Studi Komperatif Penggunaan Algoritma Decision Tree dan k-NN (K-Nearest Neighbors) Pada Prediksi Pemilihan Mobil Berdasarkan Warna

Muhammad Farid Salafudin Firdaus; Agung Fatwanto

doi:10.30989/ijds.v3i2.1621

Authors

Muhammad Farid Salafudin Firdaus Universitas Islam Negeri Sunan Kalijaga, Indonesia
Agung Fatwanto Universitas Islam Negeri Sunan Kalijaga, Indonesia

DOI:

https://doi.org/10.30989/ijds.v3i2.1621

Keywords:

Algoritma Decision Tree, Pemilihan Mobil, Warna, Rapidminer, Algoritma KNN, K-Nearest Neighbor

Abstract

Semakin banyaknya brand mobil yang ada di Indonesia membuat perusahaan mobil melakukan inovasi terhadap produknya untuk menarik minat pembeli. Salah satu inovasi yang ditawarkan adalah warna mobil, hal ini karena warna mobil sebagai inovasi paling murah dan berpengaruh terhadap minat beli. Sebelum menentukan warna yang akan diproduksi, perusahaan perlu melakukan analisa pasar terhadap pola pemilihan warna terhadap minat beli. Hal ini bertujuan untuk menentukan jumlah varian warna dan juga model mobil yang akan diproduksi, agar tidak terjadi kerugian akibat mobil kurang diminati dengan alasan model dan warna tidak sesuai dengan keinginan sebagian besar pembeli. Oleh karena itu, dalam penelitian ini dilakukan studi komperatif untuk pemilihan mobil berdasarkan warna menggunakan Algoritma Decision Tree dan K-NN (K-Nearest Neighbors), dengan tujuan memberikan gambaran pola keinginan pembeli berdasarkan variabel yang sudah ditentukan yaitu Status (perkawinan), Model dan Umur. Pendekatan ini memberikan sudut pandang baru dalam memahami preferensi pasar otomotif melalui data mining. Pengujian ini menggunakan bantuan software Rapidminner dan menggunakan Algoritma Decision Tree dan K-NN (K-Nearest Neighbors). Hasil yang didapatkan menggunakan split data dengan nilai proporsi 80% sebagai data pelatihan dan 20% data uji, didapatkan hasil uji performance dengan nilai accuracy sebesar 70,31% untuk Algoritma Decision Tree dan 78,12% untuk Algoritma K-NN (K-Nearest Neighbors). Sehingga pola pemilihan warna menggunakan Algoritma K-NN (K-Nearest Neighbors) dapat digunakan sebagai pertimbangan perusahaan atau dealer mobil untuk mengukur kuantitas produksi berdasarkan warna dan mengukur stok persediaan mobil di dealer, sehingga mengurangi biaya penyimpanan.

References

[1] Y. D. Putra, M. E. Sianto, and J. Mulyono, “ANALISIS FAKTOR TERHADAP MINAT BELI MOBIL LOW COST GREEN CAR (LCGC) MEREK TOYOTA DAN DAIHATSU,” 2019.

[2] Y. Erlyana, S. Everlin, and I. F. Yuwono, “ANALISIS COLOR PALETTE BERDASARKAN RASA WARNA SEBAGAI PENGUAT DAYA TARIK EMOSIONAL DALAM VIDEO ANAK,” 2023. [Online]. Available: http://publikasi.dinus.ac.id/index.php/andharupa/index

[3] D. Gartman, “Harley Earl and the Art and Color Section: The Birth of Styling at General Motors,” 1994.

[4] S. N. Fadiah and Satriadi, “PERAN WARNA DALAM MENINGKATKAN DAYA TARIK VISUAL LOGO,” PARATIWI: Jurnal Seni Rupa dan Desain, vol. 3, 2024.

[5] M. J. McCourt, “The Art and Colour of GM,” https://www.hemmings.com/stories/the-art-and-colour-of-gm/.

[6] H. S. S. Rubianto, U. Ristian, J. Rekayasa Sistem Komputer, and F. H. MIPA Universitas Tanjungpura Jalan Hadari Nawawi Pontianak, “Penerapan Metode Decision Tree Untuk Mangklasifikasikan Mutu Jeruk Berdasarkan Fitur Warna dan Ukuran,” 2021.

[7] B. H. Mawaridi and M. Faisal, “Rekomendasi Merk Mobil Untuk Calon Pembeli Menggunakan Algoritma Decision Tree,” Jurnal Informatika, vol. 10, no. 2, pp. 157–162, Oct. 2023, doi: 10.31294/inf.v10i2.16000.

[8] L. Tapak, H. Abbasi, and H. Mirhashemi, “Assessment of factors affecting tourism satisfaction using K-nearest neighborhood and random forest models,” BMC Res Notes, vol. 12, no. 1, Nov. 2019, doi: 10.1186/s13104-019-4799-6.

[9] A. Fatwanto, M. Nur Aslam, R. Ndugi, and M. Syafrudin, “An Investigation Towards Resampling Techniques and Classification Algorithms on CM1 NASA PROMISE Dataset for Software Defect Prediction,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 8, no. 5, pp. 631–643, Oct. 2024, doi: 10.29207/resti.v8i5.5910.