Prediksi Penjualan Mobil Berbasis Time Series Menggunakan Stacking Ensemble untuk Optimasi Model XGBoost

Kiara Sandhi, Khalisha (2026) Prediksi Penjualan Mobil Berbasis Time Series Menggunakan Stacking Ensemble untuk Optimasi Model XGBoost. Pro-Step Report, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (725kB)
	PDF BAB_I.pdf Download (371kB)
	PDF BAB_II.pdf Download (668kB)
	PDF BAB_III.pdf Download (3MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (282kB)
	PDF DAFTAR_PUSTAKA.pdf Download (284kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (7MB)
	PDF LEMBAR_PENGESAHAN.pdf Download (52kB)

Abstract

Perusahaan otomotif menghadapi tantangan fluktuasi pasar dan perubahan permintaan konsumen, sehingga mendorong perusahaan untuk segera mengambil keputusan strategis yang tepat. Salah satu upaya yang dapat dilakukan adalah menerapkan prediksi penjualan, namun pendekatan konvensional yang umum digunakan, dinilai kurang mampu menangkap pola non-linear dan kompleks pada data time series penjualan mobil. Untuk itu, pemanfaatan pendekatan machine learning yang dapat menangani pola non-linear dan kompleks pada data time series digunakan dalam penelitian ini. Metode penelitian yang digunakan adalah CRISP- DM, dengan memanfaatkan algoritma XGBoost, Random Forest, dan LightGBM pada data time series penjualan mobil dengan tambahan variabel eksternal (nilai tukar, inflasi transportasi, dan Google Trends). Tahapan penelitian mencakup business understanding, data understanding, data preparation, modeling, dan evaluation. Sebagai tambahan, dilakukan evaluasi pasca-lomba untuk mengoptimalkan kinerja model XGBoost menggunakan metode stacking ensemble. Hasil penelitian menunjukkan bahwa performa terbaik diperoleh oleh XGBoost, dengan rata-rata nilai MAPE sebesar 10,48%. Hasil analisis menunjukkan bahwa variabel nilai tukar (kurs) berpengaruh besar terhadap akurasi prediksi model, sementara variabel inflasi transportasi dan Google Trends berpengaruh kecil. Selanjutnya, penerapan stacking ensemble terbukti mampu meningkatkan performa model XGBoost untuk prediksi penjualan mobil berbasis time series., dengan nilai rata-rata MAPE sebesar 8,58%.

Item Type:	Technical Report (Pro-Step Report)
Creators:	Kiara Sandhi, Khalisha (00000075384)
Contributors:	Ady Sanjaya, Samuel (0305049402)
Keywords:	Machine Learning, Prediksi Penjualan, Stacking Ensemble, Time Series, XGBoost
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	02 Feb 2026 12:03
URI:	https://kc.umn.ac.id/id/eprint/44520

Actions (login required)

View Item