Prediksi Penjualan Mobil Toyota di Indonesia Menggunakan Multi-Layer Perceptron
DOI:
https://doi.org/10.33795/jip.v11i1.6339Keywords:
penjualan mobil, prediksi, time series, multi-layer perceptron, mae, mapeAbstract
Penjualan merupakan aspek yang sangat penting dalam industri, dan di Indonesia, Toyota telah menjadi salah satu merek mobil yang paling diminati oleh konsumen. Prediksi penjualan memiliki peran krusial dalam memprediksi tren penjualan di masa depan. Multi-Layer Perceptron adalah salah satu model yang dapat digunakan untuk melakukan prediksi tersebut. Penelitian ini menggunakan data yang diperoleh dari website Gabungan Industri Kendaraan Bermotor Indonesia. Data tersebut mencakup bulan dan jumlah penjualan mobil setiap bulannya dari Januari 2011 – Mei 2023, kemudian data penjualan 6 bulan terakhir dijadikan data uji dan sisanya sebagai data latih. Untuk mengukur akurasi model prediksi, digunakan metrik Mean Absolute Error (MAE) dan Mean Percentage Absolute Error (MAPE). Dalam penelitian ini, model dibuat bervariasi, dengan total layer dari tiap model berjumlah 3 layer, terdiri dari 1 output layer dengan 10 neuron, 1 hidden layer yang akan dilakukan percobaan mulai dari 10 - 15 neuron, 1 output layer dengan 1 neuron, jumlah perulangan atau epoch sebanyak 300, menggunakan fungsi aktivasi ReLU dan optimizer Adam. Hasil evaluasi dari model yang dikembangkan dalam penelitian menunjukkan bahwa model 10-15-1 merupakan model terbaik dengan nilai MAE sebesar 1879.285156 dan MAPE sebesar 6.775593%. Berdasarkan hasil tersebut, prediksi yang dilakukan termasuk dalam kategori sangat akurat.
Downloads
References
Akbar, Y. H., & Agreindra Helmiawan, M. (2018). Penerapan Strategi Social Media Marketing Untuk Meningkatkan Penjualan Pada Dealer Mobil Toyota, Daihatsu dan Honda Bandung. Jurnal Ilmu-Ilmu Informatika Dan Manajemen STMIK, 12(2). www.cnbcindonesia.com
Amansyah, I., Indra, J., Nurlaelasari, E., & Juwita, A. R. (2024). Prediksi Penjualan Kendaraan Menggunakan Regresi Linear: Studi Kasus pada Industri Otomotif di Indonesia. Innovative: Journal Of Social Science Research, 4(4), 1199-1216.
Azizah, M., Irawan, M. I., & Putri, E. R. M. (2020). Comparison of stock price prediction using geometric Brownian motion and multilayer perceptron. AIP Conference Proceedings, 2242. https://doi.org/10.1063/5.0008066
Beard, E., Marsden, J., Brown, J., Tombor, I., Stapleton, J., Michie, S., & West, R. (2019). Understanding and using time series analyses in addiction research. Addiction, 114(10), 1866–1884. https://doi.org/10.1111/add.14643
Fibriyani, V., & Chamidah, N. (2021). Prediction of Inflation Rate in Indonesia Using Local Polynomial Estimator for Time Series Data. Journal of Physics: Conference Series, 1776(1). https://doi.org/10.1088/1742-6596/1776/1/012065
Fitri, E., & Riana, D. (2022). Analisa Perbandingan Model Prediction dalam Prediksi Harga Saham Menggunakan Metode Linear Regression, Random Forest Regression dan Multilayer Perceptron. METHOMIKA Jurnal Manajemen Informatika Dan Komputerisasi Akuntansi, 6(1), 69–78. https://doi.org/10.46880/jmika.Vol6No1.pp69-78
Indarso, A. O., & Pangaribuan, A. B. (2021). Penggunaan Metode Multilayer Perceptron Pada Prediksi Indeks Saham LQ45. 1.
Iqbal, M., Mahmud Nawawi, H., Rangga Ramadhan Saelan, M., Sony Maulana, M., & Mustopa, A. (2023). Optimasi Hyperparameter Multilayer Perceptron untuk Prediksi Daya Beli Mobil. Jurnal Manajemen Informatika & Sistem Informasi (MISI), 6(1). https://doi.org/10.36595/misi.v5i2
Juwanda, A., Barus, S. G., Prasetyo, T. A., Anggadha, F., & Prasvita, D. S. (2021). Analisa Peramalan Penjualan Mobil dengan Metode Autoregressive Integrated Moving Average (ARIMA). In Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya (Vol. 2, No. 2, pp. 96-102).
Mukhtar, H., Muhammad, R., Reny Medikawati, T., & Yoze Rizki. (2021). Peramalan Kedatangan Wisatawan Mancanegara Ke Indonesia Menurut Kebangsaan Perbulannya Menggunakan Metode Multilayer Perceptron. Jurnal CoSciTech (Computer Science and Information Technology), 2(2), 113–119. https://doi.org/10.37859/coscitech.v2i2.3324
Nur Fitriani, D., Aisyiyah Rakhma Devi, P., & Kunci-Prediksi, K. (2022). Implementasi Metode Trend Moment Pada Jumlah Produksi Baju Distro Jatirogo. 16(1). https://journal.uniku.ac.id/index.php/ilkom
Nurhalim, A. D., Tinggi, S., & Wiyatamandala, I. E. (2023). Analisis Faktor-Faktor yang Mempengaruhi Perilaku Konsumen dalam Keputusan Pembelian Mobil Toyota Avanza di Kota Tangerang. Jambura Economic Education Journal, 5(1).
Putra, R. A. A., Zahro, H. Z., & Rudhistiar, D. (2023). Penerapan Metode Double Exponential Smoothing untuk Peramalan Penjualan Unit Mobil. JATI (Jurnal Mahasiswa Teknik Informatika), 7(4), 2311-2318.
Rafi, S. H., Al-Masood, N., Deeba, S. R., & Hossain, E. (2021). A short-term load forecasting method using integrated CNN and LSTM network. IEEE Access, 9, 32436–32448. https://doi.org/10.1109/ACCESS.2021.3060654
Suryasaumi Akmala, Q., & Sucipto, L. (2022). Metode ARIMA, ARIMAX, dan SARIMA: Sebuah Meta-Analisis Perbedaan Tingkat Akurasi Peramalan Data Time Series. Agustus, 6(3).
Syafiq, M., Hartama, D., Kirana, I. O., Gunawan, I., & Wanto, A. (2020). Prediksi Jumlah Penjualan Produk di PT Ramayana Pematangsiantar Menggunakan Metode JST Backpropagation. JURIKOM (Jurnal Riset Komputer), 7(1), 175. https://doi.org/10.30865/jurikom.v7i1.1963
Tan, E., & Astuti, I. (2020). Metode Autoregressive Integrated Moving Average untuk Meramalkan Penjualan. EKOMABIS: Jurnal Ekonomi Manajemen Bisnis, 1(02), 149–158. https://doi.org/10.37366/ekomabis.v1i02.43
Waluyo, T., Hermawan, A., & Wibowo, A. P. (2019). Prediksi Penjualan Sepeda Motor Honda Menggunakan Jaringan Syaraf Tiruan (Vol. 1, Issue 1). https://www.aisi.or.id/statistic/.
Yuliadi, Y., Zaen, M. T. A., Rodianto, R., & Tazayyun, M. (2022). Rancang Bangun Galeri UMKM Britama Berbasis E-Commerce. JURIKOM (Jurnal Riset Komputer), 9(3), 715. https://doi.org/10.30865/jurikom.v9i3.4300
