ANALISIS PERBANDINGAN ALGORITMA KAN DAN XGBOOST TERHADAP AKURASI PREDIKSI PENGELUARAN BULANAN PADA APLIKASI MOBILE SMART-BUDGETING

Prediksi pengeluaran bulanan merupakan salah satu aspek penting dalam pengelolaan keuangan pribadi karena dapat membantu pengguna dalam merencanakan anggaran berdasarkan kondisi finansialnya. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma Kolmogorov-Arnold Network (KAN) dan Extreme Gradient Boosting (XGBoost) dalam memprediksi pengeluaran bulanan pada aplikasi mobile Smart-Budgeting, dengan Regresi Linear sebagai model baseline. Dataset yang digunakan adalah Personal Finance ML Dataset yang terdiri dari 32.424 data dengan 20 kolom awal. Tahapan preprocessing meliputi penghapusan kolom yang tidak relevan, ekstraksi fitur temporal dari record_date, penanganan outlier menggunakan Winsorization, encoding fitur kategorikal, dan normalisasi menggunakan Min-Max Scaling. Data dibagi menjadi training set, validation set, dan test set dengan proporsi 70%, 15%, dan 15%. Evaluasi dilakukan menggunakan MAE, RMSE, MAPE, dan R², sedangkan perbedaan kinerja KAN dan XGBoost diuji menggunakan Wilcoxon Signed-Rank Test terhadap hasil 10-Fold Cross Validation. Pada test set, Regresi Linear memperoleh MAE 590,3898 USD, XGBoost 594,0653 USD, dan KAN 592,3009 USD. Pada 10-Fold Cross Validation, XGBoost memperoleh MAE rata-rata 610,3205 ± 6,0606 USD dan KAN 610,5662 ± 6,3052 USD. Uji Wilcoxon menghasilkan W = 21 dan p-value = 0,556641, sehingga H₀ gagal ditolak. Berdasarkan efisiensi komputasi, XGBoost direkomendasikan sebagai model prediksi.