INTEGRASI MOBILE APLIKASI UNTUK KLASIFIKASI HARGA LAPTOP MENGGUNAKAN METODE SUPPORT VECTOR CLASSIFICATION DAN LOGISTIC REGRESSION

Muhammad Ibadurrahman  Arrasyid Supriyanto; Abdullah Arkananta  Rasendrya Hasan; Dio  Dharmaesa; Reviansa Fakhruddin  Aththar; Surya Abdi  Febrinato; Chalsi Mala  Sari

doi:10.55338/jumin.v6i4.6576

Authors

Muhammad Ibadurrahman Arrasyid Supriyanto, Universitas Mulawarman, Indonesia
Abdullah Arkananta Rasendrya Hasan, Universitas Mulawarman, Indonesia
Dio Dharmaesa, Universitas Mulawarman, Indonesia
Reviansa Fakhruddin Aththar, Universitas Mulawarman, Indonesia
Surya Abdi Febrinato, Universitas Mulawarman, Indonesia
Chalsi Mala Sari, Universitas Mulawarman, Indonesia

DOI:

https://doi.org/10.55338/jumin.v6i4.6576

Keywords:

Machine Learning, SVM, Logistic Regression, Laptop, Mobile Application

Abstract

Penelitian ini bertujuan mengembangkan aplikasi mobile terintegrasi untuk klasifikasi harga laptop menggunakan metode machine learning guna membantu konsumen membuat keputusan pembelian yang objektif dan akurat. Masalah utama yang diatasi adalah kesulitan konsumen dalam mengklasifikasikan laptop berdasarkan kategori harga yang sesuai dengan kebutuhan dan anggaran mereka akibat kompleksitas variasi spesifikasi teknis dan proses klasifikasi manual yang subjektif. Dataset terdiri dari 1.500 sampel laptop dengan fitur brand, prosesor, RAM, penyimpanan, VGA, dan harga yang diklasifikasikan menjadi tiga kategori: Budget (≤10 juta), Mid-range (10-25 juta), dan Premium (>25 juta). Preprocessing data meliputi penghapusan missing values, deteksi outlier menggunakan Interquartile Range (IQR), dan feature engineering untuk kategorisasi tier VGA dan prosesor. Sistem scoring dikembangkan berdasarkan weighted features dengan rentang skor 5-50 untuk setiap komponen. Dua algoritma machine learning diimplementasikan: Support Vector Classification (SVC) dengan kernel RBF dan Logistic Regression (LR) dengan regularisasi L2. Evaluasi model menggunakan 5-fold cross-validation dengan pembagian data 80% training dan 20% testing menggunakan stratified sampling. SVC dengan kernel RBF mencapai akurasi 92% dengan confusion matrix yang menunjukkan dominasi diagonal tanpa kesalahan false positive/negative yang signifikan, sedangkan LR mencapai akurasi 85% dengan kecepatan training yang superior. Aplikasi mobile yang dikembangkan menggunakan React Native berhasil menyediakan fitur real-time classification, confidence scoring, dan export hasil untuk membantu konsumen dalam pengambilan keputusan pembelian laptop yang objektif dan akurat. Sistem scoring berbasis weighted features terbukti efektif dalam memberikan klasifikasi objektif menggantikan proses manual yang subjektif dan tidak konsisten.

Downloads

Download data is not yet available.

References

C. G. Aksoy, J. M. Barrero, N. Bloom, S. J. Davis, M. Dolls, and P. Zarate, “The global persistence of work from home,” Proceedings of the National Academy of Sciences, vol. 122, no. 27, Jul. 2025, doi: 10.1073/pnas.2509892122.

M. A. Idrees, M. A. Khan, and A. Khan, “Factors Affecting Consumer Buying Behavior For Electronic Notebook,” European Journal of Business and Management Research, vol. 5, no. 3, Jun. 2020, doi: 10.24018/ejbmr.2020.5.3.339.

V. Kumar, H. Md. Azamathulla, K. V. Sharma, D. J. Mehta, and K. T. Maharaj, “The State of the Art in Deep Learning Applications, Challenges, and Future Prospects: A Comprehensive Review of Flood Forecasting and Management,” Sustainability, vol. 15, no. 13, p. 10543, Jul. 2023, doi: 10.3390/su151310543.

N. N. Sari, T. T. Anisah, and R. Fitriani, “Implementasi Machine Learning Untuk Prediksi Harga Laptop Menggunakan Algoritma Regresi Linear Berganda,” Jurnal Manajemen Informatika (JAMIKA), vol. 14, no. 2, pp. 162–177, Jul. 2024, doi: 10.34010/jamika.v14i2.12923.

A. G. Budianto, R. Rusilawati, A. T. E. Suryo, G. R. Cahyono, A. F. Zulkarnain, and M. Martunus, “Perbandingan Performa Algoritma Support Vector Machine (SVM) dan Logistic Regression untuk Analisis Sentimen Pengguna Aplikasi Retail di Android,” Jurnal Sains dan Informatika, vol. 10, no. 2, Nov. 2024, doi: 10.34128/jsi.v10i2.911.

S. Dreiseitl and L. Ohno-Machado, “Logistic regression and artificial neural network classification models: a methodology review,” J Biomed Inform, vol. 35, no. 5–6, pp. 352–359, Oct. 2002, doi: 10.1016/S1532-0464(03)00034-0.

J. Cervantes, F. Garcia-Lamont, L. Rodríguez-Mazahua, and A. Lopez, “A comprehensive survey on support vector machine classification: Applications, challenges and trends,” Neurocomputing, vol. 408, pp. 189–215, Sep. 2020, doi: 10.1016/j.neucom.2019.10.118.

D. N. Ardelia, H. D. Arifin, S. Daniswara, and A. P. Sari, “Klasifikasi Harga Ponsel Menggunakan Algoritma Logistic Regression,” Journal of Informatics and Electronics Engineering, vol. 4, no. 1, p. 37, Jul. 2024, doi: 10.70428/jiee.v4i1.854.

A. Zein and F. Ekawati, “Prediksi Harga Handphone Berbasis Algoritma Supervised Learning,” SAINSTECH: JURNAL PENELITIAN DAN PENGKAJIAN SAINS DAN TEKNOLOGI, vol. 35, no. 2, pp. 27–33, Jun. 2025, doi: 10.37277/stch.v35i2.2343.

P. P. Shinde and S. Shah, “A Review of Machine Learning and Deep Learning Applications,” in 2018 Fourth International Conference on Computing Communication Control and Automation (ICCUBEA), 2018, pp. 1–6. doi: 10.1109/ICCUBEA.2018.8697857.

W. Wang, Z. Zhen, K. Li, K. Lv, and F. Wang, “An Ultra-short-term Forecasting Model for High-resolution Solar Irradiance Based on SOM and Deep Learning Algorithm,” in 2019 IEEE Sustainable Power and Energy Conference (iSPEC), 2019, pp. 1090–1095. doi: 10.1109/iSPEC48194.2019.8974983.

H. Ince and T. B. Trafalis, “Short term forecasting with support vector machines and application to stock price prediction,” Int J Gen Syst, vol. 37, no. 6, pp. 677–687, Dec. 2008, doi: 10.1080/03081070601068595.

Y. Liu, “Stock Prediction Analysis Based on LogisticRegression and Random Forest,” MedScien, vol. 1, no. 3, Jun. 2025, doi: 10.61173/kwhazd65.

P. Tian, “Research On Laptop Price Predictive Model Based on Linear Regression, Random Forest and Xgboost,” Highlights in Science, Engineering and Technology, vol. 85, pp. 265–271, Mar. 2024, doi: 10.54097/9nx5ad16.

A. D. Siburian, D. R. H. Sitompul, S. H. Sinurat, A. Situmorang, R. Ruben, D. J. Ziegel, and E. Indra, “Laptop Price Prediction with Machine Learning Using Regression Algorithm,” Jurnal Sistem Informasi dan Ilmu Komputer Prima(JUSIKOM PRIMA), vol. 6, no. 1, pp. 87–91, Sep. 2022, doi: 10.34012/jurnalsisteminformasidanilmukomputer.v6i1.2850.

K. A. Baihaqi, I. Setyawan, D. Manongga, H. D. Purnomo, H. Hendry, A. Fauzi, and A. Hananto, “A Comparison Support Vector Machine, Logistic Regression And Naïve Bayes For Classification Sentimen Analisys user Mobile App,” International Journal of Artificial Intelligence Research, vol. 7, no. 1, p. 64, Jun. 2023, doi: 10.29099/ijair.v7i1.962.

J. Cervantes, F. Garcia-Lamont, L. Rodríguez-Mazahua, and A. Lopez, “A comprehensive survey on support vector machine classification: Applications, challenges and trends,” Neurocomputing, vol. 408, pp. 189–215, Sep. 2020, doi: 10.1016/j.neucom.2019.10.118.