Benchmarking Model Machine Learning untuk Prediksi Data Berdasarkan Akurasi dan Error
DOI:
https://doi.org/10.37824/sij.v8i2.2025.1141Keywords:
machine learning, benchmarking, regresi, prediksi data, evaluasi modelAbstract
Perkembangan machine learning mendorong pemanfaatan berbagai model regresi untuk melakukan prediksi data secara akurat dan efisien. Namun, perbedaan karakteristik dataset menyebabkan kinerja setiap model bervariasi, sehingga diperlukan proses benchmarking untuk menentukan model yang paling optimal. Penelitian ini bertujuan untuk membandingkan kinerja beberapa model machine learning dalam tugas prediksi data berbasis regresi tanpa melakukan pengembangan aplikasi. Model yang dievaluasi meliputi Linear Regression, Decision Tree Regression, Random Forest Regression, Support Vector Regression, dan K-Nearest Neighbor Regression. Dataset yang digunakan merupakan dataset publik dengan variabel numerik yang telah melalui tahap praproses data, meliputi pembersihan data, normalisasi, dan pembagian data latih serta data uji. Evaluasi kinerja model dilakukan menggunakan metode K-Fold Cross Validation dengan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa Random Forest Regression memberikan kinerja terbaik dengan nilai error terendah, nilai R² tertinggi, serta stabilitas model yang baik dibandingkan model lainnya. Hasil ini menunjukkan bahwa pendekatan ensemble efektif dalam meningkatkan akurasi dan kemampuan generalisasi model pada tugas prediksi data regresi.
References
[1] A. Syahreza, N. K. Ningrum, dan M. A. Syahrazy, “Perbandingan Kinerja Model Prediksi Cuaca: Random Forest, Support Vector Regression, dan XGBoost,” Edumatic: Jurnal Pendidikan Informatika, vol. 8, no. 2, 2024
[2] M. Yafi Urrochman, H. Asy’ari, dan F. A. Hizham, “Performance Comparison of Random Forest Regression, SVR Models in Stock Price Prediction,” Jurnal Pilar Nusa Mandiri, vol. 21, no. 1, 2025.
[3] Suyatna et al., “Analisis Perbandingan Kinerja Model Machine Learning dalam Prediksi Harga Saham TLKM,” RIGGS: Journal of AI and Digital Business, vol. 4, no. 4, 2025.
[4] T. A. D. Kurniawan, A. Setiawan, dan F. Tita, “Perbandingan Performa SVR dan Regresi Linier Berganda dalam Memprediksi BMI pada Dataset ASTHMA,” Jurnal Sains dan Edukasi Sains, vol. 8, no. 2, 2025.
[5] M. Ardiansyah dan F. Wulandari, “Analisa Kinerja Model Regresi dalam Machine Learning untuk Memprediksi Harga Beras,” JOISIE, vol. 8, no. 1, 2024.
[6] A. Almarzooqi, M. G. Arab, M. Omar, dan E. Alotaibi, “Benchmarking Conventional Machine Learning Models for Dynamic Soil Property Prediction,” Buildings, vol. 15, no. 22, 2025.
[7] J. M. H. Pinheiro et al., “The Impact of Feature Scaling in Machine Learning: Effects on Regression and Classification Tasks,” arXiv, 2025.
[8] I. Maulita, C. R. A. Widiawati, dan A. M. Wahid, “Analisis Komparatif Linear Regression, Random Forest, dan Gradient Boosting untuk Prediksi Banjir,” Jurnal Pendidikan dan Teknologi Indonesia, 2025
[9] A. Fahmi, M. H. Munsarif, dan A. Winarno, “Evaluasi Komparatif Model Regresi Prediksi Saham BBCA,” Jurnal Sistem Komputer dan Informatika (JSON), vol. 7, no. 2, 2025.
[10] B. Kriswantara, K. Kurniawati, dan H. F. Pardede, “Prediksi Harga Mobil Bekas dengan Machine Learning,” SLJIL, vol. 6, no. 5, 2021.
[11] C. Fan, A. Upadhye, dan A. Worster, “The Coefficient of Determination R-squared is More Informative Than SMAPE, MAE, MAPE, MSE and RMSE in Regression Analysis Evaluation,” PeerJ Comput. Sci., 2025
[12] Mahim A. M. Billah dan T. Sarkar, “Comparative Analysis of Machine Learning Models for House Price Prediction: Linear Regression to Boosted Trees,” ResearchGate, 2025.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Valian Yoga Pudya Ardhana, Syahrani Lonang, Danang Tejo Kumoro, M. Dermawan Mulyodiputro
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
