EVALUASI KOMPARATIF TEKNIK MIXUP DAN CUTMIX UNTUK PENINGKATAN AKURASI DETEKSI SAMPAH BERBASIS CONVOLUTIONAL NEURAL NETWORK

Sogol Miftakhul Khoir; Ade Irma Purnamasari; Denni Pratama; Ade Rizki Rinaldi

Authors

Sogol Miftakhul Khoir STMIK IKMI Cirebon, Indonesia
Ade Irma Purnamasari STMIK IKMI Cirebon, Indonesia
Denni Pratama STMIK IKMI Cirebon, Indonesia
Ade Rizki Rinaldi STMIK IKMI Cirebon, Indonesia

Keywords:

Naïve Bayes, klasifikasi penjualan, data inventori, machine learning, ritel

Abstract

Ketidaktepatan dalam mengelola dan menganalisis data penjualan ritel sering menyebabkan terjadinya overstock maupun stockout yang berdampak pada inefisiensi biaya dan gangguan operasional. Penelitian ini bertujuan untuk menerapkan algoritma Gaussian Naïve Bayes dalam melakukan klasifikasi tingkat penjualan produk ritel berdasarkan data inventori. Model klasifikasi dibangun dengan membagi variabel Units Sold ke dalam tiga kategori, yaitu rendah, sedang, dan tinggi menggunakan pendekatan kuantil. Dataset yang digunakan merupakan data sekunder yang diperoleh dari platform Kaggle, yang terdiri dari atribut numerik dan kategorikal seperti Inventory Level, Units Ordered, Price, Discount, Competitor Pricing, dan Seasonality. Tahapan praproses meliputi pembersihan data, pengkodean variabel kategorikal, serta standarisasi fitur untuk meningkatkan kualitas data sebelum pemodelan. Pembagian data dilakukan menggunakan metode stratified split dengan proporsi 80:20 untuk menjaga keseimbangan distribusi kelas pada data latih dan data uji. Model kemudian dilatih dan dievaluasi menggunakan confusion matrix dengan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Gaussian Naïve Bayes mampu memberikan performa klasifikasi yang cukup baik dalam mengelompokkan tingkat penjualan. Namun demikian, terdapat pengaruh ketidakseimbangan kelas serta korelasi antar fitur yang berpotensi menurunkan kinerja model. Penelitian ini memberikan kontribusi dalam penerapan metode klasifikasi berbasis machine learning pada data penjualan ritel serta berpotensi diimplementasikan dalam sistem manajemen persediaan untuk mendukung pengambilan keputusan berbasis data.

References

J. D. Gates and G. A. Pangilinan, “Big Data Analytics for Predictive Insights in Healthcare,” vol. 3, no. 1, pp. 54–63, 2024.

D. Muhunzi, L. Kitambala, and H. L. Mashauri, “Big data analytics in the healthcare sector : Opportunities and challenges in developing countries . A literature review,” pp. 1–14, 2024, doi: 10.1177/14604582241294217.

S. Mehta, A. Info, P. Modeling, S. Graduation, N. B. Algorithm, and E. Data, “Playing Smart with Numbers : Predicting Student Graduation Using the Magic of Naive Bayes,” vol. 2, no. 1, pp. 60–75, 2023.

M. H. Zahri, A. Sunge, and A. T. Zy, “Journal of Computer Networks , Architecture and High Performance Computing Analysis of Product Sales in the Application of Data Mining with Naive Bayes Classification Journal of Computer Networks , Architecture and High Performance Computing,” vol. 6, no. 3, pp. 1213–1223, 2024.

N. Ruhyana and T. Mardiana, “Approaches to Customer Types Classification Method in the Supermarket,” Jurnal Riset Informatika, vol. 6, no. 1, pp. 37–44, 2023, doi: 10.34288/jri.v6i1.269.

H. Supendar, R. Rusdiansyah, N. Suharyanti, and T. Tuslaela, “Application of the Naïve Bayes Algorithm in Determining Sales of the Month,” Sinkron, vol. 8, no. 2, pp. 873–879, 2023, doi: 10.33395/sinkron.v8i2.12293.

V. Tiwari, “Role of Data Analytics in Business Decision Making,” Knowledgeable Research a Multidisciplinary Journal, vol. 3, no. 01, pp. 18–27, 2024, doi: 10.57067/0zr57x43.

M. Vidas-bubanja and V. Makitan, “Data Mining Approaches in Predicting Entrepreneurial Intentions Based on Internet Marketing Applications,” pp. 1–38, 2024.

C. Liu, X. Wang, W. Cai, Y. He, and H. Su, “Machine Learning Aided Prediction of Glass-Forming Ability of Metallic Glass,” Processes, vol. 11, no. 9, p. 2806, 2023, doi: 10.3390/pr11092806.

S. Paul et al., “A Retrospective Study Using Machine Learning to Develop Predictive Model to Identify Rotavirus-Associated Acute Gastroenteritis in Children,” Peerj, vol. 13, p. e19025, 2025, doi: 10.7717/peerj.19025.

A. S. Mutia, I. Irawan, and C. Juliane, “Global Network Cyberattack Classification Using Naive Bayes Method Time Range 2020 – 2023,” Astonjadro, vol. 13, no. 2, pp. 587–596, 2024, doi: 10.32832/astonjadro.v13i2.15683.

T. Kim and J. Lee, “Exponential Loss Minimization for Learning Weighted Naive Bayes Classifiers,” IEEE Access, vol. 10, pp. 22724–22736, 2022, doi: 10.1109/ACCESS.2022.3155231.

R. N. Juliadi and Y. Puspitarani, “Supervised Model for Sentiment Analysis Based on Hotel Review Clusters using RapidMiner,” vol. 6, no. 3, pp. 1059–1066, 2022.

R. Medicine, T. Akaishi, and R. Medicine, “cc ep te d us cr t,” 2023, doi: 10.1620/tjem.2023.J090.

D. A. Anggraini and M. Ikhsan, “Journal of Computer Networks , Architecture and High Performance Computing Implementation of the Naïve Bayes Algorithm in the SMS Spam Filtering System Journal of Computer Networks , Architecture and High Performance Computing,” vol. 6, no. 2, pp. 838–849, 2024.

P. S. Bakti and E. Eliyani, “Application of J48 and Naïve Bayes Algorithms to Predict Ream Bookings at PT. Nippon Presisi Teknik,” Eduvest - Journal of Universal Studies, vol. 3, no. 6, pp. 1047–1060, 2023, doi: 10.59188/eduvest.v3i6.834.

Y. Akbar and M. Qibthiyah, “Penerapan Metode Naïve Bayes Untuk Klasifikasi Produk Berdasarkan Kategori Penjualan Di Toko Artemist,” Jurnal Indonesia Manajemen Informatika Dan Komunikasi, vol. 6, no. 3, pp. 1921–1930, 2025, doi: 10.63447/jimik.v6i3.1603.

A. F. Hakim, “Implementation of the Crisp-Dm Methodology and Naive Bayes Algorithm on a Raw Material Requirement Prediction System to Reduce Food Waste (Case Study: Adamsafee Bakery, Resto, &Amp; Cafe),” Jurnal Teknologi Informasi Dan Pendidikan, vol. 18, no. 2, pp. 968–983, 2025, doi: 10.24036/jtip.v18i2.990.

F. P. Dewanti, S. Setiyowati, and S. Harjanto, “Prediksi Persediaan Obat Untuk Proses Penjualan Menggunakan Metode Decision Tree Pada Apotek,” Jurnal Teknologi Informasi dan Komunikasi (TIKomSiN), vol. 10, no. 1, May 2022, doi: 10.30646/tikomsin.v10i1.604.

L. Nazari, “Integrated transcriptomic meta analysis and comparative artificial intelligence models in maize under biotic stress,” Scientific Reports, pp. 1–12, 2023, doi: 10.1038/s41598-023-42984-4.