Optimasi Hyperparameter Multilayer Perceptron Untuk Prediksi Daya Beli Mobil

Optimasi Hyperparameter Multilayer Perceptron Untuk Prediksi Daya Beli Mobil

• By Iqbal, Muhammad; Nawawi, Hendri Mahmud; Saelan, M Rangga Ramadhan; Maulana, Muhammad Sony; Yudhistira, Yudhistira; Mustopa Ali;
• Jurnal Nasional Terakreditasi
• 321
• 73-81

Dalam memutuskan untuk membeli mobil biasanya beberapa faktor dijadikan pertimbangan untuk menentukan keputusan akhir. Maka dari itu sejumlah faktor pendukung seperti harga, type, merk, dan lain sebagainya penting untuk diperhatikan.  Pada penelitian ini optimasi model algoritma multilayer perceptron digunakan untuk memodelkan prediksi daya beli mobil konsumen dari dataset publik yang bersumber dari kaggle untuk menemukan model paling optimal terhadap keputusan membeli mobil.  Multilayer perceptron sering diterapkan untuk meneliti data yang kompleks karena mampu mengnalisa data dengan baik.  Prediksi niat beli tidak hanya dapat mengurangi biaya dealer mobil, tetapi juga mempengaruhi strategi pemasaran dealer mobil dalam jangka panjang. Pengujian menggunakan model Multilayer Perceptron (MLP) dengan konfigurasi default dan hypertuning parameter dilakukan dengan membandingkan dua parameter optimasi yang berbeda yaitu parameter Adam dan RMSprop.  Hasilnya didapatkan evaluasi optimal dari konfigurasi default pada parameter optimasi Adam dengan maksimum learning rate 0.01 dengan akurasi  89.50% dan 87,50% untuk optimasi RMSprop sedangkan pengujian dengan konfigurasi hyperparameter tuning dengan dua parameter optimasi yang sama Adam dan RMSprop dengan nilai maksimum learning rate 0,001 didapatkan akurasi sebesar 92.00% untuk parameter RMSprop dan 91,5% pada parameter Adam

• Katakunci Multilayer Perceptron, Car Price, Hyperparameter Tuning
• URL http://e-journal.stmiklombok.ac.id/index.php/misi/article/view/739/236
• Penerbit LPPM STMIK Lombok, Jurnal Manajemen Informatika & Sistem Informasi (MISI), Praya Nusa Tenggara Timur

REFERENSI

[1]          M. Paredes, E. Hemberg, U. M. O’Reilly, and C. Zegras, “Machine learning or discrete choice models for car ownership demand estimation and prediction?,” 5th IEEE Int. Conf. Model. Technol. Intell. Transp. Syst. MT-ITS 2017 - Proc., pp. 780–785, 2017.

[2]          V. C. Sanap, M. M. Rangila, S. Rahi, S. Badgujar, and Y. Gupta, “Car Price Prediction using Linear Regression Technique of Machine Learning,” Int. J. Innov. Res. Sci. Eng. Technol., vol. 11, no. 4, pp. 3462–3465, 2022.

[3]          I. Romli, E. Pusnawati, and A. Siswandi, “Penentuan Tingkat Penjualan Mobil Di Indonesia,” Pros. Semin. Nas. Teknol. dan Sains, vol. x, no. x, 2019.

[4]          I. F. Tarigan, D. Hartama, and I. S. Saragih, “Penerapan Data Mining Pada Prediksi Kelayakan Pemohon Kredit Mobil Dengan K-Medoids Clustering,” KLIK Kaji. Ilm. Inform. …, vol. 1, no. 4, pp. 170–179, 2021.

[5]          D. Safitri, H. K. Siradjudin, and Rosihan, “Sistem Pendukung Keputusan Pembelian Mobil Baru Dengan Menggunakan Metode Multi Attribute Utility Theory (Maut),” J. Ilm. Ilk. - Ilmu Komput. Inform., vol. 4, no. 2, pp. 85–92, 2021.

[6]          M. Mahodim, Y. Fajriah, and ..., “Pengaruh Harga dan Citra Merek Terhadap Keputusan Pembelian Mobil Merek Expander,” J. Mirai …, vol. 5, no. 2, pp. 652–663, 2021.

[7]          N. Pal, P. Arora, P. Kohli, D. Sundararaman, and S. S. Palakurthy, “How Much is my car worth? A methodology for predicting used cars’ prices using random forest,” Adv. Intell. Syst. Comput., vol. 886, pp. 413–422, 2019.

[8]          H. Yin, Y. Wang, Q. Li, W. Xu, Y. Yu, and T. Zhang, “A network-enhanced prediction method for automobile purchase classification using deep learning,” Proc. 22nd Pacific Asia Conf. Inf. Syst. - Oppor. Challenges Digit. Soc. Are We Ready?, PACIS 2018, 2018.

[9]          A. N. Liyantoko, I. Candradewi, and A. Harjoko, “Klasifikasi Sel Darah Putih dan Sel Limfoblas Menggunakan Metode Multilayer Perceptron Backpropagation,” IJEIS (Indonesian J. Electron. Instrum. Syst., vol. 9, no. 2, p. 173, 2019.

[10]       A. Pujianto, K. Kusrini, and A. Sunyoto, “Perancangan Sistem Pendukung Keputusan Untuk Prediksi Penerima Beasiswa Menggunakan Metode Neural Network Backpropagation,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 2, p. 157, 2018.

[11]       M. Asghar, K. Mehmood, S. Yasin, and Z. M. Khan, “Used Cars Price Prediction using Machine Learning with Optimal Features,” Pakistan J. Eng. Technol., vol. 4, no. 2, pp. 113–119, 2021.

[12]       H. M. Nawawi, S. Rahayu, J. J. Purnama, and S. I. Komputer, “Algoritma c4.5 untuk memprediksi pengambilan keputusan memilih deposito berjangka,” J. Techno Nuasa Mandiri, vol. 16, no. 1, pp. 65–72, 2019.

[13]       Erlin Elisa, Y. Mardiansyah, and R. Fauzi, “Pola Pembelian Konsumen Terhadap Product UMKM Martista Ikhsan Dengan Algoritma Naive Bayes,” J. Manaj. Inform. Sist. Inf., vol. 5, no. 2, pp. 159–167, 2022.

[14]       M. Riyyan, H. Firdaus, J. H. Ronggo Waluyo, T. Timur, and J. Barat, “PERBANDINGAN ALGORITME NAÏVE BAYES DAN KNN TERHADAP DATA PENERIMAAN BEASISWA (Studi Kasus Lembaga Beasiswa Baznas Jabar),” J. Inform. Rekayasa Elektron., vol. 5, no. 1, pp. 1–10, 2022.

[15]       A. Muzakir and R. A. Wulandari, “Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree,” Sci. J. Informatics, vol. 3, no. 1, pp. 19–26, 2016.

[16]       S. Selvin, R. Vinayakumar, E. A. Gopalakrishnan, V. K. Menon, and K. P. Soman, “Stock price prediction using LSTM, RNN and CNN-sliding window model,” 2017 Int. Conf. Adv. Comput. Commun. Informatics, ICACCI 2017, vol. 2017-Janua, pp. 1643–1647, 2017.

[17]       H. Harumy, M. Zarlis, M. S. Lydia, and S. Effendi, “Pengembangan model protis neural network untuk prediksi dan klasifikasi data timeseries dan image,” Pros. Semin. Nas. Ris. Dan Inf. Sci. (, vol. 4, pp. 1–7, 2022.

[18]       T. Ding, T. Readshaw, S. Rigopoulos, and W. P. Jones, “Machine learning tabulation of thermochemistry in turbulent combustion: An approach based on hybrid flamelet/random data and multiple multilayer perceptrons,” Combust. Flame, vol. 231, p. 111493, 2021.

[19]       R. Sharma, M. Kim, and A. Gupta, “Motor imagery classification in brain-machine interface with machine learning algorithms: Classical approach to multi-layer perceptron model,” Biomed. Signal Process. Control, vol. 71, no. PA, p. 103101, 2022.

[20]       D. Visa Sofia, “Confusion Matrix-based Feature Selection Sofia Visa,” Proc. Twenty­second Midwest Artif. Intell. Cogn. Sci. Conf., vol. 710, no. January, p. 8, 2018.

[21]       C. Wungkana, M. Aror, G. Arther Sandag, J. Arnold Mononutu, A. Bawah, and K. Airmadidi, “Model Prediksi Penderita HCC Menggunakan Algoritma Random Forest,” J. Sist. Inf., vol. 10, no. 1, pp. 1–6, 2022.

[22]       G. SANTELLO, Cars - Purchase Decision Dataset, vol. Kaggle Rep. .