Optimasi Random Forest pada Prediksi Penjualan Mobil GAIKINDO Menggunakan GridSearchCV dan RandomizedSearchCV

Neo Sufism, The (2026) Optimasi Random Forest pada Prediksi Penjualan Mobil GAIKINDO Menggunakan GridSearchCV dan RandomizedSearchCV. Pro-Step Report, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (622kB)
	PDF BAB_I.pdf Download (343kB)
	PDF BAB_II.pdf Download (455kB)
	PDF BAB_III.pdf Download (3MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (287kB)
	PDF DAFTAR_PUSTAKA.pdf Download (293kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (4MB)
	PDF LEMBAR_PENGESAHAN.pdf Download (54kB)

Abstract

Peramalan penjualan mobil bulanan di Indonesia menjadi hal penting bagi industri otomotif dikarenakan pola penjualan yang bersifat fluktuatif dan dipengaruhi oleh berbagai faktor eksternal. Hal ini membuat pendekatan statistik konvensional kurang cocok untuk memprediksi penjualan dengan kondisi sebenarnya. Tujuan utama penelitian adalah untuk membandingkan tiga model pengajaran mesin (Random Forest, XGBoost, dan LightGBM) untuk menggunakan data seri waktu untuk memprediksi penjualan mobil bulanan di Indonesia. Pada penelitian ini, pendekatan rolling forecasting digunakan untuk pemodelan, sedangkan metrik Mean Absolute Percentage Error (MAPE) digunakan untuk mengevaluasi kinerja model. Hasil menunjukkan bahwa XGBoost memiliki kinerja terbaik dengan nilai MAPE rata-rata sebesar 10,48%, diikuti oleh Random Forest dengan 11,60%. Dengan nilai MAPE rata-rata 37,70%, LightGBM menunjukkan kinerja terburuk. Analisis permutation importance menunjukkan bahwa nilai kurs memiliki pengaruh terbesar terhadap hasil prediksi. Setelah pelaksanaan kompetisi, dilakukan percobaan hyperparameter tuning secara otomatis menggunakan GridSearchCV dan RandomizedSearchCV untuk membandingkan keduanya. GridSearchCV berhasil menurunkan nilai MAPE menjadi 11,49% meskipun proses komputasi memakan waktu lebih lama dibandingkan metode lain, sedangkan RandomizedSearchCV lebih buruk dibandingkan manual hyperparameter tuning dengan nilai 11,67%. Temuan ini menyarankan bahwa strategi pemilihan model dan penyesuaian hyperparameter tuning harus menyeimbangkan akurasi dan efisiensi waktu komputasi.

Item Type:	Technical Report (Pro-Step Report)
Creators:	Neo Sufism, The (00000075544)
Contributors:	Ady Sanjaya, Samuel (0305049402)
Keywords:	Machine Learning, Time Series, Forecasting, Parameter Tuning
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/44521

Actions (login required)

View Item