Penelitian ini menilai berbagai model klasifikasi yang ditujukan untuk memprediksi
penjualan dalam sektor otomotif mobil, khususnya menganalisis merek seperti
BMW, Lexus, Mazda, Mercedes-Benz, Toyota, dan Volkswagen. Dengan
memeriksa matriks kebingungan, penelitian ini membandingkan kinerja model
sebelumnya menggunakan Multiple Linear Regression (MLR) dan Convolutional
Neural Network dengan Long Short-Term Memory (CNN-LSTM) dengan model
yang diusulkan dalam penelitian ini menggunakan Conditional Bootstrapping dan
Data Balancing dengan Long Short-Term Memory (LSTM). Conditional
Bootstrapping sangat penting untuk mempertahankan karakteristik data yang
melekat seperti tren dan musim, yang penting untuk menjaga integritas data deret
waktu. Efek dari Conditional Bootstrapping dalam penelitian ini tidak hanya
mempertahankan integritas data tetapi juga meningkatkan kinerja peramalan secara
signifikan di semua metrik (akurasi, presisi, recall, skor F1). Di sisi lain, Data
Balancing diimplementasikan untuk mengatasi ketidakseimbangan kelas,
memastikan representasi yang sama dari setiap kategori tren dalam kumpulan data,
yang meningkatkan akurasi prediktif di berbagai tren pasar (naik, datar, turun).
Hasilnya, Conditional Bootstrapping dan Data Balancing dengan LSTM secara
konsisten melampaui kedua model sebelumnya yang menggunakan MLR dan
CNN-LSTM di beberapa metrik penting, termasuk akurasi, presisi, recall, dan skor
F1. Namun, keterbatasan diidentifikasi dalam kinerjanya untuk tren naik, di mana
kinerjanya lebih rendah dibandingkan dengan model sebelumnya, yang
menunjukkan bahwa meskipun efektif untuk tren turun dan datar, Conditional
Bootstrapping dan Data Balancing mungkin tidak dapat digeneralisasi dengan baik
di seluruh kondisi pasar yang naik. Hasil ini menawarkan wawasan penting bagi
produsen otomotif yang ingin meningkatkan kerangka kerja analitik prediktif
mereka, yang menunjukkan keuntungan dari pendekatan pembelajaran mesin yang
canggih dalam meningkatkan pengambilan keputusan strategis dan prediksi pasar.