Optimasi Hyperparameter Multilayer Perceptron Untuk Prediksi Daya Beli Mobil

Abstract

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.