Analisis Faktor-Faktor yang Mempengaruhi Penjualan Menggunakan Metode Regresi dengan Feature Engineering
Keywords:
Regresi Linear, Feature Engineering, Ritel, Python, Machine LearningAbstract
Supermarket merupakan salah satu bentuk ritel modern yang menyediakan berbagai kebutuhan pokok masyarakat. Permasalahan yang sering muncul adalah fluktuasi bahkan penurunan volume penjualan akibat ketidakseimbangan antara ketersediaan barang dan jumlah pelanggan harian. Penelitian ini bertujuan menganalisis faktor-faktor yang memengaruhi penjualan supermarket menggunakan model regresi dengan feature engineering lanjutan. Data diperoleh dari dataset Supermarket Sales (Kaggle) yang terdiri dari Sales, Cogs, Quantity, Discount, dan kategori produk; feature engineering lanjutan diterapkan untuk membuat fitur profit margin, interaksi antar variabel, polynomial features, serta fitur berbasis waktu. Hasil penelitian menemukan bahwa faktor yang berpengaruh signifikan terhadap total penjualan adalah unit price, quantity, dan variabel lokasi (city dan branch), sedangkan gender, customer type, metode pembayaran, jenis produk, rating, dan faktor waktu tidak berpengaruh signifikan secara statistik.
References
Aryani, Y., & Gustian, D. (2020). Sistem informasi penjualan barang dengan metode regresi linear berganda dalam prediksi pendapatan perusahaan. Jurnal Riset Sistem Informasi Dan Teknologi Informasi (JURSISTEKNI), 2(2), 39–51. https://doi.org/10.52005/jursistekni.v2i2.47
Ayuni, G. N., & Fitrianah, D. (2020). Penerapan metode regresi linear untuk prediksi penjualan properti pada PT XYZ. Jurnal Telematika, 14(2), 79–86. https://doi.org/10.61769/telematika.v14i2.321
Eksi Oktaviani. (2019). Analisis fluktuasi penjualan produk tabungan Gemess.
Endang Sungkawati, Binsasi, D., & Putri, S. (2021). Pemasaran ritel. Eureka Media Aksara.
Herdian, C., Kamila, A., Tampinongkol, F. F., Kembau, A. S., & Budidarma, I. G. A. M. (2024).
One-hot encoding feature engineering untuk label-based data studi kasus prediksi harga mobil bekas. Informasi Interaktif: Jurnal Informatika Dan Teknologi Informasi, 9(1), 10–16. https://doi.org/10.37159/jii.v9i1.41
Kartiningrum, E. D., Basuki, H., Bambang, N., Otok, W., Nurul, E., & Yuswatiningsih, K. E. (2022).
Aplikasi regresi dan korelasi dalam analisis data hasil penelitian. STIKES Majapahit Mojokerto.
Musthofa, N., Wahyudi, I. A., AripNurazazi, R., & Gumay, N. C. (2023). Penerapan algoritma regresi linear sederhana untuk prediksi pengaruh nilai omset terhadap besaran pendapatan bersih usaha mikro kecil dan menengah. JICOM, 4(1), 46–56. https://ejurnalunsam.id/index.php/jicom/article/view/5935
Nafi’iyah, N., & Rakhmawati, E. (2021). Analisis regresi linear dan moving average dalam memprediksi data penjualan supermarket. Jurnal Teknologi Informasi Dan Komunikasi, 12(1), 44–50. https://doi.org/10.51903/jtikp.v12i1.230
Nur Fauzi, N. P., Khomsah, S., & Putra Wicaksono, A. D. (2025). Penerapan feature engineering dan hyperparameter tuning untuk meningkatkan akurasi model random forest pada klasifikasi risiko kredit. Jurnal Teknologi Informasi Dan Ilmu Komputer, 12(2), 251–262. https://doi.org/10.25126/jtiik.2025128472
Sita Kusuma. (2024). Manajemen pemasaran di era digitalisasi. Takaza Innovatix Labs.
Zulfikar, Ismail, J., Aristo Jansen Sinlae, A., Saputra, Y., Anan Nasution, R., & Rahajeng, E. (2025). Mapping Research Trends of Entropy-Based Weighting and AHP Integration in Multi-Criteria Decision Analysis for Sustainable Development Applications. Bulletin of Information System Research (BIOS, 4(1). https://doi.org/10.62866/bios.v4i1.230
