Perpustakaan Digital ITB

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.