Optimasi Hyperparameter Random Forest dalam Memprediksi Daya Beli Mobil Menggunakan GridSearch

Abstract

Prediksi keputusan pembelian kendaraan merupakan topik penting dalam pengembangan strategi pemasaran berbasis data. Penelitian ini bertujuan untuk membangun model machine learning menggunakan algoritma Random Forest guna memprediksi keputusan pembelian mobil berdasarkan data demografis dan ekonomi pengguna. Proses pelatihan model didukung oleh teknik oversampling SMOTE untuk mengatasi ketidakseimbangan kelas, serta optimasi hyperparameter menggunakan GridSearchCV. Hasil penelitian menunjukkan bahwa model Random Forest dengan parameter terbaik (n_estimators = 200, max_depth = 20, min_samples_split = 10, min_samples_leaf = 1, dan max_features = 'sqrt') mampu mencapai akurasi sebesar 93,33%. Berdasarkan classification report, kelas 0 memiliki precision sebesar 0,93 dan recall 0,95, sedangkan kelas 1 memiliki precision 0,94 dan recall 0,92. Model menunjukkan kinerja yang konsisten pada metrik presisi dan recall, yang membuktikan efektivitasnya dalam menangani ketidakseimbangan kelas. Penelitian ini memberikan kontribusi dalam menyediakan solusi prediktif yang andal untuk meningkatkan efisiensi strategi pemasaran dan segmentasi konsumen di industri otomotif dan keuangan.