digilib@itb.ac.id +62 812 2508 8800

Abstrak
PUBLIC Dewi Supryati

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.