Sistem Klasifikasi Variabel Tingkat Penerimaan Konsumen Terhadap Mobil Menggunakan Metode Random Forest

Yusuf Sulistyo Nugroho(1), Nova Emiliyawati(2),

DOI: https://doi.org/10.15294/jte.v9i1.10452


(1) Universitas Muhammadiyah Surakarta
(2) Universitas Muhammadiyah Surakarta

Abstract

Saat ini tidak dapat dipungkiri bahwa persaingan pasar industri mobil di berbagai belahan dunia sangat ketat tak terkecuali di Indonesia. Indonesia memiliki industri manufaktur mobil terbesar kedua di Asia Tenggara setelah Thailand. Namun hasil statistik menunjukkan bahwa tingkat penjualan mobil di Indonesia masih belum stabil akibat tingkat penerimaan konsumen yang rendah. Ada banyak faktor yang mempengaruhi tingkat penerimaan konsumen terhadap produk-produk mobil yang baru diluncurkan. Jika hal tersebut terus terjadi, akan berimbas buruk pada profitabilitas produsen mobil di negara ini. Untuk membantu mengurangi masalah tersebut, maka dibuat sebuah sistem untuk mengklasifikasi faktor yang mempengaruhi permasalahan tingkat penerimaan mobil oleh pihak konsumen. Faktor-faktor yang digunakan dalam sistem sebagai variabel yang mempengaruhi tingkat penerimaan konsumen terdiri dari harga pembelian, biaya perawatan, jumlah pintu, kapasitas penumpang, ukuran bagasi dan taksiran keselamatan penumpang. Sistem pengklasifikasi variabel ini dibangun dengan menerapkan metode Random Forest (RF). Pada metode ini, data maupun atribut diambil secara acak sehingga dimungkinkan akan menghasilkan berbagai model pohon keputusan. Adapun variabel yang menempati sebagai root node dalam pohon keputusan, merupakan variabel yang paling signifikan dalam mempengaruhi tingkat penerimaan mobil pada konsumen. Hasil dari sistem klasifikasi yang dibangun dapat dijadikan pertimbangan bagi produsen mobil di masa mendatang, sehingga produksi mobil menjadi lebih efektif, dapat meminimalisir kerugian dan meningkatkan profitabilitas produsen.

Full Text:

PDF

References

Alpha P, A., & Oslan, Y. (2015). Program Bantu Pemilihan Pakaian dan Bahan Batik Bagi Konsumen dengan Pendekatan Decision Tree Studi Kasus : Toko InBATIK. Jurnal EKSIS, 8(1), 37–46.

Barros, R. C., de Carvalho, A. C. P. L. F., & Freitas, A. A. (2015). Decision-Tree Induction. In Automatic Design of Decision-Tree Induction Algorithms (pp. 7–45). Springer International Publishing. https://doi.org/10.1007/978-3-319-14231-9.

Dewi, N. K., Syafitri, U. D., & Mulyadi, S. Y. (2011). Penerapan Metode Random Forest dalam Driver Analysis. Indonesian Journal of Statistics, 16(1), 35–43.

Kotsiantis, S. B. (2013). Decision Trees: A Recent Overview. Artificial Intelligence Review, 39(4), 261–283. https://doi.org/10.1007/s10462-011-9272-4.

Lichman, M. (2013). {UCI} Machine Learning Repository. Retrieved from http://archive.ics.uci.edu/ml. Diakses: 28 Agustus 2016, jam 13.30.

Nayazri, G. M. (2016). Januari-Agustus, Penjualan Mobil 2016 Lampaui 2015. Kompas.com, p. 2016. Retrieved from http://otomotif.kompas.com/read/2016/09/14/170346815/januari-agustus.penjualan.mobil.2016.lampaui.2015. Diakses: 20 September 2016, jam 20.10.

Nidhomuddin, & Otok, B. W. (2015). Random Forest dan Multivariate Adaptive Regression Spline (MARS) Binary Response untuk Klasifikasi Penderita HIV / AIDS di Surabaya. Statistika, 3(1). Retrieved from http://jurnal.unimus.ac.id/index.php/statistik/article/view/1439

Nugroho, Y. S., & Gunawan, D. (2016). Decision Tree Induction for Classifying the Cholesterol Levels. In The 2nd International Conference on Science, Technology, and Humanity (pp. 231–240). Surakarta: Universitas Muhammadiyah Surakarta.

Pumpuang, P., Srivihok, A., & Praneetpolgrang, P. (2008). Comparisons of Classifier Algorithms: Bayesian Network, C4.5, Decision Forest and NBTree for Course Registration Planning Model of Undergraduate Students. In 2008 IEEE International Conference on Systems, Man and Cybernetics (pp. 3647–3651). IEEE. https://doi.org/10.1109/ICSMC.2008.4811865.

Schouten, K., Frasincar, F., & Dekker, R. (2016). An Information Gain-Driven Feature Study for Aspect-Based Sentiment Analysis. In Natural Language Processing and Information Systems (pp. 48–59). Springer International Publishing. https://doi.org/10.1007/978-3-540-73351-5.

Zhou, L., & Wang, H. (2012). Loan Default Prediction on Large Imbalanced Data Using Random Forests. TELKOMNIKA Indonesian Journal of Electrical Engineering, 10(6), 1519–1525.

Refbacks

  • There are currently no refbacks.


Bookmark and Share