Perpustakaan Digital ITB

PT. Akuakultur ABC menghadapi kesulitan dalam memprediksi pendapatan secara akurat, yang menghambat pengambilan keputusan dalam perencanaan strategis perusahaan. Selama ini, estimasi pendapatan dilakukan secara subjektif oleh tim unit bisnis dengan menanyakan langsung kepada sales terkait proyeksi pencapaian hingga akhir bulan. Upaya sebelumnya dari tim BI CEOO yang menggunakan metode statistik sederhana seperti moving average juga belum mampu menghasilkan prediksi yang andal. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan mengembangkan model prediksi pendapatan dengan tingkat kesalahan maksimum 40% serta memiliki interpretabilitas yang baik untuk mendukung proses pengambilan keputusan. Beberapa pendekatan dievaluasi, seperti time series forecasting, deep learning, dan tree-based models. Berdasarkan karakteristik data transaksi harian yang dimiliki dengan jumlah yang terbatas dan cenderung tidak stabil, tree-based models dipilih sebagai solusi yang paling tepat. Hasil penelitian menunjukkan bahwa model berbasis gradient boosting, khususnya LightGBM, mampu memberikan prediksi yang paling akurat dan stabil dibandingkan model lain, seperti decision tree, random forest, dan XGBoost. Proses tuning hyperparameter dilakukan menggunakan Optuna yang mengadopsi pendekatan Bayesian optimization untuk menghasilkan kombinasi hyperparameter terbaik secara efisien. Untuk meningkatkan transparansi dan pemahaman terhadap model, metode Explainable AI (XAI) berupa SHAP diterapkan guna mengidentifikasi kontribusi masing-masing fitur terhadap hasil prediksi.