Peramalan Permintaan dengan KNN Regression

Peramalan Permintaan

Peramalan permintaan merupakan proses estimasi atau prediksi mengenai jumlah barang atau jasa yang akan diminta oleh pasar pada masa mendatang. 

Hal ini penting dalam perencanaan bisnis untuk mengoptimalkan produksi, persediaan, dan strategi pemasaran. Metode peramalan yang digunakan dapat beragam, seperti analisis statistik, model matematis, atau teknik data mining, tergantung pada kompleksitas dan data yang tersedia.

KNN Regression

KNN regression (K-Nearest Neighbors regression) adalah sebuah metode dalam data mining dan statistika yang digunakan untuk memprediksi nilai dari suatu variabel kontinu berdasarkan nilai-nilai variabel input yang terdekat dengan data yang ada. 

Berbeda dengan KNN dalam klasifikasi yang memprediksi kelas atau label, KNN regression menghitung nilai rata-rata (atau nilai lainnya, seperti median) dari K tetangga terdekat untuk memperkirakan nilai kontinu dari data yang baru atau yang tidak memiliki label.

Proses KNN regression melibatkan langkah-langkah berikut:

1. Menghitung jarak antara data baru dan setiap data dalam dataset training.

2. Memilih K data terdekat (tetangga terdekat) berdasarkan jarak yang dihitung.

3. Menghitung nilai prediksi dengan menggunakan nilai rata-rata (atau median) dari nilai target (variabel yang diprediksi) dari K tetangga terdekat.

KNN regression sering digunakan dalam situasi di mana hubungan antara variabel input dan output tidak linier atau kompleks, dan ketika tidak terdapat asumsi tertentu mengenai distribusi data.

Berikut adalah beberapa jenis metrik jarak yang umum digunakan dalam algoritma K-Nearest Neighbors (KNN):

1. Euclidean Distance: Ini adalah metrik jarak yang paling umum digunakan dalam KNN. Euclidean distance mengukur jarak garis lurus antara dua titik dalam ruang. Semakin kecil nilai Euclidean distance antara dua titik, semakin dekat kedua titik tersebut.

2. Manhattan Distance (City Block atau Taxicab Distance): Metrik ini mengukur jarak antara dua titik dengan jumlah perbedaan absolut di setiap dimensi. Dalam konteks KNN, ini berarti jarak yang harus ditempuh sepanjang jalur grid seperti di kota besar, di mana kita hanya dapat bergerak sepanjang jalur paralel sumbu koordinat.

3. Minkowski Distance: Ini adalah bentuk umum dari jarak yang digunakan dalam KNN, yang mencakup metrik Euclidean dan Manhattan sebagai kasus khusus ketika ( r = 2 ) dan ( r = 1 ) masing-masing. Minkowski distance dapat disesuaikan dengan mengubah nilai parameter (r).

Pemilihan metrik jarak yang tepat tergantung pada sifat data yang dihadapi dan tujuan dari aplikasi KNN tersebut.