Pengaruh Cuaca terhadap Market Otomotif di Indonesia (Baca Sampai Selesai)
Di siang hari yang panas, saya tetiba berpikir:
Kalau suasana panas seperti ini, paling enak kalau bepergian naik mobil dibandingkan motor. Bisa pakai AC, lebih adem. Begitu pikir saya.
Setelah dipikirkan kembali, jangan-jangan cuaca bisa mempengaruhi banyaknya unit mobil yang terjual. Jika begitu, saya bisa membuat model machine learning sederhana untuk membuktikan dugaan tersebut.
Langsung saja saya mencari artikel terpercaya yang bisa saya gunakan sebagai basis logikanya. Caranya adalah dengan bertanya ke Gemini Bard Google. Begini katanya:
Lalu segera saya cari data utama seperti:
- Rata-rata suhu tahunan di Indonesia.
- Total unit mobil terjual di Indonesia.
Berikut adalah data suhu yang saya dapatkan dari berbagai macam sumber:
| Tahun | Suhu Rata-rata Tahunan (°C) |
|---|---|
| 2015 | 26.6 |
| 2016 | 26.9 |
| 2017 | 26.8 |
| 2018 | 26.8 |
| 2019 | 26.9 |
| 2020 | 27.0 |
| 2021 | 27.0 |
| 2022 | 27.0 |
Berikut adalah data unit mobil terjual yang saya dapatkan dari berbagai macam sumber:
| Tahun | Unit Mobil Terjual |
|---|---|
| 2015 | 1028000 |
| 2016 | 1009000 |
| 2017 | 1079000 |
| 2018 | 1151000 |
| 2019 | 1030000 |
| 2020 | 532407 |
| 2021 | 887200 |
| 2022 | 915159 |
Pertama-tama, saya akan buat scatterplot berikut ini:
Jika dilihat sekilas, sepertinya saya bisa membuat model machine learning yang punya akurasi bagus. Untuk itu, saya akan membuat model regresi polinomial.
Call:
lm(formula = sales ~ poly(suhu, 4, raw = TRUE), data = df_model)
Residuals:
1 2 3 4 5 6 7
-4.080e-08 -1.050e+04 -3.600e+04 3.600e+04 1.050e+04 -2.458e+05 1.089e+05
8
1.369e+05
Coefficients: (1 not defined because of singularities)
Estimate Std. Error t value Pr(>|t|)
(Intercept) 9.190e+10 6.776e+11 0.136 0.899
poly(suhu, 4, raw = TRUE)1 -9.238e+09 6.740e+10 -0.137 0.898
poly(suhu, 4, raw = TRUE)2 2.612e+08 1.885e+09 0.139 0.897
poly(suhu, 4, raw = TRUE)3 NA NA NA NA
poly(suhu, 4, raw = TRUE)4 -6.183e+04 4.371e+05 -0.141 0.894
Residual standard error: 153200 on 4 degrees of freedom
Multiple R-squared: 0.6281, Adjusted R-squared: 0.3492
F-statistic: 2.252 on 3 and 4 DF, p-value: 0.2245
[1] "R square: "
[1] 0.6281415
[1] "MAPE: "
[1] 0.1024251
Model polinomial orde 4 menghasilkan
dengan
.
Saya buat grafik untuk mengecek fitted values dengan data real dari scatterplot sebelumnya:
Saya cukup puas dengan performa model machine learning yang dibuat tersebut.
Ternyata semakin panas suhu yang terjadi di Indonesia mengakibatkan penurunan unit mobil terjual.
Dengan semakin panasnya bumi ini, bisa jadi mengakibatkan lesunya pasar mobil di Indonesia.
Epilog
Cerita di atas adalah cerita rekaan atau karangan saja yah. Saya terinspirasi dari kisah nyata yang saya dengar belum lama ini.
Dari proses berpikir, pencarian artikel, pengumpulan data, hingga pembuatan model dan pengambilan kesimpulan menurut saya ada beberapa flaws yang berujung fatal. Apa saja? Mari kita bahas satu per satu:
- Kita sebenarnya tidak bisa menghubungkan kausalitas antara cuaca dan sales mobil secara langsung. Kenapa? Secara logika, terlalu banyak middle factors bagi konsumen untuk membeli mobil. 1.Jangan pernah bertanya seperti ini pada Gemini, ChatGPT, Bing, dan sejenisnya. Kenapa? Kalian hanya akan mendapatkan artikel very optimist yang sejatinya belum jelas kebenarannya. Maksudnya, kalian akan mendapatkan artikel-artikel yang bernada Yes Man! di mana semua hal yang kita tanyakan bisa dilakukan dan dibuat.
- Perhatikan banyaknya baris data saat membuat model machine learning! Jangan membuat model dengan baris data yang sedikit dan terbatas!
- Jangan tergiur untuk membuat model yang memiliki akurasi dan presisi yang sempurna! Lebih baik kita membuat model yang bisa dengan mudah diinterpretasikan.
- Penarikan kesimpulan berdasarkan model yang dibangun dari data terbatas bisa sangat berbahaya! Apalagi penarikan kesimpulan dilakukan tanpa ada konteks yang dalam.
Selain poin-poin di atas, apa lagi flaws yang bisa kalian dapatkan dari cerita di atas?