Penentuan harga mobil bekas umumnya dilakukan secara intuisi, sehingga harga
yang ditentukan mungkin tidak sesuai dengan harga yang layak untuk mobil
bekas tersebut. Analisis regresi dapat dipakai untuk melakukan prediksi harga
mobil. Salah satu model regresi yang dapat dilakukan adalah Generalized Linear
Model (GLM). Salah satu kelemahan GLM adalah asumsi bahwa peubah respons
berasal dari keluarga distribusi eksponensial; padahal respons dapat saja mengikuti
suatu distribusi yang tidak berasal dari distribusi keluarga eksponensial. Masalah
tersebut dapat diatasi dengan menggunakan metode data mining, yang salah
satu metodenya adalah Multivariate Adaptive Regression Splines (MARS). Dalam
membangun model MARS, respons tidak perlu diasumsikan mengikuti suatu
distribusi peluang tertentu. Pada Tugas Akhir ini, akan dilakukan prediksi harga
mobil bekas di Australia tahun 2018 dengan menggunakan GLM; dan dengan
menggunakan GLM yang di-suplemen oleh MARS. GLM yang di-suplemen oleh
MARS dibangun dengan cara menggunakan fungsi basis keluaran MARS sebagai
prediktor untuk GLM. Menurut uji Anderson-Darling dan uji rasio variansi T1 untuk
taraf signifikansi alpha = 0:01; 0:05 dan 0:1, didapati bahwa variabel respons pada
data tidak berdistribusi Gamma maupun Inverse Gaussian. Namun, untuk keperluan
analisis data di Tugas Akhir ini, seteleh membandingkan nilai AIC, variabel respons
diasumsikan mengikuti suatu distribusi Gamma. GLM yang dibangun untuk data
ini memiliki nilai AIC 601,577.6 dan deviance dibagi dengan derajat kebebasannya
0.0163. GLM yang di-suplemen MARS memiliki nilai AIC 627,737 dan deviance
dibagi dengan derajat kebebasannya adalah 0.0362. Dengan membandingkan nilai
AIC dan deviance kedua metodologi tersebut, didapati bahwa data yang dianalisis
cukup dimodelkan menggunakan GLM karena MARS tidak dapat meningkatkan
keakuratan hasil prediksi yang dihasilkan GLM.