasio 80:20. Sedangkan, data primer memiliki atribut Nama Produk, Harga Aktual, Ram (GB), storage (GB), Ukuran Layar (inch), kamera (MP), Kapasitas batrai (mAh). Data Primer juga melewati tahapan prapemrosesan, meliputi proses pembersihan data dan normalisasi dengan metode Min-Max. Selain itu, data dibagi menjadi data latih dan data uji dengan rasio 70:30 karena rasio jumlah data sangat sedikit dibanding dengan data Sekunder. Evaluasi model RL dan SVR dilakukan menggunakan metrik Mean Squared Error (MSE) dan R-squared untuk mengukur akurasi dan kinerja masing-masing model. Hasil penelitian menunjukkan bahwa SVR dengan menggunakan Data Sekunder dan kernel RBF memiliki performa yang lebih baik dibandingkan dengan RL, dengan nilai R-squared sebesar 0.893558. Ini menunjukkan bahwa SVR mampu menjelaskan variabilitas data jauh lebih baik dari pada RL yang hanya memiliki R-squared sebesar 0.603718. Selain itu, nilai MSE yang didapatkan oleh SVR yang lebih rendah (0.002090) dibandingkan MSE RL (0.007782). Pada Data Primer juga menunjukkan bahwa performa SVR dengan kernel RBF lebih baik dibandingkan dengan RL, nilai R-squared sebesar 0.623678. Ini menunjukkan bahwa SVR mampu menjelaskan variabilitas data jauh lebih baik dari pada RL yang hanya memiliki R-squared sebesar 0.451963. Hal ini menunjukkan bahwa prediksi harga oleh model SVR lebih akurat dalam memprediksi harga produk, sehingga memberikan rekomendasi yang berguna bagi pebisnis untuk menentukan strategi harga yang efektif. Product price is an important factor in business because it affected sales, profit, and customer perception of product quality. Incorrect pricing could cause a decrease in sales, financial loss, and reduced customer trust. Therefore, an accurate product price prediction method was needed to help business owners determine the right price. This research compared two methods, namely Linear Regression (LR) and Support Vector Regression (SVR), in predicting product prices based on two data sources: Secondary Data with attributes such as discount price, rating, review, RAM capacity, storage, screen size, and camera. The secondary data went through preprocessing stages, including data cleaning and normalization using the Min-Max method. In addition, the data was divided into training and testing data with a ratio of 80:20. Meanwhile, primary data had attributes such as Product Name, Actual Price, RAM (GB), storage (GB), Screen Size (inch), camera (MP), Battery capacity (mAh). Primary data also went through preprocessing stages, including data cleaning and normalization using the Min-Max method. In addition, the data was divided into training and testing data with a ratio of 70:30 due to the relatively small amount of primary data compared to secondary data. The evaluation of LR and SVR models was carried out using the Mean Squared Error (MSE) and R-squared metrics to measure the accuracy and performance of each model. The results of the research showed that SVR using Secondary Data and RBF kernel had better performance compared to LR, with an R-squared value of 0.893558. This showed that SVR could explain data variability much better than LR which only had an R-squared of 0.603718. In addition, the MSE obtained by SVR was lower (0.002090) than that of LR (0.007782). Primary Data also showed that the performance of SVR with RBF kernel was better than LR, with an R-squared value of 0.623678. This showed that SVR could explain data variability much better than LR which only had an R-squared of 0.451963. This indicated that price prediction by the SVR model was more accurate in predicting product prices, thus providing useful recommendations for business owners to determine effective pricing strategies.