Optimasi LightGBM dengan Hyperparameter Optuna untuk Forecasting Penjualan Mobil GAIKINDO

Lie, Ronan (2026) Optimasi LightGBM dengan Hyperparameter Optuna untuk Forecasting Penjualan Mobil GAIKINDO. Pro-Step Report, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (751kB)
	PDF BAB_I.pdf Download (389kB)
	PDF BAB_II.pdf Download (482kB)
	PDF BAB_III.pdf Download (2MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (293kB)
	PDF DAFTAR_PUSTAKA.pdf Download (272kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (3MB)
	PDF LEMBAR_PENGESAHAN.pdf Download (52kB)

Abstract

Peramalan penjualan yang akurat menjadi semakin penting untuk perencanaan produksi, pengelolaan persediaan, dan strategi bisnis karena pertumbuhan industri otomotif Indonesia yang cepat. Data penjualan mobil nasional yang dirilis oleh GAIKINDO banyak digunakan sebagai dasar pengambilan keputusan. Namun, proses peramalan di banyak perusahaan sering bergantung pada metode statistik tradisional, yang tidak dapat menangani pola non- linear, tren jangka panjang, dan faktor eksternal. Kondisi ini dapat menyebabkan hasil prediksi yang kurang ideal dan ketidakefisienan dalam pengambilan keputusan. Penelitian ini berfokus pada penerapan algoritma Light Gradient Boosting Machine (LightGBM) untuk melakukan peramalan penjualan lima merek mobil utama di Indonesia berdasarkan data deret waktu GAIKINDO. Untuk meningkatkan kemampuan generalisasi model dan menghindari bias temporal, proses pemodelan dilakukan menggunakan pendekatan rolling-forecast dan walk- forward forecasting, yang mensimulasikan kondisi peramalan nyata dengan memperbarui data pelatihan secara bertahap seiring bertambahnya waktu. Evaluasi kinerja model dilakukan menggunakan metrik Mean Absolute Percentage Error (MAPE) sebagai indikator akurasi prediksi. Hasil penelitian menunjukkan bahwa penerapan walk-forward forecasting yang dikombinasikan dengan optimasi hyperparameter mampu meningkatkan performa LightGBM secara signifikan. Prediksi yang dihasilkan terbukti lebih mendekati nilai aktual dan mampu mengikuti pola perubahan penjualan secara konsisten pada sebagian besar merek. Namun, pada tingkat yang lebih lanjut, optimasi hyperparameter dapat secara signifikan menurunkan nilai MAPE rata-rata menjadi 24.78% dari yang sebelumnya 37.7% pada semua besar merek. Hasil menunjukkan bahwa LightGBM memiliki potensi untuk bersaing dalam hal kinerja jika dioptimasi dengan benar.

Item Type:	Technical Report (Pro-Step Report)
Creators:	Lie, Ronan (00000077737)
Contributors:	Ady Sanjaya, Samuel (0305049402)
Keywords:	Hyperparameter, LightGBM, peramalan, Optuna, pembelajaran mesin, walk-foward forecasting.
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/44522

Actions (login required)

View Item