Rancang Bangun Aplikasi Prediksi Pengadaan Aset TI Menggunakan Algoritma XGBoost

Abstract

Pengelolaan aset teknologi informasi (TI) yang efisien merupakan aspek krusial dalam mendukung operasional dan pengendalian anggaran perusahaan, di mana ketidaktepatan perencanaan dapat memicu pemborosan biaya atau hambatan produktivitas. Proyek akhir ini bertujuan untuk membangun model prediksi pengadaan aset TI menggunakan algoritma Extreme Gradient Boosting (XGBoost) yang dikomparasikan dengan Regresi Linier Berganda sebagai baseline, serta diimplementasikan ke dalam prototipe aplikasi web. Metode penelitian mencakup pengumpulan data historis simulasi selama enam tahun (2019–2024), pemrosesan data dengan teknik lagging untuk mencegah kebocoran informasi (data leakage), rekayasa fitur teknis (urgency ratio), serta evaluasi kinerja menggunakan metrik Mean Absolute Error (MAE) dan koefisien determinasi (R2). Hasil pengujian menunjukkan bahwa model XGBoost secara signifikan mengungguli model baseline dengan capaian nilai R2 sebesar 0,7107—meningkat 360% dibandingkan Regresi Linier yang hanya sebesar 0,1545—dengan tingkat kesalahan rata-rata (MAE) sebesar 8,21 unit. Produk akhir berupa aplikasi web "ForeTech" berhasil mengotomatisasi seluruh pipeline data mulai dari impor dataset, pembersihan data secara mandiri (autonomous cleansing), pelatihan model secara real-time, hingga penyajian visualisasi faktor penentu kebijakan (Primary Decisional Factors) dan ekspor laporan justifikasi pengadaan berformat PDF. Sistem ini memberikan manfaat nyata bagi manajemen TI dalam melakukan pengambilan keputusan pengadaan aset yang lebih presisi, tepat waktu, dan transparan.