PREDIKSI PENJUALAN PRODUK ELEKTRONIK SHOPEE MENGGUNAKAN REGRESI LINIER BERBASIS PYTHON

Sindi Amelia; Nining Rahaningsih; Irfan Ali; Denni Pratama; Umi Hayati

Authors

Sindi Amelia STMIK IKMI Cirebon, Indonesia
Nining Rahaningsih STMIK IKMI Cirebon, Indonesia
Irfan Ali STMIK IKMI Cirebon, Indonesia
Denni Pratama STMIK IKMI Cirebon, Indonesia
Umi Hayati STMIK IKMI Cirebon, Indonesia

Keywords:

e-commerce, Shopee, produk elektronik, prediksi penjualan, regresi linier, Python

Abstract

Digitalisasi di sektor e-commerce menuntut kemampuan prediksi penjualan yang andal untuk mendukung keputusan strategis, khususnya dalam pengelolaan stok, penetapan harga, dan alokasi promosi. Penelitian ini bertujuan mengembangkan model prediksi penjualan produk elektronik di marketplace Shopee menggunakan algoritma regresi linier berbasis Python. Dataset yang digunakan terdiri atas 80 observasi mingguan dengan variabel jumlah pesanan, jumlah pembeli, tingkat konversi, dan nilai penjualan. Tahapan penelitian meliputi akuisisi dan pra-pemrosesan data, eksplorasi data, pembagian data menjadi latih dan uji (80:20), uji asumsi linieritas dan normalitas residual, pembangunan model regresi linier sederhana, serta evaluasi kinerja model menggunakan koefisien determinasi (R²) dan Mean Squared Error (MSE). Hasil eksperimen menunjukkan bahwa variabel jumlah pesanan merupakan prediktor utama yang mampu menjelaskan sekitar 79,8% variasi nilai penjualan, dengan koefisien positif sekitar Rp118.114,02 per pesanan. Meskipun uji normalitas residual mengindikasikan pelanggaran asumsi normalitas, performa prediktif model masih dinilai memadai untuk keperluan praktis dan dapat dijadikan model dasar yang efisien dan mudah diinterpretasikan. Temuan ini menunjukkan bahwa regresi linier layak dimanfaatkan sebagai titik awal pengembangan sistem prediksi penjualan bagi pelaku usaha produk elektronik di Shopee, sebelum dieksplorasi algoritma yang lebih kompleks pada penelitian lanjutan

References

D. Karl, “Forecasting e-commerce consumer returns: A systematic literature review,” Manag. Rev. Q., vol. 75, no. 3, pp. 1–56, 2024, doi: 10.1007/s11301-024-00436-x.

H. Ahaggach, L. Abrouk, and E. Lebon, “Systematic mapping study of sales forecasting: Methods, trends, and future directions,” Forecasting, vol. 6, no. 3, pp. 502–532, 2024, doi: 10.3390/forecast6030028.

P. Brüggemann, L. F. Martinez, and F. J. Martínez López, “The future of analytics in digital marketing and electronic commerce: how digitalization and sustainability affect consumers, firms, and policymakers,” J. Mark. Anal., vol. 13, pp. 571–573, 2025, doi: 10.1057/s41270-025-00422-6.

S. W. Jarantow, “Introduction to the use of linear and nonlinear regression in life science data modelling,” Curr. Protoc., vol. 3, no. 1, p. e80, 2023, doi: 10.1002/cpz1.801.

N. Roustaei, “Application and interpretation of linear regression analysis,” BMC Med. Res. Methodol., vol. 24, p. 29, 2024, doi: 10.1186/s12874-024-01789-2.

A. P. Lestari, “E-commerce in Indonesia’s economic transformation and its influence on global trade,” Int. J. Comput. Law Polit. Sci., vol. 4, no. 10, pp. 10–23, 2024, doi: 10.34010/injucolpos.vxix.xxxx.

S. W. Jarantow, “Introduction to the use of linear and non-linear regression models,” Curr. Protoc.,