Perbandingan model Deep Learning untuk prediksi penjualan mobil di Indonesia dengan integrasi faktor musiman dan eksternal

Ansyarullah, Ansyarullah (2025) Perbandingan model Deep Learning untuk prediksi penjualan mobil di Indonesia dengan integrasi faktor musiman dan eksternal. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (154kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (160kB) | Preview
Preview	Text (SK BEBAS PLAGIARISM) 3_skbebasplagiarism.pdf Download (1MB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (226kB) | Preview
	Text (BAB I) 5_bab1.pdf Restricted to Registered users only Download (990kB) | Request a copy
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (826kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (653kB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (5MB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (101kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (118kB) | Request a copy
	Text (LAMPIRAN) 11_lampiran.pdf Restricted to Repository staff only Download (229kB) | Request a copy

Abstract

Industri otomotif Indonesia menghadapi ketidakakuratan prediksi penjualan yang dipengaruhi faktor musiman seperti Lebaran dan faktor eksternal seperti inflasi serta Suku Bunga BI. Akan tetapi, belum ada penelitian perbandingan langsung model deep learning yang mengintegrasikan faktor-faktor dalam konteks pasar Indonesia. Penelitian ini bertujuan untuk menerapkan dan membandingkan kinerja Long Short-Term Memory (LSTM), Convolutional Neural Network (CNN), dan hibrida CNN-LSTM untuk menemukan model prediksi penjualan mobil yang paling akurat. Dengan menggunakan metodologi CRISP-DM dengan data penjualan mobil bulanan dari GAIKINDO periode 2006-2024 yang diintegrasikan dengan variabel musiman dan eksternal. Kinerja model LSTM, CNN, dan CNN-LSTM dievaluasi dan dioptimalkan melalui fine-tuning arsitektur, kemudian dibandingkan menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE). Hasil proses fine-tuning berdampak variatif pada metrik RMSE: model CNN menurun dari 0.370 menjadi 0.331, model LSTM meningkat dari 0.374 menjadi 0.410, sementara CNN-LSTM menurun dari 0.382 menjadi 0.371 Berdasarkan analisis komparatif, model CNN hasil fine-tuning terbukti menjadi arsitektur yang paling unggul dan akurat untuk tugas prediksi penjualan mobil pada kasus penelitian ini.

Actions (login required)

View Item