PENERAPAN ALGORITMA NAIVE BAYES DALAM

MENENTUKAN MEREK MOBIL TERLARIS

SKRIPSI

Oleh:

ESEM PUSNAWATI
311410940

TEKNIK INFORMATIKA
SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
2018
PENERAPAN ALGORITMA NAIVE BAYES DALAM
MENENTUKAN MEREK MOBIL TERLARIS

SKRIPSI
Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan
Program Strata Satu (S1) pada Program Studi Teknik Informatika

Oleh:

ESEM PUSNAWATI
311410940

TEKNIK INFORMATIKA
SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
2018
PERSETUJUAN

i
PERSETUJUAN

ii
PERSETUJUAN

iii
 KATA PENGANTAR

Puji syukur penulis panjatkan ke hadiran Allah SWT. yang telah

melimpahkan segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang
berjudul “PENERAPAN ALGORITMA NAIVE BAYES DALAM
MENENTUKAN MEREK MOBIL TERLARIS”.

Skripsi tersusun dalam rangka melengkapi salah satu persyaratan dalam

rangka menempuh ujian akhir untuk memperoleh gelar Sarjana Komputer
(S.Kom.) pada Program Studi Teknik Informatika di Sekolah Tinggi Teknologi
Pelita Bangsa.

Penulis sungguh sangat menyadari, bahwa penulisan Skripsi ini tidak akan
terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Sudah
selayaknya, dalam kesempatan ini penulis menghaturkan penghargaan dan ucapan
terima kasih yang sebesar-besarnya kepada:
a. Bapak Dr. Ir. Suprianto, M.P selaku Ketua STT Pelita Bangsa
b. Bapak Aswan Supriyadi Sunge, S.E., M.Kom selaku Ketua Program Studi
Teknik Informatika STT Pelita Bangsa.
c. Pembimbing Akademik, Bapak Wahyu Hadikrisanto, S.Kom., M.Kom.
d. Pembimbing I, Bapak Ikhsan Romli, S.Si., M.Sc.yang telah membimbing dan
membantu penulis untuk mengembangkan pemikiran dalam penyusunan
skripsi ini hingga selesai.
e. Pembimbing II, Ibu Lia Amelia Megawati, S.Pd., M.T yang telah
membimbing dan membantu penulis untuk mengembangkan pemikiran dalam
penyusunan skripsi ini hingga selesai.
f. Seluruh Dosen STT Pelita Bangsa yang telah membekali penulis dengan
wawasan dan ilmu di bidang teknik informatika.
g. Seluruh staf STT Pelita Bangsa yang telah memberikan pelayanan terbaiknya
kepada penulis selama perjalanan studi jenjang Strata 1.
h. Rekan-rekan mahasiswa STT Pelita Bangsa, khususnya angkatan 2014, yang
telah banyak memberikan inspirasi dan semangat kepada penulis untuk dapat
menyelesaikan studi jenjang Strata 1.

iv
i. Ibu dan Ayah tercinta yang senantiasa mendo’akan dan memberikan semangat
dalam perjalanan studi Strata 1 maupun dalam kehidupan penulis.

Akhir kata, penulis mohon maaf atas kekeliruan dan kesalahan yang
terdapat dalam Skripsi ini dan berharap semoga Skripsi ini dapat memberikan
manfaat bagi khasanah pengetahuan Teknik Informatika di lingkungan STT Pelita
Bangsa khususnya dan Indonesia pada umumnya.

v
 DAFTAR ISI

PERSETUJUAN .................................................... Error! Bookmark not defined.

PENGESAHAN .................................................... Error! Bookmark not defined.i

PERNYATAAN KEASLIAN
PENELITIAN........................................................Error! Bookmark not defined.

KATA PENGANTAR ........................................................................................... iv

DAFTAR ISI .......................................................................................................... vi

DAFTAR TABEL ....................................................................................................x

DAFTAR GAMBAR ............................................................................................. xi

ABSTRACT ......................................................................................................... xiii

ABSTRAK ........................................................................................................... xiv

BAB I PENDAHULUAN ........................................................................................1

1.1 Latar Belakang Masalah ........................................................................... 1

1.2 Identifikasi Masalah Dan Pembatasan Masalah ....................................... 2

1.2.1 Identifikasi Masalah .......................................................................... 2

1.2.2 Batasan Masalah................................................................................ 2

1.2.3 Perumusan Masalah .......................................................................... 3

1.3 Tujuan dan Manfaat Penulisan ................................................................. 3

1.3.1 Tujuan Penulisan ............................................................................... 3

1.3.2 Manfaat Penulisan ............................................................................. 4

1.4 Sistematika Penulisan ............................................................................... 5

vi
BAB II LANDASAN TEORI ..................................................................................7

2.1 Pengertian Data Mining............................................................................ 7

2.2 Tahapan Data Mining ............................................................................... 8

2.3 Teknik Data Mining ............................................................................... 10

2.4 Fungsi Data Mining ............................................................................... 12

2.5 Teori Naive Bayes Classifier (NBC) ...................................................... 13

2.6 Cross Validation ..................................................................................... 15

2.7 Akurasi Klasifikasi (Confusion Matrix) ................................................. 16

2.8 RapidMiner ............................................................................................. 18

2.9 Penelitian Terdahulu ............................................................................... 20

BAB III METODE PENELITIAN ........................................................................24

3.1 Studi Literatur dan Pemahaman ............................................................. 24

3.2 Pengumpulan Data ................................................................................. 24

3.2.1 Data Brand Mobil ............................................................................ 25

3.2.2 Skenario Pengambilan Data ........................................................... 25

3.2.3 Analisa Pengolahan Data ................................................................ 26

3.3 Spesifikasi Alat....................................................................................... 27

BAB IV PEMBAHASAN DAN ANALISA HASIL PENELITIAN ....................29

4.1 Penentuan Kriteria .................................................................................. 29

4.2 Analisa Perhitungan Metode Naive Bayes ............................................. 30

4.3 Implementasi Klasifikasi Naive Bayes Pada RapidMiner...................... 31

vii
 4.4 Implementasi Data Mining Algoritma Naïve Bayes Menggunakan

RapidMiner ....................................................................................................... 40

4.5 Implementasi Naïve Bayes ..................................................................... 41

4.6 Analisa Hasil Akurasi Klasifikasi Naive Bayes ..................................... 42

BAB V PENUTUP .................................................................................................44

5.1 Kesimpulan ............................................................................................. 44

5.2 Saran ....................................................................................................... 44

DAFTAR PUSTAKA ............................................................................................45

LAMPIRAN ...........................................................................................................47

viii
ix
 DAFTAR TABEL

Tabel 2.1 Confusion Matrix untuk klasifikasi biner ............................................. 17

Tabel 2.2 Penelitian Terdahulu ............................................................................. 22

Tabel 4.1. Traning Set yang Telah Diolah ............................................................ 31

Tabel 4.2. Testing Set yang Telah Diolah ............................................................. 32

x
 DAFTAR GAMBAR

Gambar 2.1 Tahap-tahap Data Mining.................................................................... 9

Gambar 2.2 Beberapa Metode Data Mining ......................................................... 10

Gambar 3.1 Alur Analisis ..................................................................................... 25

Gambar 3. 2 Alur Pengolahan Data ...................................................................... 26

Gambar 3. 3 Alur Kerja Naive Bayes ................................................................... 27

Gambar 4.1. Pemodelan Klasifikasi Naive Bayes menggunakan RapidMiner ..... 32

Gambar 4.2 Nilai Ranking Berdasarkan Class Menggunakan RapidMiner ......... 32

Gambar 4.3 Nilai Ranking Brand Mobil Terlaris Berdasarkan Brand Dan
Category Menggunakan RapidMiner .................................................................... 33

Gambar 4.4 Nilai Ranking Mobil Terlaris Berdasarkan Type Model ............. 34-35

Gambar 4.5 Nilai Ranking Mobil Terlaris Berdasarkan Category sedan type ..... 36

Gambar 4.6 Nilai Ranking Mobil Terlaris Berdasarkan Category 4x2 type......... 36

Gambar 4.7 Nilai Ranking Mobil Terlaris Berdasarkan Category 4x4 type......... 37

Gambar 4.8 Nilai Ranking Mobil Terlaris Berdasarkan Category Bus ................ 37

Gambar 4.9 Nilai Ranking Mobil Terlaris Berdasarkan Category Pick Up ......... 38

Gambar 4.10 Nilai Ranking Mobil Terlaris Berdasarkan Category Truck ........... 38

Gambar 4.11 Nilai Ranking Mobil Terlaris Berdasarkan Category Double Cabin

4x2 / 4x4................................................................................................................ 39

Gambar 4.12 Nilai Ranking Mobil Terlaris Berdasarkan Category Affordable

Energy Saving Cars 4x2 ........................................................................................ 40

xi
Gambar 4.13 Hasil ExampleSet Naïve Bayes ....................................................... 41

Gambar 4.14 Hasil Plot View Naïve Bayes pada RapidMiner ............................ 41

Gambar 4.15 Tingkat Akurasi Klasifikasi Naive Bayes menggunakan RapidMiner

............................................................................................................................... 42

Gambar 4.16 Precision Klasifikasi Naive Bayes menggunakan RapidMiner....... 42

Gambar 4.17 Recall Klasifikasi Naive Bayes menggunakan RapidMiner .......... 43

Gambar 4.18 Tingkat Akurasi, Precision, dan Recall Klasifikasi Naive Bayes

menggunakan M. Excel ......................................................................................... 43

xii
 ABSTRACT

Cars are one of the vehicles most often found in various types and brands. Cars
have various specifications. The Naive Bayes method is one of the classification
and branching methods of artifical intelligence. The various brands will be in the
form of a Class that is Laris and Not Selling, so that consumers, producers, and
researchers can find out which car brands are best selling based on their
category and output. Naive bayes is a widely used classification method because
of its simple and high accuracy in classifying data. This study analyzed data as
many as 639 data into 511 training data and 128 testing data, data was obtained
from the GAIKINDO (Indonesian Automotive Industries Association) site. With
attribute 19, to facilitate the writer in the study the attributes used are 8
(including 1 Class attribute that the author added to facilitate the search for the
best-selling car).The results of the research conducted gave the classification of
car brand differentiators that were most in demand by consumers and the best-
selling categories. The level of classification accuracy with the Naive Bayes
method produces accuracy values of 92, 19%, Precision values: 98, 39% and
Recall values: 87, 14% so that the Naive Bayes method is a pretty good method in
this study.

Keywords: Car Brand, Classification, Naive bayes, accuracy.

xiii
 ABSTRAK

Mobil adalah salah satu kendaraan yang paling sering dijumpai dengan berbagai
type dan merek. Mobil memiliki spesifikasi yang beraneka ragam. Metode Naive
Bayes adalah salah satu metode klasifikasi dan percabangan dari artifical
intellegence. Bermacam merek tersebut akan di bentuk suatu Class yaitu Laris dan
Tidak Laris, sehingga para konsumen, produsen, dan peneliti dapat mengetahui
merek mobil manakah yang paling laris berdasarkan kategori maupun output-nya.
Naive bayes merupakan metode klasifikasi banyak digunakan karena sederhana
dan akurasi yang tinggi dalam mengklasifikasi data. Penelitian ini menganalisis
data sebanyak 639 data menjadi 511 data training dan 128 data testing, data ini
didapatkan dari situs GAIKINDO (Gabungan Industri Kendaraan Bermotor
Indonesia). Dengan atribut 19, untuk memudahkan penulis dalam penelitian maka
atribut yang digunakan adalah 8 (termasuk 1 atribut Class yang ditambahkan
penulis untuk memudahkan dalam pencarian mobil terlaris). Hasil penelitian yang
dilakukan memberikan klasifikasi pembeda merek mobil yang paling banyak
diminati para konsumen dan Kategori yang paling laris. Tingkat akurasi
klasifikasi dengan metode Naive Bayes menghasilkan nilai accuracy sebesar 92,
19 % , nilai Precision: 98, 39 % dan nilai Recall: 87, 14% sehingga metode Naive
bayes merupakan metode yang cukup baik dalam penelitian ini.

Kata Kunci: Merek Mobil, Klasifikasi, Naive bayes, accuracy.

xiv
 BAB I
PENDAHULUAN

1.1 Latar Belakang Masalah

Kendaraan adalah alat transportasi yang sangat dibutuhkan dalam

kehidupan. Dari berbagai macam kendaraan, mobil adalah salah satu kendaraan

roda empat yang paling banyak dicari oleh para konsumen setelah motor. Sesuai

kemajuan jaman, kini merek mobil-pun semakin banyak.

Berdasarkan spesifikasinya, mobil memiliki jenis atau varian yang

beraneka ragam. Dalam analisis ini spesifikasi yang digunakan hanya delapan

atribut untuk memudahkan implementasi pada RapidMiner. Spesifikasi yang

digunakan dalam data tersebut yaitu Category, Brand, Type Model, CC,

Transmisi(Trans), Origin Country, Output, dan Class.

Spesifikasi tersebut diambil penulis dari sebuah data yang didapatkan dari

situs GAIKINDO. GAIKINDO merupakan Gabungan Industri Kendaraan

Bermotor Indonesia yang bergerak pada bidang pasar otomotif dan sebuah

organisasi yang memainkan peran sebagai mitra Pemerintah dalam

mengembangkan industri kendaraan bermotor nasional yang sanggup

berkompetisi di pasar internasional. Data yang diambil dari bulan Januari tahun

2015 sampai dengan Maret 2019 dengan data awal yang berjumlah 639 data

dengan atribut 19, untuk memudahkan penulis dalam penelitian maka atribut yang

digunakan adalah 8 (termasuk 1 atribut Class yang ditambahkan penulis untuk

memudahkan dalam pencarian mobil terlaris).

Banyaknya merek mobil yang terjun di industri pasar otomotif, namun

pihak GAIKINDO sendiri dalam situsnya tidak memberikan klasifikasi pembeda

1
manakah merek (Brand) mobil yang paling banyak diminati para konsumen dan

categori manakah yang paling laris. Oleh sebab itu di perlukan suatu klasifikasi

pembeda, agar para konsumen mengetahui merek mobil yang terlaris dari segi

kategori yang paling diminati. Selain itu memacu para Produsen mobil dalam

memproduksi mobil sesuai yang paling banyak diminati para konsumen dan

penelitian ini menambah pengetahuan untuk saya sebagai mahasiswa.

Metode Naive Bayes adalah salah satu metode klasifikasi dan percabangan

dari artifical intellegence. Bermacam merek tersebut akan di bentuk suatu Class

yaitu Laris dan Tidak Laris, sehingga para konsumen, produsen, dan peneliti dapat

mengetahui merek mobil manakah yang paling laris berdasarkan kategori maupun

output-nya. Meninjau permasalahan di atas, mendorong peneliti untuk melakukan

penelitian yang berjudul “Penerapan Algoritma Naive Bayes dalam Menentukan

Merek Mobil Terlaris”.

1.2 Identifikasi Masalah Dan Pembatasan Masalah

1.2.1 Identifikasi Masalah

Berdasarkan pemaparan di atas dapat diidentifikasi beberapa permasalahan

yang muncul antara lain:

1. Belum diketahui klasifikasi pembeda merek (brand) terlaris dan tidak laris

2. Belum diketahui tingkat akurasi klasifikasi dengan metode Naive Bayes

3. Belum diketahui hasil perbandingan dari ke-empat tools (RapidMiner, Ms.

Excel, WEKA, dan MatLab)

1.2.2 Batasan Masalah

Adapun batasan masalah dari penelitian ini adalah sebagai berikut:

2
1. Analisis penerapan algoritma Naive Bayes untuk melakukan klasifikasi merek

(brand) mobil yang terlaris

2. Penelitian tingkat akurasi menggunakan metode Naive Bayes

3. Penelitian menggunakan tools RapidMiner 7.2+, Ms. Excel 2010, WEKA

3.8.3, dan MatLab R 2013 a

1.2.3 Perumusan Masalah

Berdasarkan identifikasi dan pembatasan masalah di atas maka dapat

diambil perumusan masalah sebagai berikut:

1. Apakah metode Naive Bayes mampu secara otomatis melakukan

klasifikasi dari merek (brand) mobil yang terlaris secara tepat?

2. Berapa besar tingkat akurasi klasifikasi dengan metode Naive Bayes, jika

dipakai untuk klasifikasi pembeda merek (brand) Laris dan Tidak laris?

3. Bagaimana hasil perbandingan metode Naive Bayes menggunakan

RapidMiner, MS. Excel, WEKA dan MatLab?

1.3 Tujuan dan Manfaat Penulisan

1.3.1 Tujuan Penulisan

Berdasarkan permasalahan yang diteliti, maka tujuan dari analisis ini yaitu

untuk:

1. Menganalisis metode Naive Bayes dalam melakukan klasifikasi dari merek

(brand) mobil yang terlaris secara tepat

2. Mengetahui tingkat akurasi klasifikasi dengan metode Naive Bayes, untuk

klasifikasi pembeda merek (brand) Laris dan Tidak laris

3
3. Mengetahui hasil perbandingan metode Naive Bayes menggunakan

RapidMiner, MS. Excel, WEKA dan MatLab

1.3.2 Manfaat Penulisan

Manfaat yang sekiranya diperoleh dari analisa ini adalah sebagai berikut:

a) Manfaat Untuk Penulis

1. Mengetahui informasi klasifikasi pembeda merek (Brand) Laris dan

Tidak laris

2. Mengetahui tingkat akurasi klasifikasi dengan metode Naive Bayes

3. Mengetahui hasil perbandingan metode Naive Bayes menggunakan

RapidMiner, MS. Excel, WEKA dan MatLab

b) Manfaat Untuk Organisasi

1. Mengetahui informasi klasifikasi pembeda merek (Brand) Laris dan

Tidak laris

2. Mengetahui Category serta merek (Brand) mobil paling diminati

konsumen

c) Manfaat Untuk Institusi

1. Mengetahui informasi klasifikasi pembeda merek (Brand) Laris dan

Tidak laris

2. Mengetahui tingkat akurasi klasifikasi dengan metode Naive Bayes

3. Memberikan sumbangan pengetahuan khususnya ilmu algoritma bagi

para pembaca atau yang berminat untuk mengembangkan dan

mengaplikasikannya.

d) Manfaat Untuk Pembeli

4
 1. Mengetahui informasi klasifikasi pembeda merek (Brand) Laris dan

Tidak laris

2. Mengetahui mobil paling diminati konsumen lain

e) Manfaat Untuk Produsen

1. Mengetahui informasi klasifikasi pembeda merek (Brand) Laris dan

Tidak laris

2. Mengetahui Category serta merek (Brand) mobil paling diminati

konsumen

3. Meningkatkan produksi mobil yang paling diminati konsumen

1.4 Sistematika Penulisan

Untuk mempermudah penulisan dan pembahasan selanjutnya, maka uraian

pembahasan analisis ini ditulis secara sistematis sebagai berikut:

BAB I PENDAHULUAN

Bab ini berisi latar belakang, identifikasi masalah, batasan

masalah, perumusan masalah, tujuan dan manfaat penulisan, ruang

lingkup penulisan, metologi penulisan dan sistematika penulisan.

BAB II LANDASAN TEORI

Bab ini berisi tentang teori yang digunakan guna menunjang

penelitian dan menjadi dasar atau sumber tertulis dari apa yang

akan dilakukan, yaitu berupa pengertian dan klasifikasi dari data

mobil, dan pengertian algoritma Naive Bayes.

BAB III METODE PENELITIAN

5
 Bab ini berisi tentang penerapan dari konsep di bab II untuk

menganalisis sesuai dengan tahapan penyelesaian masalah dengan

penerapan algoritma yang telah ditentukan.

BAB IV PEMBAHASAN DAN ANALISA HASIL PENELITIAN

Bab ini berisi pembahasan hasil dari perhitungan data mining yaitu

Naive Bayes dalam menentukan merek terlaris, rancangan proses

klasifikasi desain metode Naive Bayes menggunakan RapidMiner,

serta implementasi data mining algoritma Naive Bayes

menggunakan RapidMiner.

BAB V PENUTUP

Bab ini berisi tentang uraian kesimpulan dan saran dari hasil

analisa yang telah dilakukan. Sehingga diharapkan bisa menjadi

acuan bila analisa ini ingin dikembangkan lebih lanjut.

DAFTAR PUSTAKA

LAMPIRAN

RIWAYAT HIDUP

6
 BAB II

LANDASAN TEORI

2.1 Pengertian Data Mining

Istilah data mining memiliki beberapa padanan, seperti knowledge

discovery ataupun pattern recognition. Istilah knowledge discovery atau

penemuan pengetahuan tepat digunakan karena tujuan utama dari data mining

memang untuk mendapatkan pengetahuan yang masih tersembunyi di dalam

bongkahan data. Istilah pattern recognition atau pengenalan pola pun tepat untuk

digunakan karena pengetahuan yang hendak digali memang berbentuk pola-pola

yang mungkin juga masih perlu digali dari dalam bongkahan data yang tengah

dihadapi. Bila dalam tulisan ini digunakan istilah data mining, hal ini lebih

didasarkan pada lebih populernya istilah tersebut dalam kegiatan penggalian

pengetahuan data (Susanto dan Suryadi, 2010:2).

Menurut Turban dalam bukunya yang berjudul ”Decision Support Systems

and Intelligent Systems”, data mining adalah suatu istilah yang digunakan untuk

menguraikan penemuan pengetahuan di dalam basis data. Data mining adalah

proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan

machine learning. Dan hal ini untuk mengekstraksi dan mengidentifikasi

informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai basis data

besar (Kasus et al., 2012:120)

Data mining adalah suatu proses untuk mencari informasi dari database

atau Knowledge Discovery in Database (KDD). Dari proses pengolahan data

tersebut akan menemukan korelasi penuh arti, pola dan informasi yang dapat

7
digunakan sebagai pengambilan keputusan atau decision making. Data mining

adalah mengenai pemecahan masalah dengan menganalisa data yang ada di dalam

database dan sering juga didefinisikan sebagai proses menemukan pola dalam

data, dimana proses tersebut harus otomatis atau semi-otomatis dan pola yang

ditemukan harus bermakna (Wiga, 2016:11).

Sedangkan KDD adalah kegiatan yang meliputi pengumpulan, pemakaian

data, historis untuk menemukan keteraturan, pola atau hubungan dalam set data

berukuran besar (Ridwan, Suyono dan Sarosa, 2013:60). Dari beberapa pendapat

diatas mengenai pengertian data mining maka penulis simpulkan bahwa data

mining adalah proses pengolahan data dari database yang diekstrak dan

diidentifikasi sehingga menghasilkan informasi dan pengetahuan yang

bermanfaat.

2.2 Tahapan Data Mining

Menurut Ridwan, dkk (2013:60) tahapan Data mining merupakan sebuah

tuntutan bagi data mining adalah saat diterapkan pada suatu data berskala besar

adalah diperlukannya metodologi sistematis. Data mining dikenal sebagai proses

yang memiliki beberapa tahapan serta memiliki umpan balik dari setiap tahapan

ke tahapan sebelumnya. Tahap-tahap tersebut bersifat interaktif, pemakai terlibat

langsung atau dengan perantaraan knowledge base. Beberapa tahapan tersebut

seperti pada gambar 2.1.

8
 Sumber : Han et al.2012:7

Gambar 2.1 Tahap-tahap Data Mining

Tahap-tahap data mining adalah sebagai berikut:

a. Pembersihan data (data cleaning) Pembersihan data merupakan proses

menghilangkan noise dan data yang tidak konsisten atau data tidak

relevan.

b. Integrasi data (data integration) Integrasi data merupakan penggabungan

data dari berbagai database ke dalam satu database baru.

c. Seleksi data (data selection) Data yang ada pada database sering kali tidak

semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis

yang akan diambil dari database.

d. Transformasi data (data transformation) Data diubah atau digabung ke

dalam format yang sesuai untuk diproses dalam data mining.

e. Beberapa metode yang dapat digunakan berdasarkan pengelompokan data

mining dapat dilihat pada Gambar 2.2

9
 Sumber : Ridwan, Suyono dan Sarosa, 2013:61

Gambar 2.2 Beberapa Metode Data Mining

f. Evaluasi pola (pattern evaluation) Untuk mengidentifikasi pola-pola

menarik ke dalam knowledge based yang ditemukan.

g. Presentasi pengetahuan (knowledge presentation) Merupakan visualisasi

dan penyajian pengetahuan mengenai metode yang digunakan untuk

memperoleh pengetahuan yang diperoleh pengguna (Ridwan, Suyono dan

Sarosa, 2013:61).

2.3 Teknik Data Mining

Proses data mining secara sistematis terdapat tiga langkah utama dalam

data mining, diantaranya Eksplorasi atau pemrosesan awal data yang terdiri dari

pembersihan data, normalisasi data, transformasi data, penanganan data yang

salah, reduksi dimensi, pemilihan subset fitur dan lainnya. Proses yang kedua

adalah membangun model dan melakukan validasi terhadapnya yaitu dengan

melakukan analisis berbagai model dan memilih model dengan kinerja prediksi

yang terbaik. Dalam langkah ini digunakan metode-metode seperti klasifikasi,

10
 regresi, analisis cluster, deteksi anomaly dan lain sebagainya. Langkah ketiga atau

terakhir adalah penerapan, yang berarti di teerapkannya suatu model pada data

yang baru untuk menghasilkan prediksi masalah yang di investigasi (Sirli,

2016:15)

Metode pelatihan secara garis besar metode pelatihan yang digunakan

dalam teknik-teknik data mining dibedakan ke dalam dua pendekatan, yaitu :

a. Unsupervised learning, metode ini dierapkan tanpa adanya latihan (training)

dan tanpa ada guru. Guru di sini adalah label dari data.

b. Supervised learning, yaitu metode belajar dengan adanya latihan dan pelatih.

Dalam pendekatan ini, untuk menemukan fungsi keputusan, fungsi pemisah

atau fungsi regresi, digunakan beberapa contoh data yang mempunyai output

atau label selama proses training.

Beberapa teknik dan sifat data mining adalah sebagai sebagai berikut :

1. Deskripsi para peneliti biasanya mencoba menemukan cara untuk

mendeskripsi-kan pola dan trend yang tersembunyi dalam data.

2. Estimasi - estimasi mirip dengan klasifikasi, kecuali variabel tujuan yang

lebih kearah numerik dari pada kategori.

3. Prediksi - prediksi memiliki kemiripan dengan estimasi dan klasifikasi.

Hanya saja, prediksi hasilnya menunjukkan sesuatu yang belum terjadi.

4. Klasifikasi dalam klasifikasi variabel, tujuan bersifat kategorik. Misalnya,

kita akan mengklasifikasikan pendapatan dalam tiga kelas, yaitu

pendapatan tinggi, pendapatan sedang, dan pendapatan rendah. Klasifikasi

akan menggunakan data dengan target (class/label) yang berupa nilai

diskrit/kontinu. Menurut Goronescu, proses klasifikasi didasarkan pada

11
 empat elemen penting yang sangat mendasar, yaitu :

a) Kelas

Variabel dependen dari model, merupakan variabel kategorikal

yang merepresentasikan label pada objek setelah klasifikasinya.

b) Prediktor Variabel dependen dari model, yang direpresentasikan

oleh karakter khas atribut dari data yang akan diklasifikasikan.

c) Training dataset Kumpulan

Kumpulan dari data yang berisi nilai dari kedua komponen di atas

dan digunakan untuk melatih model dalam mengenali kelas yang

sesuai berdasarkan prediktor yang tersedia.

d) Testing dataset Berisi data baru yang nantinya akan

diklasifikasikan oleh model yang telah dibangun sebelumnya,

sehingga akan menghasilkan akurasi klasifikasi dan dapat

dievaluasi.

5. Clustering - clustering lebih ke arah pengelompo-kan record, pengamatan,

atau kasus dalam kelas yang memiliki kemiripan.

h. Asosiasi mengidentifikasi hubungan antara berbagai peristiwa yang terjadi

pada satu waktu. (Ridwan, Suyono dan Sarosa, 2013:61)

Namun teknik yang akan digunakan dalam penelitian ini yaitu teknik

klasifikasi atau Classification.

2.4 Fungsi Data Mining

Data mining menganalisis data menggunakan tool untuk menemukan pola

dan aturan dalam himpunan data. Perangkat lunak bertugas untuk menemukan

pola dengan mengidentifikasi aturan dan fitur pada data. Tool Data mining

12
diharapkan mampu mengenal pola ini dalam data dengan input minimal dari

user.(Kusumo et al., 2003:3)

Mengacu kepada Larose (2005), terdapat enam fungsi dalam data mining,

yaitu

1. fungsi deskripsi (description),

2. fungsi estimasi (estimation),

3. fungsi prediksi (prediction),

4. fungsi klasifikasi (classification),

5. fungsi pengelompokan (classification), dan

6. fungsi asosiasi (association).

Mengacu kepada Berry dan Browne (2006), keenam fungsi data mining

tersebut dapat dipilah menjadi:

1. fungsi minor atau fungsi tambahan, yang meliputi ketiga fungsi yang

pertama, yaitu deskripsi, estimasi, dan prediksi;

2. fungsi mayor atau fungsi utama, yang meliputi ketiga fungsi

berikutnya, yaitu klasifikasi, pengelompokan, dan asosiasi (Susanto

dan Suryadi, 2010:2-3).

2.5 Teori Naive Bayes Classifier (NBC)

Menurut Kusrini dan Luthfi (2010:199) “Bayesian classification adalah

pengklasifikasian statistik yang dapat digunakan untuk memprediski probabilitas

keanggotaan suatu class. Bayesian classification didasarkan pada teorema Bayes

yang memiliki kemampuan klasifikasi serupa dengan decesion tree dan neural

network. Bayesian classification terbukti memiliki akurasai dan kecepatan yang

tinggi saat diaplikasikan ke dalam database dengan data yang besar”.

13
 Naive Bayes Classifier merupakan sebuah metode klasifikasi dengan

probabilitas sederhana yang mengaplikasikan Teorema Bayes dengan asumsi

ketidaktergantungan (independen) yang tinggi. Penggunaan metode Naive Bayes

Classifier pada penelitian ini didasarkan pada banyaknya dataset yang dipakai

sehingga membutuhkan suatu metode yang mempunyai performansi yang cepat

dalam pengklasifikasian serta keakuratan yang cukup tinggi. Keuntungan

penggunaan Naive Bayes Classifier adalah metode ini hanya membutuhkan

jumlah data pelatihan (training data) yang kecil untuk menentukan estimasi

parameter yang diperlukan dalam proses pengklasifikasian (Nurhuda dan Sihwi,

2014:38)

Naive Bayes didasarkan pada asumsi penyederhanaan bahwa nilai atribut

secara kondisional saling bebas jika diberikan nilai output. Dengan kata lain,

diberikan nilai output, probabilitas mengamati secara bersama adalah produk dari

probabilitas individu. Keuntungan penggunaan Naive Bayes adalah bahwa metode

ini hanya membutuhkan jumlah data pelatihan (Training Data) yang kecil untuk

menentukan estimasi paremeter yang diperlukan dalam proses pengklasifikasian.

Naive Bayes sering bekerja jauh lebih baik dalam kebanyakan situasi dunia nyata

yang kompleks dari pada yang diharapkan.(Manalu, Sianturi dan Manalu,

2017:17)

Jika X adalah vektor masukan yang berisi fitur dan C adalah label kelas,

Naive Bayes dituliskan dengan P(C|X). Notasi tersebut berarti probabilitas label C

didapatkan setelah fitur dari X diamati. Notasi ini disebut juga dengan probabilitas

akhir (posterior probability) untuk C, sedangkan P(Y) disebut probabilitas awal

(prior probability) (Wiga, 2016:18).

14
 Klasifikasi Naive Bayes yang memiliki nilai atribut yang terpisah atau

independen ini dapat dinyatakan dengan rumus sebagai berikut :

𝑃 𝑥𝑐 𝑃 𝑐
...(i) P(C | X) = 𝑃 𝑥

Keterangan :

P(x) : Probabilitas c

x : Data dengan class yang belum diketahui

c : Hipotesis Data merupakan suatu class spesifik

P(c|x) : Probabilitas hipotesis berdasar kondisi (posteriori probability)

p( c ): Probabilitas Hipotesis(Prior probability)

P(x|c) : Probabilitas berdasarkan kondisi pada hipotesis

2.6 Cross Validation

Dalam k-fold cross-validation, data awal dipartisi secara acak menjadi k

subset ekslusif atau”lipatan,”D1, D2,...,Dk, masing-masing berukuran kurang

lebih sama. Pelatihan dan pengujian dilakukan k kali. Dalam iterasi, partisi D-i

dicadangkan sebagai rangkaian tes, dan partisi yang tersisa secara kolektif

digunakan untuk melatih model. (Suyanto, 2018)

Artinya, pada literasi pertama himpunan bagian D2,...,Dk secara kolektif

berfungsi sebagai set pelatihan untuk mendapatkan model pertama, yang diuji

pada D1, iterasi kedua dilatih pada subset D1, D3, ..., Dk dan diuji pada D2; dan

seterusnya. Tidak seperti metode haldout dan random subsampling, disini setiap

sampel menggunakan jumlah waktu pelatihan yang sama dan satu kali untuk

pengujian (Han et al.2012:370).

15
2.7 Akurasi Klasifikasi (Confusion Matrix)

Confusion Matrix adalah alat (tools) visualisasi yang biasa digunakan pada

supervised learning. Tiap kolom pada matrix adalah contoh kelas prediksi,

sedangkan tiap baris mewakili kejadian di kelas yang sebenarnya. (Sirli, 2016:21)

Metode ini hanya menggunakan tabel matriks terdapat pada proses jika

dataset memiliki kelas yaitu kelas yang dianggap positif dan kelas lainnya

merupakan kelas negatif. Evaluasi dengan confusion matrix ini menghasilkan nilai

akurasi, precison, dan recall terhadap klasifikasi yang telah dilakukan. Akurasi

dalam klasifikasi adalah presentase ketetapan record data yang diklasifikasikan

secara benar setelah dilakukan pengujian pada hasil. Sedangkan precision atau

confidence adalah proporsi kasus yang diprediksi positif yang juga positif benar

pada data yang sebenarnya. Recall atau sensitivitas adalah proporsi kasus positif

yang sebenarnya yang diprediksi positif secara benar ( Wiga, 2016:20).

Confusion matrix adalah tool yang berguna untuk menganalisis seberapa

baik classifier mengenali kelas yang berbeda. TP dan TN menjelaskan ketika

pengklasifikasi mendapatkan sesuatu dengan benar, sementara FP dan FN

menjelaskan ketika pengklasifikasi mendapatkan hal yang salah (Han et

al.2012:365).

Confusion matrix adalah sebuah tabel yang menyatakan jumlah data uji

yang benar diklasifikasikan dan jumlah data uji yang salah diklasifikasikan

(Indriani dan Nbc, 2014:6). Contoh confusion matrix untuk klasifikasi biner

ditunjukkan pada tabel 2.1.

16
 Tabel 2.1 Confusion Matrix untuk klasifikasi biner

Kelas Prediksi 1

1 0

Kelas 1 TP FN

Sebenarnya 0 FP TN

Sumber: Wiga, 2016:20

Keterangan untuk tabel 2.1 dinyatakan sebagai berikut:

 True Postive (TP), yaitu jumlah dokumen dari kelas 1 yang benar dan

diklasifikan sebagai kelas 1.

 True Negative (TN), yaitu jumlah dokumen dari kelas 0 yang benar

diklasifikasikan sebagai kelas 0.

 False Positive (FP), yaitu jumlah dokumen dari kelas 0 yang salah

diklasifikasikan sebagai kelas 1.

 False Negative (FN) yaitu jumlah dokumen dari kelas 1yang salah

diklasifikasikan sebagai kelas 0.

Kuantitas matriks dapat diringkas menjadi dua nilai yaitu akurasi dan laju

error. Perhitungan akurasi dinyatakan dalam persamaan:

= ...(ii)

Keterangan:

 True Postive (TP)

 True Negative (TN)

 False Positive (FP)

 False Negative (FN)

17
 True positive dan false positive adalah jumlah record positif dan negatif

yang diklasifikasikan sebagai positif, sedangkan false negatife dan true negatif

adalah jumlah record positif dan negatif yang diklasifikasikan sebagai negatif.

Lalu masukkan data uji, setelah itu hitung nilai yang telah dimasukkan tersebut

untuk dihitung sensitivitasnya, spesifikasinya, presisinya dan akurasinya.

Berdasarkan isi matriks pada tabel tersebut maka dapat diketahui jumlah data dari

masing-masing kelas yang dipredikasi secara benar yaitu (True positives + True

negatives) dan data yang diklasifikasikan secara salah adalah (False positive +

False negatives) (Wiga, 2016:20).

2.8 RapidMiner

RapidMiner merupakan perangkat lunak yang bersifat terbuka (open

source). RapidMiner adalah sebuah solusi untuk melakukan analisis terhadap data

mining, text mining dan analisis prediksi. RapidMiner menggunakan berbagai

teknik deskriptif dan prediksi dalam memberikan wawasan kepada pengguna

sehingga dapat membuat keputusan yang paling baik. RapidMiner memiliki

kurang lebih 500 operator data mining, termasuk operator untuk input, output,

data preprocessing dan visualisasi. RapidMiner merupakan software yang berdiri

sendiri untuk analisis data dan sebagai mesin data mining yang dapat

diintegrasikan pada produknya sendiri. RapidMiner ditulis dengan munggunakan

bahasa java sehingga dapat bekerja di semua sistem operasi (Wicaksana,2013:8)

RapidMiner adalah perangkat lunak yang bersifat terbuka (open source).

RapidMiner merupakan solusi untuk melakukan suatu analisis terhadap data

mining, text mining dan analisis prediksi. RapidMiner menggunakan berbagai

teknik deskriptif dan prediksi dalam memberikan wawasan kepada pengguna

18
sehingga dapat membuat keputusan yang paling baik. RapidMiner memiliki

kurang lebih 500 operator data mining, termasuk operator untuk input, output,

data preprocessing dan visualisasi. RapidMiner merupakan software yang berdiri

sendiri untuk analisis data dan sebagai mesin data mining yang dapat

diintegrasikan pada produknya sendiri. RapidMiner ditulis dengan munggunakan

bahasa java sehingga dapat bekerja pada semua sistem operasi. (Sirli, 2016:22)

RapidMiner menyediakan GUI (Graphic User Interface) untuk merancang

sebuah pipeline analitis. GUI ini akan menghasilkan file Extensible Markup

Language (XML) yang mendefenisikan proses analitis keingginan pengguna

untuk diterapkan ke data. File ini kemudian dibaca oleh RapidMiner untuk

menjalankan analis secara otomatis (Wicaksana, 2013:9-11). RapidMiner

memiliki beberapa sifat sebagai berikut:

 Ditulis dengan bahasa pemrograman Java sehingga dapat dijalankan di

berbagai sistem operasi.

 Proses penemuan pengetahuan dimodelkan sebagai operator trees

 Representasi XML internal untuk memastikan format standar pertukaran data.

 Bahasa scripting memungkinkan untuk eksperimen skala besar dan

otomatisasi eksperimen.

 Konsep multi-layer untuk menjamin tampilan data yang efisien dan menjamin

penanganan data.

 Memiliki GUI, command line mode, dan Java API yang dapat dipanggil dari

program lain.

Beberapa Beberapa Fitur dari RapidMiner, antara lain:

19
  Banyaknya algoritma data mining, seperti decision tree dan self-

organization map.

 Bentuk grafis yang canggih, seperti tumpang tindih diagram histogram,

tree chart dan 3D Scatter plots.

 Banyaknya variasi plugin, seperti text plugin untuk melakukan analisis

teks.

 Menyediakan prosedur data mining dan machine learning termasuk: ETL

(extraction, transformation, loading), data preprocessing, visualisasi,

modelling dan evaluasi

 Proses data mining tersusun atas operator-operator yang nestable,

dideskripsikan dengan XML, dan dibuat dengan GUI

 Mengintegrasikan proyek data mining Weka dan statistika R

2.9 Penelitian Terdahulu

Penelitian terdahulu menjadi salah satu acuan penulis dalam melakukan

penelitian sehingga penulis dapat memperkaya teori yang digunakan dalam

mengkaji penelitian yang dilakukan. Berikut adalah penelitian terdahulu berupa

jurnal terkait dengan penelitian yang dilakukan oleh penulis.

20
Tabel 2.2 Penelitian Terdahulu

No Nama peneliti Judul penelitian Resume Penelitian

1. Astrid Novita “Penerapan Naive Metode yang dipakai:

Putri Bayesian untuk Naive Bayesian

perankingan kegiatan di Permasalahan yang

Fakultas TIK dipilih:

Universitas Semarang” Bagaimana membuat

perhitungan klasifikasi

program studi mana

sajakah yang

favorit dan tidak favorit?

Hasil yang dicapai:

Menghasilkan klasifikasi

menggunakan metode

naive bayesian,dan

program studi favorit

adalah ilmu komunikasi

berdasarkan hasil dari

RapidMiner.

21
2. Deden Rustiana, “Analisis Sentimen Pasar Metode yang dipakai:

Nina Rahayu Otomotif Mobil: Tweet

Naïve Bayes
Twitter Menggunakan
Permasalahan yang
Naïve Bayes”
dipilih:

Bagaimana

memanfaatkan data tweet

tersebut untuk

mengetahui sentimen

pada merk mobil?

Hasil yang dicapai:

Implementasi naïve

bayes pada penelitian ini

menghasilkan nilai

akurasi 93%, serta

persisi sentiment positif

90%, persisi sentiment

negative 90% dan persisi

sentiment netral sebesar

100%.

22
3. Thomas “Klasifikasi Diagnosa Metode yang dipakai:

Wiga Heru Diabetes Mellitus Dengan

Naïve Bayesian Clasifier
Prasetya Penerapan Metode Naïve
Permasalahan yang dipilih:
Bayesian Clasifier”

Apakah metode Naive

Bayesian Clasifier mampu

secara otomatis melakukan

klasifikasi dari diabetes yang

diderita pasien secara tepat,?

Hasil yang dicapai:

Metode Naive Bayesian

Clasifier dapat melakukan

dan menentukan secara

otomatis klasifikasi Diabetes

Mellitus dengan

Hiperglikemia, Diabetes

Mellitus dengan Hipertensi,

Diabetes Mellitus dengan

Ulkus, Diabetes Mellitus

dengan Neuropati atau

Diabetes Mellitus saja

23
 BAB III
METODE PENELITIAN

Dalam rangka menyelesaikan rencana analisis ini, maka penulis telah

melakukan penelitian berdasarkan metode yang dijalankan secara bertahap dan

terencana. Adapun metode-metode penelitian yang digunakan sebagai berikut:

3.1 Studi Literatur dan Pemahaman

Pada tahap ini, penulis mencari dan mempelajari referensi berupa ebook,

artikel ilmiah maupun jurnal yang berkaitan dengan penelitian. Topik yang akan

dibahas antara lain : Metode klasifikasi Naive Bayes.

3.2 Pengumpulan Data

Penelitian dilakukan terhadap dataset yang diperoleh dari situs

GAIKINDO (Gabungan Industri Kendaraan Bermotor Indonesia) yang

berfokus pada bulan Januari, Februari, Maret, dan April 2018, dengan jumlah data

639.

Metode pengumpulan data yang dilakukan dalam penelitian ini adalah:

1. Observasi: Mengumpulkan data yang dilakukan dengan pengamatan dan

pencatatan secara langsung maupun tidak langsung terhadap objek yang

akan dibahas.

2. Studi Pustaka : yaitu melakukan studi terhadap literature (buku-buku,

jurnal, dan skripsi) dan mempelajari referensi lain yang berkaitan dengan

masalah yang akan dibahas untuk dapat dijadikan acuan dalam analisis ini.

Dan juga mencari dan mengumpulkan data-data yang diperlukan dari

Gaikindo .

24
 Gambar 3.1 Alur Analisis

3.2.1 Data Brand Mobil

Data yang digunakan nantinya adalah semua data dari Categori, Brand dan

Type/Model sebanyak 639 data, yang diperoleh dari situs GAIKINDO (Gabungan

Industri Kendaraan Bermotor Indonesia). Data tersebut nantinya akan

dikelompokkan menjadi 8 atribut termasuk atribut kelas. Variabel yang digunakan

yaitu Category, Brand, Type Model, CC, Transmisi(Trans), Origin Country,

Output, dan Class. Klasifikasi dilakukan dengan menerapkan algoritma Naive

Bayes.

3.2.2 Skenario Pengambilan Data

1. Pengambilan data diambil yang diperoleh dari situs GAIKINDO

(Gabungan Industri Kendaraan Bermotor Indonesia).

2. Data dikelompokkan menjadi 8 atribut berdasarkan data aslinya.

3. Data diolah sedemikian rupa dengan meminimalkan/ menghilangkan

beberapa atribut.

4. Data disimpan dalam file berekstensi .xlsx (data terlampir pada tabel

lampiran ).

25
3.2.3 Analisa Pengolahan Data

Berikut ini merupakan langkah-langkah dari analisa pengolahan data yang akan

dilakukan

Mulai Data
Seleksi Data
Mentah

Data Brand
Selesai Proses Mining Mobil yang
siap diolah

Gambar 3. 2 Alur Pengolahan Data

A. Seleksi Data

Pada tahap ini akan dilakukan penyeleksian terhadap data kurang

relevan terhadap penelitian (menghilangkan atau menghapus data). Setelah

diseleksi, dilakukan penggabungan seluruh data yang telah diperoleh.

Setelah itu data akan disimpan dalam satu file dengan ekstensi .xlsx

berdasarkan variabel sesuai dengan kriteria atributnya.

B. Penerapan Teknik Mining

Pada tahap ini data menjadi data yang sangat relevan, data berbagai

merek akan diklasifikasikan ke beberapa tipe dari data tersebut dengan

algoritma Naive Bayes.

26
 Gambar 3. 3 Alur Kerja Naive Bayes

3.3 Spesifikasi Alat

Penelitian ini menggunakan perangkat keras (hardware) dan perangkat

lunak (software) yang digunakan sebagai alat pendukung dalam melaksanakan

penelitian dan merancang aplikasi. Adapun alat dan bahan yang digunakan dalam

penelitian adalah sebagai berikut:

1. Perangkat Keras

Perangkat keras yang digunakan untuk penelitian ini adalah laptop Asus

dengan spesifikasi sebagai berikut:

1) Processor Intel Celeron CPU 1007U

2) RAM 4 GB

3) Hardisk 500 GB

27
2. Perangkat Lunak

Adapun perangkat lunak yang digunakan untuk menjalankan aplikasi

tersebut adalah sebagai berikut:

1. Sistem Operasi Microsoft Windows

2. Microsoft Excell

3. RapidMiner

28
 BAB IV
PEMBAHASAN DAN ANALISA HASIL PENELITIAN

Pada bab ini akan dibahas berbagai hal yang berkaitan dengan

implementasi dan hasil yang telah didapat dari beberapa pengujian yang

dilakukan, serta analisa dari hasil penghujian.

4.1 Penentuan Kriteria

Berikut ini adalah kriteria dalam menentukan hasil metode klasifikasi

Naive Bayes berikut ini :

a) Class : Laris, Tidak Laris.

b) Category : Sedan Type, 4x2 Type, 4x4 Type, Bus, Pick Up, Truck,

Double Cabin 4x2/4x4, Affordable Energy Saving Cars 4x2.

c) Brand : Honda, Toyota, Audi, BMW, Hyundai, Lexus, Madza,

Nissan, Cherolet, Daihatsu, Datsun, KIA, Mini, Mitsubishi Motors,

Proton, Renault, Suzuki, Volswagen, Mitsubishi Fuso, Hino, Tata Motors,

Scania, DFSK, TATA, FAW, Isuzu, Scania, Ud Trucks, Man Truck,

Wuling.

d) Type Model : Semua Brand mobil berdasarkan tipe dan jenisnya

e) CC : <1500, 1.501 - 2.500, 2.501 - 3.000, 3.001-16000.

f) Transmisi(Trans): Automatic Transmission(AT), Manual

Transmission(MT), Continuously Variable Transmission(CVT).

g) Origin Country : Sebuah Negara yang mem-Produksinya.

h) OutPut : Jumlah Total pembelian Konsumen dalam 4 bulan

berturut dari Januari, Februari, Maret Dan April 2018.

29
4.2 Analisa Perhitungan Metode Naive Bayes

Berikut ini adalah tabel traning dari dataset GAIKINDO Pada bulan

Januari, Februari, Maret, dan April 2018, dibawah ini ada sebagian dari data

Training (hanya 10 dari 511 data terdiri dari 8 atribut) seluruh data terlampir pada

tabel lampiran.dan data Testing (data Testing diambil 20 % dari data Training dan

hanya 10 yang ditampilkan dari 128 data) seluruh data terlampir pada tabel

lampiran.

Tabel 4.1. Traning Set yang Telah Diolah

TYPE ORIGIN OUT

CATEGORY BRAND CC TRANS CLASS
MODEL COUNTRY PUT
SEDAN All New City
HONDA 1497 AT Thailand 364 LARIS
TYPE IVTEC E AT
SEDAN All New City TIDAK
HONDA 1497 AT Thailand 0
TYPE IVTEC ES AT LARIS
SEDAN All New
HONDA 1500 AT Thailand 403 LARIS
TYPE Civic
All New
SEDAN
HONDA Civic 1500 AT Thailand 422 LARIS
TYPE
Prestige
SEDAN TIDAK
TOYOTA Vios E 1500 MT Indonesia 4
TYPE LARIS
SEDAN TIDAK
TOYOTA Vios E AT 1500 AT Indonesia 5
TYPE LARIS
SEDAN TIDAK
TOYOTA Vios G 1500 MT Indonesia 43
TYPE LARIS
SEDAN TIDAK
TOYOTA Vios G AT 1500 AT Indonesia 61
TYPE LARIS
A4 2.0
SEDAN TIDAK
AUDI quattro 1984 AT Germany 1
TYPE LARIS
TFSI
SEDAN TIDAK
AUDI A5 2.0 TFSI 1984 AT Germany 0
TYPE LARIS

30
 Tabel 4.2. Testing Set yang Telah Diolah

TYPE ORIGIN
CATEGOR TRAN OUTPU CLAS
BRAND CC COUNTR
Y MODEL S T S
Y
CHEVROLE 250
4X2 TYPE T Trailblazer 0 AT Thailand 172
200 Indonesi
4X2 TYPE HONDA All New CR-V 0 AT a 61
240
4X2 TYPE HONDA CIVIC 5D S 0 AT Thailand 60
240
4X2 TYPE HONDA CIVIC 5D E 0 AT Thailand 1035
180 Indonesi
4X2 TYPE HONDA HR-V Prestige 0 CVT a 1731
Odyssey 235
4X2 TYPE HONDA Prestige 4 AT Japan 101
200
4X2 TYPE HYUNDAI All New Tucson 0 AT Korea 37
All New Tucson 200
4X2 TYPE HYUNDAI CRDi 0 AT Korea 15
New Santa FE 220
4X2 TYPE HYUNDAI CRDI 0 AT Korea 33

4.3 Implementasi Klasifikasi Naive Bayes Pada RapidMiner

Berikut ini adalah pengolahan data dengan menggunakan Naive Bayes

pada RapidMiner :

Gambar 4.1. Pemodelan Klasifikasi Naive Bayes menggunakan RapidMiner

Dengan menggunakan pemodelan klasifikasi Naive Bayes seperti gambar

di atas dengan mengklasifikasi 2 jenis Laris dan Tidak Laris. Pada proses tersebut

31
Parameters Set Role yang digunakan pada data Training dengan attribute name :

Class, dan proses peng-klasifikasian diatas menggunakan data Training dan data

testing.

Kemudian Berikut ini adalah hasil implementasi merek pada Curva

Berdasarkan Laris dan Tidak Laris menggunakan RapidMiner menunjukkan

merek yang Laris sangat tinggi pada merek TOYOTA .

Gambar 4.2 Nilai Ranking Berdasarkan Class Menggunakan RapidMiner

Kemudian berdasarkan chart berdasarkan Brand dan Category pada hasil

di bawah ini menunjukkan bahwa merek TOYOTA Menempati Urutan Terlaris

dengan Category terlaris tipe 4X2 TYPE, Menyusul urutan kedua yaitu merek

HINO dengan Category terlaris tipe TRUCK, dan Sebagainya pada Hasil

RapidMiner.

32
Gambar 4.3 Nilai Ranking Brand Mobil Terlaris Berdasarkan Brand Dan

Category Menggunakan RapidMiner

33
34
 Gambar 4.4 Nilai Ranking Mobil Terlaris Berdasarkan Type Model

Dari gambar diatas menunjukan bahwa mobil terlaris berdasarkan Type

Model adalah mobil Pajero Sport 2.4 L Dakar dengan kategori 4x2 type. Dan

dengan pembelian mencapai 6000 dalam empat bulan berturut ditahun 2018.

Ranking kedua dicapai mobil All Kijang Inova G 2015 dengan pembelian

mencapai > 4000. Dan ranking ketiga dicapai oleh mobil All Kijang Inova G D

2015 dengan pembelian mencapai 3.250.

35
 Gambar 4.5 Nilai Ranking Mobil Terlaris Berdasarkan Category sedan type

Berdasarkan Category sedan type pada gambar diatas menunjukkan bahwa

merek Honda Menempati Urutan Teratas. Dan merek paling banyak diminati

konsumen adalah All New Civic Prestige. Menyusul urutan kedua yaitu merek

Toyota dengan merek paling banyak diminati konsumen adalah Vios G AT.

Gambar 4.6 Nilai Ranking Mobil Terlaris Berdasarkan Category 4x2 type

Berdasarkan Category 4x2 type pada gambar diatas menunjukkan bahwa

merek Mitsubishi Motors Menempati Urutan Teratas. Dan merek paling banyak

diminati konsumen adalah Xpander 1.5L Ultimate (4X2) A/T. Menyusul urutan

36
kedua yaitu merek Toyota dengan merek paling banyak diminati konsumen adalah

ALL New Avanza 1.3 G BMC 2015.

Gambar 4.7 Nilai Ranking Mobil Terlaris Berdasarkan Category 4x4 type

Berdasarkan Category 4x4 type pada gambar diatas menunjukkan bahwa

merek Lexus Menempati Urutan Teratas. Dan merek paling banyak diminati

konsumen adalah Lexus RX 300. Menyusul urutan kedua yaitu merek Toyota

dengan merek paling banyak diminati konsumen adalah Fortuner VRZ2.7 DSL

FMC 2015 4x4 AT.

Gambar 4.8 Nilai Ranking Mobil Terlaris Berdasarkan Category Bus

Berdasarkan Category Bus pada gambar diatas menunjukkan bahwa merek

Hino Menempati Urutan Teratas. Dan merek paling banyak diminati konsumen

37
adalah R 260. Menyusul urutan kedua yaitu merek Mitsubishi Fuso dengan merek

paling banyak diminati konsumen adalah FE 84G BC - 6 W.

Gambar 4.9 Nilai Ranking Mobil Terlaris Berdasarkan Category Pick Up

Berdasarkan Category Pick Up pada gambar diatas menunjukkan bahwa

merek Daihatsu Menempati Urutan Teratas. Dan merek paling banyak diminati

konsumen adalah Gran MaxPU STD. Menyusul urutan kedua yaitu merek

SUZUKI dengan merek paling banyak diminati konsumen adalah Carry 1.5 PU

FD.

Gambar 4.10 Nilai Ranking Mobil Terlaris Berdasarkan Category Truck

38
 Berdasarkan Category Tuck pada gambar diatas menunjukkan bahwa

merek Mitsubishi Menempati Urutan Teratas. Dan merek paling banyak diminati

konsumen adalah FE 74 HDV - 6 W. Menyusul urutan kedua yaitu merek HINO

dengan merek paling banyak diminati konsumen adalah FG 235 JP.

Gambar 4.11 Nilai Ranking Mobil Terlaris Berdasarkan Category Double Cabin

4x2 / 4x4

Berdasarkan Category Double Cabin 4x2 / 4x4 pada gambar diatas

menunjukkan bahwa merek Mitsubishi Motors Menempati Urutan Teratas. Dan

merek paling banyak diminati konsumen adalah Triton 2.5L DC HDX (4X4) MT.

Menyusul urutan kedua yaitu merek TOYOTA dengan merek paling banyak

diminati konsumen adalah HiLux2.4 P/U DC G.

39
 Gambar 4.12 Nilai Ranking Mobil Terlaris Berdasarkan Category Affordable

Energy Saving Cars 4x2

Berdasarkan Category Affordable Energy Saving Cars 4x2 pada gambar

diatas menunjukkan bahwa merek TOYOTA Menempati Urutan Teratas. Dan

merek paling banyak diminati konsumen adalah Calya 1.2 G. Menyusul urutan

kedua yaitu merek DAIHATSU

4.4 Implementasi Data Mining Algoritma Naïve Bayes Menggunakan

RapidMiner

Hasil prediksi data testing dan tingkat confidence pada masing-masing

proses perhitungan data metode naïve bayes menggunakan RapidMiner dapat

dilihat pada Gambar 4.13.

40
 Gambar 4.13 Hasil ExampleSet Naïve Bayes

4.5 Implementasi Naïve Bayes

Hasil isi data training metode naïve bayes dilihat dari plot view pada

ExampleSet dapat dilihat pada Gambar 4.14

Gambar 4.14 Hasil Plot View Naïve Bayes pada RapidMiner

41
 Hasil dari plot view naïve bayes pada Gambar 4.14 dapat disimpulkan

bahwa merek mobil dengan Category 4 x 2 type merupakan kategori merek mobil

yang sering dipesan oleh pelanggan.

4.6 Analisa Hasil Akurasi Klasifikasi Naive Bayes

Gambar 4.15 Tingkat Akurasi Klasifikasi Naive Bayes menggunakan

RapidMiner

Hasil dari Tingkat Akurasi Klasifikasi Naive Bayes pada Gambar 4.15

menunjukan bahwa tingkat akurasi mencapai 96, 87%.

Gambar 4.16 Precision Klasifikasi Naive Bayes menggunakan RapidMiner

Hasil dari Precision Klasifikasi Naive Bayes pada Gambar 4.16

menunjukan bahwa tingkat Precision mencapai 97, 04%.

42
 Gambar 4.17 Recall Klasifikasi Naive Bayes menggunakan RapidMiner

Hasil dari Recall Klasifikasi Naive Bayes pada Gambar 4.17 menunjukan

bahwa tingkat Recall mencapai 97, 02%.

Gambar 4.18 Tingkat Akurasi, Precision, dan Recall Klasifikasi Naive Bayes

menggunakan M. Excel

Hasil dari Tingkat Akurasi, Precision, dan Recall Klasifikasi Naive Bayes

pada Gambar 4.18 menunjukan bahwa tingkat accuracy: 53%, Precision: 97%,

dan Recall mencapai 97%.

Maka dapat disimpulkan perbandingan hasil akurasi klasifikasi Naive

Bayes pada gambar diatas mencapai nilai Precision yang tidak jauh berbeda 97

%, dan nilai Recall: 97% namun nilai accuracy cukup berbeda, nilai accuracy

menggunakan RapidMiner 96, 87 % sedangkan menggunakan M. Excel 53 %.

Sehingga dalam penelitian ini metode Naive bayes merupakan metode dengan

tingkat akurasi yang kecil bila menggunakan data yang banyak.

43
 BAB V
PENUTUP

5.1 Kesimpulan

Berdasarkan pembahasan yang telah diuraikan, yaitu tentang Penerapan

Algoritma Naive Bayes Dalam Menentukan Merek Mobil Terlaris, maka dapat

diambil kesimpulan sebagai berikut :

1. Berdasarkan data dari GAIKINDO bulan Januari, Februari, Maret dan April

tahun 2018 menghasilkan klasifikasi menggunakan metode Naive Bayes, dan

merek mobil terlaris adalah TOYOTA berdasarkan hasil dari RapidMiner.

2. Berdasarkan hasil perhitungan metode Naive Bayes menggunakan Rapid

Miner nilai accuracy: 96, 87 % , nilai Precision: 97, 04 % dan nilai Recall: 97,

02%. Dan Berdasarkan hasil perhitungan metode Naive Bayes menggunakan

M. Excel nilai accuracy: 53% , nilai Precision: 97% dan nilai Recall: 97%.

Sehingga metode Naive Bayes merupakan metode dengan tingkat akurasi yang

kecil bila menggunakan data yang banyak.

5.2. Saran

Adapun saran agar penelitian lebih baik dari penelitian sebelumnya yaitu:

1. Agar melakukan penelitian dengan menggunakan metode algoritma klasifikasi

yang berbeda.

2. Penelitian ini tidak terimplementasi pada sebuah system aplikasi, maka perlu

dibuat sistem aplikasi web.

44
 DAFTAR PUSTAKA

Deden, Nina. 2017. “Analisis Sentimen Pasar Otomotif Mobil: Tweet Twitter

Menggunakan Naïve Bayes”, Jurnal SIMETRIS.Vol 8

Han, Jiawei, Kamber, Micheline and Pei, Jian. 2012. Data Mining Concepts and

Technicques Thrid Edition, Morgan Kaufmann Publishers is an imprint

of Elseiver. 225 Whyman Steet, Walthham, M 02451, USA, ISBN 9780-

12-381479-1.

Indriani, A. dan Nbc, D. 2014. “Klasifikasi Data Forum dengan menggunakan

Metode Naïve Bayes Classifier”, Seminar Nasional Aplikasi Teknologi

Informasi. hal. 5–10.

Jananto, A. 2013. “Algoritma Naive Bayes untuk Mencari Perkiraan Waktu Studi

Mahasiswa”, Jurnal Teknologi Informasi DINAMIK. Vol. 18. hal. 9–16.

Kasus, S., Pt, P., Gunadi, G. dan Sensuse, D. I. 2012. “Penerapan Metode Data

Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku

Dengan Menggunakan Algoritma Apriori Dan Frequent Pattern Growth (

Fp-Growth )”, Jurnal Telematika Mkom. Vol. 4. hal.120.

Kusumo, D. S. dkk. 2003.“Data Mining Dengan Algoritma Apriori”, Jurnal

Penelitian dan Pengembangan Telekomunikasi .Vol. 8. hal. 1–5.

Manalu, E., Sianturi, F. A. dan Manalu, M. R. 2017. “Penerapan Algoritma Naive

Bayes Untuk Memprediksi Jumlah Produksi Barang Berdasarkan Data

Persediaan Dan Jumlah Pemesanan Pada Cv: Papadan Mama Pastries”,

Jurnal Manajemen Dan Informatika Pelita Nusantara. Vol. 1. hal.17.

45
Nurhuda, F. dan Sihwi, S. W. 2014. “Analisis Sentimen Masyarakat terhadap
Calon Presiden Indonesia 2014 berdasarkan Opini dari Twitter
Menggunakan Metode Naive Bayes Classifier”, Jurnal ITSMART. Vol. 2.
hal. 38.

Putri, Astrid Novita. 2017. "Penerapan Naive Bayesian Untuk Perankingan

Kegiatan Di Fakultas Tik Universitas Semarang", Jurnal SIMETRIS. Vol
8.

Ridwan, M., Suyono, H. dan Sarosa, M. 2013. “Penerapan Data Mining Untuk

Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive

Bayes Classifier”, Jurnal EECCIS.Vol. 7(1). hal. 59–64.

Sani, Susanto. dan Suryadi, Dedi. 2010. Pengantar Data Mining: Menggali

Pengetahuan dari Bongkahan Data. Yogyakarta: C.V Andi Offset.

Sirli. 2016. “Penerapan Algoritma Id3 Untuk Prediksi Minat Studi Mahasiswa
Teknik Informatika”, Tugas Akhir Fakultas Ilmu Komputer. UDINUS.

Wicaksana, I. W. S. 2013. Belajar Data Mining dengan RapidMiner. Jakarta.

Wiga, Thomas. 2016. “Naive Bayesian Classifier Method Implementation for

Diabetes Melitus Diagnose Classification”, Tugas Akhir Teknik

Informatika. Yogyakarta: Universitas Sanata Dharma

46
 DAFTAR RIWAYAT HIDUP

I. Biodata Mahasiswa
NIM : 311410940

Nama Lengkap : Esem Pusnawati

Tempat & Tanggal Lahir : Bekasi, 13 April 1995

Alamat Lengkap : Kp. Kiara Gedur Rt.002 Rw.011

Desa Cicau, Kec. Cikarang Pusat, Bekasi.

II. Pendidikan

1. SD Negeri Nagasari 03, lulus tahun 2006

2. SMP Negeri 1 Cikarang Pusat, lulus tahun 2009

3. SMA Negeri 2 Cikarang Pusat, lulus tahun 2012

4. S1 STT Pelita Bangsa, Teknik Informatika, Lulus Tahun 2018

Cikarang, 20 Oktober 2018

Esem Pusnawati

47
 LAMPIRAN

Lampiran 1 Training Data

BRAND TYPE MODEL CC TRANS ORIGIN COUNTRY OUTPUT CLASS
HONDA All New City IVTEC E AT 1497 AT Thailand 364 LARIS
HONDA All New City IVTEC ES AT 1497 AT Thailand 0 TIDAK LARIS
HONDA All New Civic 1500 AT Thailand 403 LARIS
HONDA All New Civic Prestige 1500 AT Thailand 422 LARIS
TOYOTA Vios E 1500 MT Indonesia 4 TIDAK LARIS
TOYOTA Vios E AT 1500 AT Indonesia 5 TIDAK LARIS
TOYOTA Vios G 1500 MT Indonesia 43 TIDAK LARIS
TOYOTA Vios G AT 1500 AT Indonesia 61 TIDAK LARIS
AUDI A4 2.0 quattro TFSI A/T 1984 AT Germany 1 TIDAK LARIS
AUDI A5 2.0 TFSI 1984 AT Germany 0 TIDAK LARIS
AUDI A6 1.8 TFSI A/T 1800 AT Germany 2 TIDAK LARIS
BMW 3F19 320i 2000 AT Indonesia 0 TIDAK LARIS
BMW 8A36 320I 2000 AT Indonesia 199 LARIS
BMW 8C76 320D 2000 AT Indonesia 0 TIDAK LARIS
BMW 8A96 330I 2000 AT Indonesia 44 TIDAK LARIS
BMW 4Y92 M4 2979 AT Germany 1 TIDAK LARIS
BMW JC36 520D 2000 AT Indonesia 27 TIDAK LARIS
BMW JA52 530i 2000 AT Germany 4 TIDAK LARIS
BMW JA16 520I 2000 AT Germany 90 TIDAK LARIS
BMW JA56 530i 2000 AT Germany 52 TIDAK LARIS
BMW 7E26 740LI 2979 AT Germany 10 TIDAK LARIS
HYUNDAI All New Sonata 2400 AT Korea 0 TIDAK LARIS
HONDA New ACCORD VTi-L 2354 AT Thailand 56 TIDAK LARIS
LEXUS Lexus ES 300 H 2494 AT Japan 8 TIDAK LARIS
MAZDA MX5 1999 AT Japan 25 TIDAK LARIS
MAZDA All New Mazda6 2488 AT Japan 112 LARIS
NISSAN New Teana (FMC '14) 2496 AT Thailand 8 TIDAK LARIS
TOYOTA All New Corolla Altis G 1800 MT Thailand 1 TIDAK LARIS
TOYOTA All New Corolla Altis V AT 1800 AT Thailand 181 LARIS
TOYOTA All New Camry 2.5 G 2500 AT Thailand 19 TIDAK LARIS
TOYOTA ll New Camry 2.5 V 2500 AT Thailand 358 LARIS
TOYOTA All New Camry 2.5 Hybrid Mi 2500 AT Thailand 13 TIDAK LARIS
TOYOTA 86 AT 2000 AT Japan 0 TIDAK LARIS
TOYOTA 86 TRD 2000 AT Japan 12 TIDAK LARIS
TOYOTA 86 Aero 2000 AT Japan 6 TIDAK LARIS
TOYOTA 86 MT 2000 MT Japan 2 TIDAK LARIS
BMW 7E06 730LI 2993 AT Indonesia 12 TIDAK LARIS
BMW 2Z22 i8 RHD 2993 AT Germany 0 TIDAK LARIS
BMW 6H12 640I 4800 AT Germany 2 TIDAK LARIS
LEXUS Lexus GS 350 3456 AT Japan 1 TIDAK LARIS
LEXUS Lexus LS 500 3445 AT Japan 47 TIDAK LARIS
LEXUS Lexus RC F 5000 AT Japan 0 TIDAK LARIS
LEXUS Lexus LC 500 5000 AT Japan 3 TIDAK LARIS
AUDI A3 1.2 TFSI A/T 1275 AT Germany 2 TIDAK LARIS
CHEVROLET Spark 1.4L 1400 AT South Korea 44 TIDAK LARIS
CHEVROLET Trax 1.4L 1398 AT South Korea 480 LARIS
DAIHATSU Great New Xenia X MT 1298 MT Indonesia 4924 LARIS
DAIHATSU Great New Xenia X AT 1298 AT Indonesia 429 LARIS
DAIHATSU Great New Xenia R MT 1298 MT Indonesia 5606 LARIS
DAIHATSU Great New Xenia R AT 1298 AT Indonesia 599 LARIS
DAIHATSU All New Sirion 1.3 MT2018 1298 MT Malaysia 200 LARIS
DAIHATSU All New Sirion 1.3 AT2018 1298 AT Malaysia 240 LARIS

48
DAIHATSU Gran MaxBV 1298 MT Indonesia 2331 LARIS
DAIHATSU Gran MaxBV 1,5 1500 MT Indonesia 0 TIDAK LARIS
DAIHATSU Gran MaxHI FF 1298 MT Indonesia 594 LARIS
DAIHATSU Gran MaxHI 1298 MT Indonesia 1251 LARIS
DAIHATSU Gran MaxHI 1298 MT Indonesia 483 LARIS
DAIHATSU Luxio 1.5 D (New) 1495 MT Indonesia 0 TIDAK LARIS
DAIHATSU Luxio 1.5 D MT(New) 1495 MT Indonesia 361 LARIS
DAIHATSU Luxio 1.5 X MT(New) 1495 MT Indonesia 768 LARIS
DAIHATSU Luxio 1.5 X AT(New) 1495 AT Indonesia 160 LARIS
DAIHATSU All New Terios X AT 1496 MT Indonesia 1060 LARIS
DAIHATSU All New Terios R MT 1496 AT Indonesia 376 LARIS
DAIHATSU All New Terios R AT 1496 MT Indonesia 4868 LARIS
DAIHATSU All New Terios R MT 1496 AT Indonesia 2699 LARIS
DATSUN Datsun Cross 1.2 MT 1198 MT Indonesia 797 LARIS
DATSUN Datsun Cross 1.2 CVT 1198 AT Indonesia 1439 LARIS
HONDA Brio RS 1198 MT Indonesia 1463 LARIS
HONDA Brio RS 1198 AT Indonesia 3100 LARIS
HONDA All New CR-V 1500 AT Indonesia 535 LARIS
HONDA All New CR-V Prestige 1500 AT Indonesia 3380 LARIS
HONDA HR-V A 1497 MT Indonesia 0 TIDAK LARIS
HONDA HR-V S 1497 MT Indonesia 1244 LARIS
HONDA HR-V S 1497 CVT Indonesia 1031 LARIS
HONDA HR-V E 1497 CVT Indonesia 8555 LARIS
HONDA BR-V S 1500 MT Indonesia 38 TIDAK LARIS
HONDA BR-V E 1500 MT Indonesia 355 LARIS
HONDA BR-V E 1500 CVT Indonesia 452 LARIS
HONDA BR-V E Prestige 1500 CVT Indonesia 409 LARIS
HONDA CIVIC TYPE R 1500 MT UK 10 TIDAK LARIS
HONDA All New Jazz A AT 15 1497 MT Indonesia 0 TIDAK LARIS
HONDA All New Jazz A AT 16 1497 MT Indonesia 34 TIDAK LARIS
HONDA All New Jazz A AT 17 1497 AT Indonesia 111 LARIS
HONDA All New Jazz RS 15 1497 MT Indonesia 559 LARIS
HONDA All New Jazz RS AT 15 1497 AT Indonesia 3472 LARIS
HONDA Mobilio S 1497 MT Indonesia 2367 LARIS
HONDA Mobilio E 1497 MT Indonesia 2210 LARIS
HONDA Mobilio E 1497 CVT Indonesia 1794 LARIS
HONDA Mobilio E Prestige 1497 CVT Indonesia 0 TIDAK LARIS
HONDA Mobilio RS 1497 MT Indonesia 498 LARIS
HONDA Mobilio RS 1497 CVT Indonesia 782 LARIS
HYUNDAI Grand i10 Grand i10 AT All New i20 1200 MT India 16 TIDAK LARIS
HYUNDAI Grand i10 AT 1200 AT India 22 TIDAK LARIS
HYUNDAI All New i20 1400 MT India 11 TIDAK LARIS
HYUNDAI All New i20 AT 1400 AT India 25 TIDAK LARIS
KIA All New Rio 1400 AT Korea 22 TIDAK LARIS
KIA All New Rio 1400 MT Korea 16 TIDAK LARIS
MAZDA All New Mazda2 1.5 R 1498 AT Thailand 249 LARIS
MAZDA All New Mazda2 1.5 GT 1498 AT Thailand 151 LARIS
MINI Cooper S Countryman 1500 AT UK 18 TIDAK LARIS
MITSUBISHI MOTORS T-120SS 1.5 CHS 1500 MT Indonesia 92 TIDAK LARIS
MITSUBISHI MOTORS Mirage 1.2L EXCEED (4X2) AT 1200 AT Thailand 68 TIDAK LARIS

49
MITSUBISHI MOTORS Mirage 1.2L GLS (4X2) AT 1200 AT Thailand 59 TIDAK LARIS
MITSUBISHI MOTORS Mirage 1.2L GLX (4X2) MT 1200 MT Thailand 132 LARIS
MITSUBISHI MOTORS Xpander 1.5L Ultimate (4X2) A/T 1499 AT Indonesia 14773 LARIS
MITSUBISHI MOTORS Xpander 1.5L Sport (4X2) A/T 1499 AT Indonesia 4939 LARIS
MITSUBISHI MOTORS Xpander 1.5L Exceed (4X2) A/T 1499 AT Indonesia 2585 LARIS
MITSUBISHI MOTORS Xpander 1.5L Exceed (4X2) M/T 1499 MT Indonesia 5993 LARIS
MITSUBISHI MOTORS Xpander 1.5L GLS (4X2) M/T 1499 MT Indonesia 572 LARIS
MITSUBISHI MOTORS Xpander 1.5L GLX (4X2) M/T 1499 MT Indonesia 207 LARIS
NISSAN March 1.2 Mid MT(MC '13) 1200 AT Thailand 269 LARIS
NISSAN March 1.2 Mid AT(MC '13) 1200 AT Thailand 532 LARIS
NISSAN March 1.2 High AT(MC '13) 1200 AT Thailand 111 LARIS
NISSAN March 1.5 MT(MC '13) 1500 MT Thailand 1 TIDAK LARIS
NISSAN March 1.5 AT(MC '13) 1500 AT Thailand 1 TIDAK LARIS
NISSAN New Grand Livina 1.5 SV M/T 1500 MT Indonesia 357 LARIS
NISSAN New Grand Livina1.5 SV CVT 1500 CVT Indonesia 308 LARIS
NISSAN New Grand Livina 1.5 XV M/T 1500 MT Indonesia 313 LARIS
NISSAN New Grand Livina1.5 XV CVT 1500 CVT Indonesia 309 LARIS
NISSAN New Grand Livina 1.5 XV HWS CVT 1500 CVT Indonesia 0 TIDAK LARIS
NISSAN New Grand Livina 1.5 CVTAutech 1500 CVT Indonesia 167 LARIS
NISSAN New Grand Livina 1.5 X-Gear M/T 1500 MT Indonesia 71 TIDAK LARIS
NISSAN New Grand Livina 1.5 X-Gear CVT 1500 CVT Indonesia 87 TIDAK LARIS
NISSAN New Grand Livina HWS M/T 1498 MT Indonesia 59 TIDAK LARIS
NISSAN New Grand Livina HWS CVT 1498 CVT Indonesia 153 LARIS
NISSAN Juke Revolt Grey Interior (MY'14) 1499 CVT Indonesia 41 TIDAK LARIS
NISSAN Juke Revolt Red Interior (MY'14) 1500 CVT Indonesia 43 TIDAK LARIS
NISSAN Juke Revolt 2 1498 CVT Indonesia 22 TIDAK LARIS
PROTON Savvy 1200 MT Malaysia 7 TIDAK LARIS
RENAULT Duster 1.5 dCi 1461 MT India 15 TIDAK LARIS
RENAULT Duster 1.5 dCi RxL 1461 MT India 0 TIDAK LARIS
RENAULT Duster 1.5 dCi RxL (CKD) 1461 MT Indonesia 113 LARIS
RENAULT Kwid 999 MT India 24 TIDAK LARIS
SUZUKI Ignis GL MT 1197 MT India 642 LARIS
SUZUKI Ignis GL AT 1197 AT India 404 LARIS
SUZUKI Ignis GX MT 1197 MT India 1354 LARIS
SUZUKI Ignis GX AT 1197 AT India 2395 LARIS
SUZUKI New Ertiga GA 1373 MT Indonesia 615 LARIS
SUZUKI New Ertiga GL 1373 MT Indonesia 5302 LARIS
SUZUKI New Ertiga GX 1373 MT Indonesia 2043 LARIS
SUZUKI New Ertiga GL AT 1373 AT Indonesia 1363 LARIS
SUZUKI New Ertiga GX AT 1373 MT Indonesia 1099 LARIS
SUZUKI New Ertiga DREZA 1373 MT Indonesia 340 LARIS
SUZUKI New Ertiga DREZA AT 1373 AT Indonesia 252 LARIS
SUZUKI New Ertiga Diesel GX Hybrid 1248 MT India 638 LARIS
SUZUKI Neo Baleno 1490 MT Indonesia 723 LARIS
SUZUKI Neo Baleno AT 1490 AT Indonesia 1704 LARIS
SUZUKI New SX4 S-Cros 1490 MT India 240 LARIS
SUZUKI New SX4 S-Cros AT 1490 AT India 624 LARIS
SUZUKI Carry 1.5 GX 1493 MT Indonesia 281 LARIS
SUZUKI APV-GE 1495 MT Indonesia 399 LARIS

50
SUZUKI APV-GL 1495 MT Indonesia 294 LARIS
SUZUKI APV-GX 1495 MT Indonesia 318 LARIS
SUZUKI APV-GX AT 1495 AT Indonesia 0 TIDAK LARIS
SUZUKI APV SGX 1495 MT Indonesia 297 LARIS
TOYOTA ALL New Avanza 1.3 E BMC 2015 1298 MT Indonesia 840 LARIS
TOYOTA ALL New Avanza 1.3 E A/TBMC 2015 1298 AT Indonesia 985 LARIS
TOYOTA ALL New Avanza 1.3 G BMC 2015 1298 MT Indonesia 12134 LARIS
TOYOTA ALL New Avanza 1.3 G A/TBMC 2015 1298 AT Indonesia 1944 LARIS
TOYOTA ALL New Avanza 1.5 G 1495 MT Indonesia 547 LARIS
TOYOTA ALL New Avanza VELOZ1.3 BMC 2015 1329 MT Indonesia 1747 LARIS
TOYOTA ALL New Avanza VELOZ1.3 A/TBMC 2015 1329 AT Indonesia 799 LARIS
TOYOTA ALL New Avanza VELOZ1.5 BMC 2015 1495 MT Indonesia 3830 LARIS
TOYOTA ALL New Avanza VELOZ1.5 A/TBMC 2015 1495 AT Indonesia 1638 LARIS
TOYOTA Avanza 1.3 A/TTransmover 1298 AT Indonesia 3866 LARIS
TOYOTA Sienta E 1.5 1497 MT Indonesia 25 TIDAK LARIS
TOYOTA Sienta E 1.5 CVT 1497 AT Indonesia 6 TIDAK LARIS
TOYOTA Sienta G 1.5 1497 MT Indonesia 113 LARIS
TOYOTA Sienta G 1.5 CVT 1497 AT Indonesia 170 LARIS
TOYOTA Sienta V 1.5 1497 MT Indonesia 199 LARIS
TOYOTA Sienta V 1.5 CVT 1497 AT Indonesia 703 LARIS
TOYOTA Sienta Q 1.5 CVT 1497 AT Indonesia 355 LARIS
TOYOTA ALL New Rush 1.5 G 1496 MT Indonesia 1838 LARIS
TOYOTA ALL New Rush 1.5 G A/T 1496 AT Indonesia 1471 LARIS
TOYOTA ALL New Rush 1.5 TRD Sportivo 1496 MT Indonesia 5998 LARIS
TOYOTA ALL New Rush 1.5 TRD Sportivo A/T 1496 AT Indonesia 5637 LARIS
TOYOTA All NewYaris 1.5 ATTRD Sportivo 1500 MT Indonesia 2 TIDAK LARIS
TOYOTA All NewYaris 1.5 Haykers 1500 MT Indonesia 0 TIDAK LARIS
TOYOTA All NewYaris 1.5 Haykers AT 1500 AT Indonesia 19 TIDAK LARIS
TOYOTA New Yaris 1.5 E 1496 MT Indonesia 116 LARIS
TOYOTA New Yaris 1.5 E CVT 1496 AT Indonesia 143 LARIS
TOYOTA New Yaris 1.5 G 1496 MT Indonesia 416 LARIS
TOYOTA New Yaris 1.5 G CVT 1496 AT Indonesia 678 LARIS
TOYOTA New Yaris 1.5 TRD Sportivo 1496 MT Indonesia 792 LARIS
TOYOTA New Yaris 1.5 TRD Sportivo CVT 1496 AT Indonesia 1735 LARIS
VOLKSWAGEN Golf 1.4 TSI AT 1400 AT Germany 3 TIDAK LARIS
VOLKSWAGEN Polo 1.2 GTTSI AT 1200 AT India 105 LARIS
VOLKSWAGEN Polo 1.4 1400 AT Germany 0 TIDAK LARIS
VOLKSWAGEN Scirocco 1.4 1400 AT Germany 5 TIDAK LARIS
VOLKSWAGEN Tiguan 1.4 AT 1400 AT Germany 59 TIDAK LARIS
WULING Confero S 1.5 1500 MT Indonesia 760 LARIS
WULING Confero S 1.5C 1500 MT Indonesia 801 LARIS
WULING Confero S 1.5L 1500 MT Indonesia 1272 LARIS
BMW VL36 X1 sDrive18i 2000 AT Indonesia 0 TIDAK LARIS
BMW HS16 X1 SDRIVE18I 2000 AT Indonesia 3 TIDAK LARIS
BMW JG16 X1 SDRIVE18I 2000 AT Indonesia 212 LARIS
CHEVROLET Orlando 1.8L 1800 AT South Korea 47 TIDAK LARIS
CHEVROLET Captiva 2.4 AT 2400 AT Thailand 1 TIDAK LARIS
CHEVROLET Captiva 2.0 Dsl 2000 AT Thailand 67 TIDAK LARIS
MITSUBISHI MOTORS Pajero Sport 2.4L DAKAR (4x4) 8AT 2442 AT Indonesia 115 LARIS
MITSUBISHI MOTORS Pajero Sport 2.4L DAKAR (4x4) 8AT 2442 AT Thailand 0 TIDAK LARIS

51
MITSUBISHI MOTORS Pajero Sport 2.5L GLX (4x4) 5MT 2477 MT Indonesia 174 LARIS
BMW KT62 X5 M 4400 AT Germany 0 TIDAK LARIS
BMW KR01 X5 XDRIVE35I 4400 AT Germany 1 TIDAK LARIS
LEXUS Lexus RX 300 3456 AT Japan 386 LARIS
LEXUS Lexus RX 350 3456 AT Japan 1 TIDAK LARIS
LEXUS Lexus LX 570 5663 AT Japan 34 TIDAK LARIS
MAZDA All New CX-9 3726 AT Japan 121 LARIS
TOYOTA Land Cruiser 200 4700 MT Japan 79 TIDAK LARIS
TOYOTA Land Cruiser 70 4461 MT Japan 0 TIDAK LARIS
TOYOTA Fortuner VRZ2.7 DSL FMC 2015 4x4 AT 2694 AT Indonesia 183 LARIS
TOYOTA Fortuner G 2.7 DSL FMC 4x4 2015 AT 2694 AT Indonesia 38 TIDAK LARIS
VOLKWAGEN Touareg 3.0 TDI 3000 AT Germany 0 TIDAK LARIS
MITSUBISHI FUSO FE 71 BC - 4 W 3908 MT Indonesia 220 LARIS
MITSUBISHI FUSO FE 83 BC - 6 W 3908 MT Indonesia 7 TIDAK LARIS
MITSUBISHI FUSO FE 84G BC - 6 W 3908 MT Indonesia 336 LARIS
HINO FB 130 4009 MT Indonesia 53 TIDAK LARIS
HINO Dutro 110 SD-B 4009 MT Indonesia 3 TIDAK LARIS
HINO Dutro 110 SD-LB 4009 MT Indonesia 1 TIDAK LARIS
HINO Dutro 110LD-LB 4009 MT Indonesia 0 TIDAK LARIS
HINO New 110 SDB 4009 MT Indonesia 3 TIDAK LARIS
HINO New 110 SDBL 4009 MT Indonesia 30 TIDAK LARIS
TATA MOTORS LP 713 5675 MT India 11 TIDAK LARIS
HINO FC 190 J Bus 5123 MT Indonesia 7 TIDAK LARIS
HINO A 215 7684 MT Indonesia 23 TIDAK LARIS
HINO R 235 7684 MT Indonesia 0 TIDAK LARIS
HINO R 260 7684 MT Indonesia 458 LARIS
HINO RN 285 7684 MT Indonesia 31 TIDAK LARIS
SCANIA K250UB-4X2 9000 AT Swedia 0 TIDAK LARIS
SCANIA K310IB-6X2 9000 AT Swedia 30 TIDAK LARIS
SCANIA K360IB-4X2 13000 MT Swedia 0 TIDAK LARIS
SCANIA K320IA-6X2/2 9000 AT Swedia 0 TIDAK LARIS
SCANIA K410IB-6X2*4 13000 AT Swedia 11 TIDAK LARIS
CHEVROLET Colorado Crew Cab 2.5 2500 MT Thailand 37 TIDAK LARIS
CHEVROLET Colorado 2.8L High Country (4x4) A/T 2500 AT Thailand 27 TIDAK LARIS
DAIHATSU Gran MaxPU STD 1298 MT Indonesia 3108 LARIS
DAIHATSU Gran MaxPU 3-Way 1298 MT Indonesia 692 LARIS
DAIHATSU Gran MaxPU STD 1495 MT Indonesia 11215 LARIS
DAIHATSU Gran MaxPU 3-Way 1495 MT Indonesia 431 LARIS
DAIHATSU HiMaxPU 1.0 STD 998 MT Indonesia 35 TIDAK LARIS
DAIHATSU HiMaxPU 1.0 AC PS 998 MT Indonesia 50 TIDAK LARIS
HYUNDAI H-100 PU 2600 MT Korea 17 TIDAK LARIS
HYUNDAI H-100 Chs 2600 MT Korea 6 TIDAK LARIS
ISUZU Bison Flet Bed 2499 MT Indonesia 8 TIDAK LARIS
ISUZU Traga 2499 MT Indonesia 340 LARIS
ISUZU Panther PU STD 2499 MT Indonesia 201 LARIS
ISUZU Panther PU F/D 2499 MT Indonesia 106 LARIS
ISUZU Panther PU GD 3 Way 2499 MT Indonesia 103 LARIS
ISUZU D-MAX SC 2499 MT Thailand 10 TIDAK LARIS
KIA K-2700 BIG-UP PU 2665 MT Korea 50 TIDAK LARIS
MITSUBISHI MOTORS T-120SS 1.5 PU FLD 1500 MT Indonesia 2757 LARIS

52
MITSUBISHI MOTORS T-120SS 1.5 PU STD 1500 MT Indonesia 444 LARIS
MITSUBISHI MOTORS T-120SS 1.5 PU 3 Way 1500 MT Indonesia 306 LARIS
MITSUBISHI MOTORS L300 D P/U FLD 2500 MT Indonesia 6419 LARIS
MITSUBISHI MOTORS L300 D P/U STD 2500 MT Indonesia 1141 LARIS
MITSUBISHI MOTORS L300 D C/H 2500 MT Indonesia 178 LARIS
MITSUBISHI MOTORS L300 D CC 2477 MT Indonesia 659 LARIS
MITSUBISHI MOTORS Triton 2.5L SC HDX (4X4) MT 2477 MT Thailand 788 LARIS
MITSUBISHI MOTORS Triton 2.5L SC GLX (4X2) MT 2477 MT Thailand 166 LARIS
MITSUBISHI MOTORS Triton 2.5L CC GLX (4X2) MT 2477 MT Thailand 1 TIDAK LARIS
SUZUKI APV PU 1495 MT Indonesia 3742 LARIS
SUZUKI APV PU X-TRA 1495 MT Indonesia 2137 LARIS
SUZUKI Carry 1.5 PU FD 1493 MT Indonesia 10418 LARIS
SUZUKI Carry 1.5 PU WD 1493 MT Indonesia 1862 LARIS
DFSK DFSK DXK1021TYQ1 1.5 AC STD (4X2) MT 1498 MT Indonesia 237 LARIS
DFSK DFSK DXK1021TYD1 1.3TAC STD (4X2) MT 1248 MT Indonesia 18 TIDAK LARIS
DFSK DFSK DXK1021TYDJ1 1.3T(4X2) MT 1248 MT Indonesia 0 TIDAK LARIS
TATA Super Ace Dle 1405 MT India 4 TIDAK LARIS
TATA Super Ace Dls 1405 MT India 127 LARIS
TATA Super Ace Dls SC CHA 1405 MT India 8 TIDAK LARIS
TATA Xenon RX 2956 MT India 94 TIDAK LARIS
TATA ACE EX2 702 MT India 14 TIDAK LARIS
TATA Xenon XT 2179 MT India 5 TIDAK LARIS
TOYOTA HiLux2.5 P/U SC E 2500 MT Thailand 395 LARIS
TOYOTA HiLux2.5 P/U Extra SC E 2494 MT Thailand 0 TIDAK LARIS
TOYOTA HiLux2.0 P/U SC 2000 MT Thailand 702 LARIS
FAW Mini Mixer CA 5075GJBYA81 (DB130 MT) 4214 MT China 3 TIDAK LARIS
HINO Dutro 110 SD STD 4009 MT Indonesia 487 LARIS
HINO Dutro 110SD-LT 4009 MT Indonesia 2 TIDAK LARIS
HINO Dutro 110 LD STD 4009 MT Indonesia 0 TIDAK LARIS
HINO Dutro 110 HD STD 4009 MT Indonesia 166 LARIS
HINO Dutro 130 MD STD 4009 MT Indonesia 3 TIDAK LARIS
HINO Dutro 130 MD-L 4009 MT Indonesia 4 TIDAK LARIS
HINO Dutro 130 HD STD 6.4 4009 MT Indonesia 2810 LARIS
HINO New 110 SDR 4009 MT Indonesia 58 TIDAK LARIS
HINO New 110 SDL 4009 MT Indonesia 355 LARIS
HINO New 110 LD 4009 MT Indonesia 110 LARIS
HINO New 110 LDL 4009 MT Indonesia 54 TIDAK LARIS
HINO New 130 MD 4009 MT Indonesia 25 TIDAK LARIS
HINO New 130 MDL 4009 MT Indonesia 289 LARIS
HINO New 130 HD Cargo 4009 MT Indonesia 2 TIDAK LARIS
HINO New 130 HDL Cargo 4009 MT Indonesia 269 LARIS
FAW Chassis CA2080P40K8T5YA84 (DD130CG) 4214 MT Indonesia 0 TIDAK LARIS
ISUZU NKR 55 C/C 2771 MT Indonesia 0 TIDAK LARIS
ISUZU NQR71 EC 4570 MT Indonesia 117 LARIS
ISUZU NKR71 STD 5,8 4570 MT Indonesia 35 TIDAK LARIS
ISUZU NMR71TSD 4570 MT Indonesia 382 LARIS
ISUZU NMR71THD 5.8 4570 MT Indonesia 918 LARIS
ISUZU NLR55 T 2771 MT Indonesia 727 LARIS
ISUZU NLR55 B 2771 MT Indonesia 179 LARIS
ISUZU NLR55 BX 2771 MT Indonesia 302 LARIS
ISUZU NLR71 T 4570 MT Indonesia 55 TIDAK LARIS
ISUZU NLR71 BL 4570 MT Indonesia 18 TIDAK LARIS
ISUZU NHR 55 C/C 2771 MT Indonesia 18 TIDAK LARIS

53
ISUZU NHR 55 C/O 2771 MT Indonesia 11 TIDAK LARIS
ISUZU NKR 55 C/O 2771 MT Indonesia 2 TIDAK LARIS
ISUZU NKR 55 LWB 2771 MT Indonesia 44 TIDAK LARIS
ISUZU NMR71TSDL 4570 MT Indonesia 459 LARIS
ISUZU NMR71THD 6.1 4570 MT Indonesia 1638 LARIS
ISUZU FRR90 5193 MT Indonesia 49 TIDAK LARIS
MITSUBISHI FUSO FE 71 - 4 W 3908 MT Indonesia 2621 LARIS
MITSUBISHI FUSO FE 73 - 6 W 3908 MT Indonesia 223 LARIS
MITSUBISHI FUSO FE 73 HD - 6 W 3908 MT Indonesia 62 TIDAK LARIS
MITSUBISHI FUSO FE 74 HDV - 6 W 3908 MT Indonesia 7419 LARIS
MITSUBISHI FUSO FE 74 S - 6 W 3908 MT Indonesia 1650 LARIS
MITSUBISHI FUSO FE 75 SUPER HD - 6 W 3908 MT Indonesia 3502 LARIS
MITSUBISHI FUSO FE 84 - 6 W 3908 MT Indonesia 1051 LARIS
TATA MOTORS Ultra 1012/45 3784 MT India 3 TIDAK LARIS
TATA MOTORS Ultra 1012/33 3784 MT India 0 TIDAK LARIS
TATA MOTORS LPT913 3784 MT India 64 TIDAK LARIS
TOYOTA Dyna ST110 4009 MT Indonesia 0 TIDAK LARIS
TOYOTA Dyna ST110 PS STD 3784 MT Indonesia 70 TIDAK LARIS
TOYOTA Dyna FT110 PS 3784 MT Indonesia 5 TIDAK LARIS
TOYOTA Dyna ET110 5675 MT Indonesia 0 TIDAK LARIS
TOYOTA Dyna ET110 PS 4009 MT Indonesia 20 TIDAK LARIS
TOYOTA Dyna HT130 Hi Gear 4009 MT Indonesia 220 LARIS
TOYOTA Dyna HT130 STD Gear 4009 MT Indonesia 30 TIDAK LARIS
TOYOTA Dyna HT130 Extreme HI Gear 4009 MT Indonesia 30 TIDAK LARIS
TOYOTA Dyna HT130 PS Expedition 4009 MT Indonesia 0 TIDAK LARIS
TOYOTA Dyna XT130 PS Long HIGH Gear 4009 MT Indonesia 10 TIDAK LARIS
TOYOTA Dyna XT130 PS Long HIGH Gear 4009 MT Indonesia 5 TIDAK LARIS
TOYOTA Dyna FT130 PS Off Road Hi Gear 4009 MT Indonesia 5 TIDAK LARIS
HINO FG 215 JE 7684 MT Indonesia 0 TIDAK LARIS
HINO FG 215 JP 7684 MT Indonesia 0 TIDAK LARIS
HINO FC 190 J 5123 MT Indonesia 12 TIDAK LARIS
HINO FG 235 JJ 7684 MT Indonesia 186 LARIS
HINO FG 245 JJ 7684 MT Indonesia 5 TIDAK LARIS
HINO FG 235 JK 7684 MT Indonesia 76 TIDAK LARIS
HINO FG 245 JK 7684 MT Indonesia 0 TIDAK LARIS
HINO FG 235 JL 7684 MT Indonesia 100 LARIS
HINO FG 245 JL 7684 MT Indonesia 1 TIDAK LARIS
HINO FG 235 JP 7684 MT Indonesia 443 LARIS
HINO FG 260 JM 7684 MT Indonesia 8 TIDAK LARIS
HINO FG 235 JS 7684 MT Indonesia 145 LARIS
FAW Chassis CA1313P2K2L7T4EA80 (HD310CG) 9700 MT Indonesia 0 TIDAK LARIS
ISUZU FVR34P 7790 MT Indonesia 99 TIDAK LARIS
ISUZU FVR34L 7790 MT Indonesia 7 TIDAK LARIS
ISUZU FVR34S 7790 MT Indonesia 60 TIDAK LARIS
ISUZU FTR90P 5193 MT Indonesia 6 TIDAK LARIS
ISUZU FTR90S 5193 MT Indonesia 75 TIDAK LARIS
ISUZU FTR90L 5193 MT Indonesia 8 TIDAK LARIS
ISUZU FVM34 Q 7790 MT Indonesia 23 TIDAK LARIS
ISUZU GVR34H 7790 MT Indonesia 164 LARIS
MITSUBISHI FUSO FM 517 HS (4X2) 7545 MT Indonesia 222 LARIS
MITSUBISHI FUSO FM 517 HL (4X2) 7545 MT Indonesia 198 LARIS
MITSUBISHI FUSO FN 517 ML2 (6X2) 7545 MT Indonesia 198 LARIS
MITSUBISHI FUSO FI 1217 (4X2) M/T 3907 MT India 0 TIDAK LARIS
SCANIA P310LB-4X2 9000 MT Swedia 0 TIDAK LARIS
UD TRUCKS CKE25042R 7698 MT Thailand 93 TIDAK LARIS

54
FAW Tractor Head CA416P1K2YA80 ( DB300TH ) 7700 MT Indonesia 9 TIDAK LARIS
FAW Tractor Head CA4322P2K15T1YA80 (FD336TH ) 9726 MT Indonesia 3 TIDAK LARIS
FAW Tractor Head CA4252P21KK2T1A1Y (FD420TH) 11040 MT China 3 TIDAK LARIS
FAW Tractor Head CA4250P66K24T1A1EX (FD420TH/J6) 11040 MT China 0 TIDAK LARIS
FAW Chassis CA1320P2K15L3T1YA80 (FD336CG) 9726 MT Indonesia 2 TIDAK LARIS
FAW Chassis CA1310P2K15L7T4YA80 (HD360CG) 9726 MT Indonesia 38 TIDAK LARIS
FAW Chassis Cargo CA 1253P7K2L11T1 (FD280CG) 7700 MT China 3 TIDAK LARIS
FAW Chassis Cargo CA1254P7K2L11T1 (FD280CT) 7700 MT China 2 TIDAK LARIS
FAW Chassis Cargo CA1310PK2L7T4A80 ( HD220 CG) 6557 MT China 0 TIDAK LARIS
FAW Damp Truck CA3256P2K15T1YA80 (FD336DT) 9726 MT China 31 TIDAK LARIS
FAW Damp Truck CA 3312P2K15T4YA80 (HD360DT) 9726 MT China 6 TIDAK LARIS
FAW Damp Truck CA3253P7K2T1 ( FD 280DT) 7700 MT China 8 TIDAK LARIS
FAW Mixer CA 5250 GJB ( FD 280 MT) 7700 MT China 5 TIDAK LARIS
FAW Self Loader CA 1320P2K15L3T1YA80 (FD336SL) 9726 MT China 2 TIDAK LARIS
FAW Tractor Head CA4258P2K15T1NYA80 (FD38-CNG) 11596 MT China 0 TIDAK LARIS
HINO SG 260 TH 7684 MT Indonesia 367 LARIS
HINO SG 285 TH 7684 MT Indonesia 42 TIDAK LARIS
HINO FL 235 JN 7684 MT Indonesia 79 TIDAK LARIS
HINO FL 245 JN 7684 MT Indonesia 3 TIDAK LARIS
HINO FL 235 JW 7684 MT Indonesia 935 LARIS
HINO FL 260 JT 7684 MT Indonesia 109 LARIS
HINO FM 235 JD 7684 MT Indonesia 2 TIDAK LARIS
HINO FL 260 JW 7684 MT Indonesia 471 LARIS
HINO FM 260 JW 7684 MT Indonesia 299 LARIS
HINO FM 260 JD 7684 MT Indonesia 2525 LARIS
HINO FM 285 JW 7684 MT Indonesia 21 TIDAK LARIS
HINO FM 285 JD 7684 MT Indonesia 16 TIDAK LARIS
HINO FM 260 JM 7684 MT Indonesia 73 TIDAK LARIS
HINO FM 285 JM 7684 MT Indonesia 3 TIDAK LARIS
HINO FM 350 PL 10520 MT Indonesia 6 TIDAK LARIS
HINO FM 350 PD 10520 MT Indonesia 21 TIDAK LARIS
HINO FM 260 TH 7684 MT Indonesia 0 TIDAK LARIS
HINO FM 265 TH 7684 MT Indonesia 32 TIDAK LARIS
HINO FM 285 TH 7684 MT Indonesia 44 TIDAK LARIS
HINO FG 235 TH 7684 MT Indonesia 341 LARIS
HINO FG 245 TH 7684 MT Indonesia 0 TIDAK LARIS
HINO ZY - HR 12913 MT Japan 31 TIDAK LARIS
HINO ZS4141 12913 MT Japan 34 TIDAK LARIS
HINO FM 350 TH 10520 MT Indonesia 162 LARIS
ISUZU FVZ34 P 7790 MT Indonesia 510 LARIS
ISUZU FVZ34 TLWB 7790 MT Indonesia 157 LARIS
ISUZU FVM34 W 7790 MT Indonesia 328 LARIS
ISUZU GVZ34K 7790 MT Indonesia 52 TIDAK LARIS
MAN TRUCK CLA 18,280 BBS-WW 6900 MT India 11 TIDAK LARIS
MAN TRUCK CLA 26,280 BB-WW 6900 MT India 16 TIDAK LARIS
MAN TRUCK CLA 31,280 BB-WW 6900 MT India 0 TIDAK LARIS
MAN TRUCK TGS 33,360 BBS-WW 10500 MT Germany 1 TIDAK LARIS
MAN TRUCK TGS 40,400 BBS-WW 10500 MT Germany 1 TIDAK LARIS
MAN TRUCK TGS 40,440 BBS-WW 12500 MT Germany 13 TIDAK LARIS
MITSUBISHI FUSO FN 527 ML (6X4) 7545 MT Indonesia 1033 LARIS

55
MITSUBISHI FUSO FN 527 MS (6X4) 7545 MT Indonesia 456 LARIS
MITSUBISHI FUSO FJ 2523 (6X2) M/T 6373 MT India 30 TIDAK LARIS
MITSUBISHI FUSO FJ 2528 (6X4) M/T 6373 MT India 2 TIDAK LARIS
MITSUBISHI FUSO FZY1W 230T(4x2) M/T 6373 MT India 1 TIDAK LARIS
MITSUBISHI FUSO FZY1W 280T(4x2) M/T 6373 MT India 47 TIDAK LARIS
MITSUBISHI FUSO FV 51 JH 380 PS (6X4) 12882 MT Japan 0 TIDAK LARIS
MITSUBISHI FUSO FZ4928 T6X4 M/T(T.HEAD) 6373 MT Japan 2 TIDAK LARIS
SCANIA P360CB-4X4 13000 MT Swedia 2 TIDAK LARIS
SCANIA P410CB-4X4 13000 MT Swedia 0 TIDAK LARIS
SCANIA P360LA-6X4 13000 MT Swedia 5 TIDAK LARIS
SCANIA P360CB-6X4 13000 MT Swedia 122 LARIS
SCANIA P460LA-6X4 13000 MT Swedia 7 TIDAK LARIS
SCANIA P310LA-6X4 9000 MT Swedia 0 TIDAK LARIS
SCANIA P460CA-6X6 13000 MT Swedia 4 TIDAK LARIS
SCANIA P460CB-4X4 13000 MT Swedia 3 TIDAK LARIS
SCANIA R580LA-6X4 13000 MT Swedia 6 TIDAK LARIS
SCANIA P360CB-6X6 13000 MT Swedia 34 TIDAK LARIS
SCANIA P410CA-6X6 13000 MT Swedia 0 TIDAK LARIS
SCANIA P410CB-8X4 13000 MT Swedia 94 TIDAK LARIS
SCANIA P380CB-6X4 13000 MT Swedia 0 TIDAK LARIS
TATA MOTORS Prima 4023.S NON-AC 6700 MT India 0 TIDAK LARIS
TATA MOTORS Prima 4028.S NON-AC 6700 MT India 1 TIDAK LARIS
TATA MOTORS Prima 4928.S NON-AC 6700 MT India 0 TIDAK LARIS
TATA MOTORS Prima LX 2528K 6700 MT India 17 TIDAK LARIS
UD TRUCKS GKE28042T 7698 MT Thailand 178 LARIS
UD TRUCKS CDE25062R 7698 MT Thailand 206 LARIS
UD TRUCKS CDE28062R 7698 MT Thailand 100 LARIS
UD TRUCKS GDE 28062T 7698 MT Thailand 81 TIDAK LARIS
UD TRUCKS CWE28064R 7698 MT Thailand 216 LARIS
UD TRUCKS CWE37064R 10837 MT Thailand 117 LARIS
UD TRUCKS GWE28064T 7698 MT Thailand 54 TIDAK LARIS
UD TRUCKS GWE33064T 7698 MT Thailand 16 TIDAK LARIS
UD TRUCKS GWE37064T 10837 MT Thailand 8 TIDAK LARIS
UD TRUCKS CQE28082R 7698 MT Thailand 10 TIDAK LARIS
UD TRUCKS CGE37084R 10837 MT Thailand 0 TIDAK LARIS
ISUZU D-MAX DC 2499 MT Thailand 163 LARIS
ISUZU D-MAX Rodeo MT 2499 MT Thailand 12 TIDAK LARIS
MITSUBISHI MOTORS Triton 2.5L DC EXCEED (4X4) AT 2477 AT Thailand 71 TIDAK LARIS
MITSUBISHI MOTORS Triton 2.5L DC EXCEED (4X4) MT 2477 MT Thailand 236 LARIS
MITSUBISHI MOTORS Triton 2.5L DC GLS (4X4) MT 2477 MT Thailand 1289 LARIS
MITSUBISHI MOTORS Triton 2.5L DC HDX (4X4) MT 2477 MT Thailand 1856 LARIS
NISSAN New Navara SL 2.5 Mid MT 2500 MT Thailand 295 LARIS
NISSAN New Navara VL 2.5 Hi MT 2500 AT Thailand 44 TIDAK LARIS
NISSAN New Navara VL 2.5 Hi AT 2500 MT Thailand 213 LARIS
NISSAN Navara 2.5 4x4 A/TAutech 2500 AT Thailand 0 TIDAK LARIS
TOYOTA HiLux2.4 P/U DC E 2394 MT Thailand 285 LARIS
TOYOTA HiLux2.4 P/U DC G 2394 MT Thailand 929 LARIS
TOYOTA HiLux2.4 P/U DC V 2394 AT Thailand 259 LARIS
TOYOTA HiLux2.4 P/U Extra Cab 2394 AT Thailand 106 LARIS
TOYOTA HiLux2.5 P/U DC G 2500 MT Thailand 0 TIDAK LARIS
TOYOTA HiLux2.5 P/U DC E 2500 MT Thailand 1 TIDAK LARIS
TOYOTA HiLux2.5 P/U DC V 2500 AT Thailand 0 TIDAK LARIS
DAIHATSU New Ayla 1.0 D 998 MT Indonesia 15 TIDAK LARIS
DAIHATSU New Ayla 1.0 D+ 998 MT Indonesia 992 LARIS
DAIHATSU New Ayla 1.0 M MT 998 MT Indonesia 1022 LARIS
DAIHATSU New Ayla 1.0 M AT 998 AT Indonesia 308 LARIS
DAIHATSU New Ayla 1.0 X MT 998 MT Indonesia 2270 LARIS
DAIHATSU New Ayla 1.0 X AT 998 AT Indonesia 727 LARIS
DAIHATSU New Ayla 1.0 X MT(Airbag) 998 MT Indonesia 7 TIDAK LARIS
DAIHATSU New Ayla 1.0 X AT(Airbag) 998 AT Indonesia 14 TIDAK LARIS

56
DAIHATSU New Ayla 1.2 X MT(Airbag) 1197 MT Indonesia 888 LARIS
DAIHATSU New Ayla 1.2 X AT(Airbag) 1197 AT Indonesia 289 LARIS
DAIHATSU New Ayla 1.2 R MT(Airbag) 1197 MT Indonesia 2522 LARIS
DAIHATSU New Ayla 1.2 R AT(Airbag) 1197 AT Indonesia 1523 LARIS
DAIHATSU Sigra 1.0 D MT 998 MT Indonesia 1244 LARIS
DAIHATSU Sigra 1.0 M MT 998 MT Indonesia 2351 LARIS
DAIHATSU Sigra 1.2 X MT 1197 MT Indonesia 3002 LARIS
DAIHATSU Sigra 1.2 X AT 1197 AT Indonesia 204 LARIS
DAIHATSU Sigra 1.2 R MT 1197 MT Indonesia 9488 LARIS
DAIHATSU Sigra 1.2 R AT 1197 AT Indonesia 1130 LARIS
DATSUN Datsun GO+ T 1198 MT Indonesia 0 TIDAK LARIS
DATSUN Datsun GO+ TOption 1198 MT Indonesia 367 LARIS
DATSUN Datsun GO+ TStyle 1198 MT Indonesia 1390 LARIS
DATSUN Datsun GO+ TUltimate 1198 MT Indonesia 63 TIDAK LARIS
DATSUN Datsun GO D 1198 MT Indonesia 0 TIDAK LARIS
DATSUN Datsun GO T 1198 MT Indonesia 1 TIDAK LARIS
DATSUN Datsun GO TOption 1198 MT Indonesia 48 TIDAK LARIS
DATSUN Datsun GO Tactive 1198 MT Indonesia 1013 LARIS
DATSUN Datsun GO TUltimate 1198 MT Indonesia 628 LARIS
DATSUN New Datsun GO A 1198 MT Indonesia 0 TIDAK LARIS
DATSUN New Datsun GO T 1198 MT Indonesia 48 TIDAK LARIS
DATSUN New Datsun GO TActive 1198 MT Indonesia 300 LARIS
HONDA Brio SATYA S 1198 MT Indonesia 929 LARIS
HONDA Brio SATYA E 1198 MT Indonesia 8030 LARIS
HONDA Brio SATYA E 1198 AT Indonesia 7685 LARIS
SUZUKI Karimun Wagon R GA 998 MT Indonesia 12 TIDAK LARIS
SUZUKI Karimun Wagon R GL 998 MT Indonesia 966 LARIS
SUZUKI Karimun Wagon R GX 998 MT Indonesia 0 TIDAK LARIS
SUZUKI Karimun Wagon R GS 998 MT Indonesia 276 LARIS
SUZUKI Karimun Wagon R GA 998 AT Indonesia 0 TIDAK LARIS
SUZUKI Karimun Wagon R GL 998 AT Indonesia 166 LARIS
SUZUKI Karimun Wagon R GX 998 AT Indonesia 0 TIDAK LARIS
SUZUKI Karimun Wagon R GS 998 AT Indonesia 161 LARIS
TOYOTA New Agya 1.0 G 1000 MT Indonesia 117 LARIS
TOYOTA New Agya 1.2 G 1200 MT Indonesia 1437 LARIS
TOYOTA New Agya1.2 G AT 1200 AT Indonesia 822 LARIS
TOYOTA New Agya1.2 G TRD AT 1200 AT Indonesia 2662 LARIS
TOYOTA New Agya1.2 G TRD 1200 AT Indonesia 4187 LARIS
TOYOTA Calya 1.2 E STD 1200 MT Indonesia 915 LARIS
TOYOTA Calya 1.2 E 1200 MT Indonesia 2230 LARIS
TOYOTA Calya 1.2 E A/T 1200 AT Indonesia 0 TIDAK LARIS
TOYOTA Calya 1.2 G 1200 MT Indonesia 13860 LARIS
TOYOTA Calya 1.2 G A/T 1200 AT Indonesia 4530 LARIS

57
Lampiran 2 Testing Data
CATEGORY BRAND TYPE MODEL CC TRANS ORIGIN COUNTRY OUTPUT CLASS
4X2 TYPE CHEVROLET Trailblazer 2500 AT Thailand 172
4X2 TYPE HONDA All New CR-V 2000 AT Indonesia 61
4X2 TYPE HONDA CIVIC 5D S 2400 AT Thailand 60
4X2 TYPE HONDA CIVIC 5D E 2400 AT Thailand 1035
4X2 TYPE HONDA HR-V Prestige 1800 CVT Indonesia 1731
4X2 TYPE HONDA Odyssey Prestige 2354 AT Japan 101
4X2 TYPE HYUNDAI All New Tucson 2000 AT Korea 37
4X2 TYPE HYUNDAI All New Tucson CRDi 2000 AT Korea 15
4X2 TYPE HYUNDAI New Santa FE CRDI 2200 AT Korea 33
4X2 TYPE HYUNDAI New Santa FE 2400 AT Korea 18
4X2 TYPE HYUNDAI H-1 2.4 2400 AT Indonesia 55
4X2 TYPE HYUNDAI H-1 2.5 CRDI 2500 AT Indonesia 94
4X2 TYPE HYUNDAI Starex2.5 CRDi 2500 MT Indonesia 54
4X2 TYPE HYUNDAI Starex2.4 2400 MT Indonesia 15
4X2 TYPE ISUZU Panther LM 2499 MT Indonesia 113
4X2 TYPE ISUZU Panther LV 2499 MT Indonesia 107
4X2 TYPE ISUZU Panther LS 2499 MT Indonesia 86
4X2 TYPE ISUZU Panther G Touring MT 2499 MT Indonesia 74
4X2 TYPE ISUZU MU-X 2499 AT Thailand 174
4X2 TYPE KIA Sportage GTUltimate 1999 AT Korea 10
4X2 TYPE LEXUS Lexus NX 300 1998 AT Japan 83
4X2 TYPE LEXUS Lexus RX 200t 2000 AT Japan 0
4X2 TYPE MAZDA CX-3 2.0 Touring 1998 AT Japan 178
4X2 TYPE MAZDA CX-3 2.0 Grand Touring 1998 AT Japan 74
4X2 TYPE MAZDA All New CX-5 Grand Touring 2488 AT Japan 47
4X2 TYPE MAZDA All New CX-5 Elite 2488 AT Japan 527
4X2 TYPE MAZDA All New CX-5 Touring 2489 AT Japan 4
4X2 TYPE MAZDA Mazda 3 1998 AT Japan 39
4X2 TYPE MAZDA Mazda 3 Speed 1998 AT Japan 8
4X2 TYPE MAZDA Mazda 6 Estate 2488 AT Japan 26
4X2 TYPE MAZDA Biante SKYACTIV 1997 AT Japan 207
4X2 TYPE MAZDA Mazda 5 1997 AT Japan 23
4X2 TYPE MINI Cooper 1600 AT UK 17
4X2 TYPE MINI Cooper S 1600 AT UK 16
4X2 TYPE MINI John Cooper Works RL 1600 AT UK 11
4X2 TYPE MINI Cooper 5 Door 1600 AT UK 17
4X2 TYPE MINI Cooper S 5 Door 1600 AT UK 2
4X2 TYPE MINI Cooper Clubman 1600 AT UK 5
4X2 TYPE MINI Cooper S Clubman 1600 AT UK 6
4X2 TYPE MINI Cooper Cabrio / Convertible 1600 AT UK 6
4X2 TYPE MINI Cooper S Cabrio / Convertible 1600 AT UK 2
4X2 TYPE MINI Cooper Countryman 1600 AT UK 19
4X2 TYPE MINI Cooper Cooper John Countryman Paceman
2000 AT UK 0
4X2 TYPE MINI Cooper John Cooper Countryman 2000 AT UK 2
4X2 TYPE MITSUBISHI MOTORS Outlander SPORT2.0L PX ATAction 1998 AT Indonesia 165
4X2 TYPE MITSUBISHI MOTORS Outlander SPORT2.0L PX AT 1998 AT Indonesia 0
4X2 TYPE MITSUBISHI MOTORS Outlander SPORT2.0L GLS AT 1998 AT Indonesia 46
4X2 TYPE MITSUBISHI MOTORS Outlander SPORT2.0L GLX MT 1998 MT Indonesia 85
4X2 TYPE MITSUBISHI MOTORS Pajero Sport 2.4L DAKAR (4x2) 8AT 2442 AT Indonesia 5987
4X2 TYPE MITSUBISHI MOTORS Pajero Sport 2.4L DAKAR (4x2) 8AT 2442 AT Thailand 3
4X2 TYPE MITSUBISHI MOTORS Pajero Sport 2.4L DAKAR Utimate (4x2)
24428AT
AT Indonesia 1002
4X2 TYPE MITSUBISHI MOTORS Pajero Sport 2.5 E HP (4X2) 5 AT- DAKAR
2477 AT Thailand 0
4X2 TYPE MITSUBISHI MOTORS Pajero Sport 2.5 L EXCEED (4X2) 5AT2477 AT Indonesia 331
4X2 TYPE MITSUBISHI MOTORS Pajero Sport 2.5 L EXCEED (4X2) 5AT2477 MT Thailand 30
4X2 TYPE MITSUBISHI MOTORS Delica 1998 AT Japan 0
4X2 TYPE MITSUBISHI MOTORS Delica Royal 1998 AT Japan 26
4X2 TYPE NISSAN New Serena -Low X 2000 AT Indonesia 27
4X2 TYPE NISSAN New Serena-HWS 2000 AT Indonesia 253
4X2 TYPE NISSAN New Serena-Autech 2000 AT Indonesia 102
4X2 TYPE NISSAN New X-Trail Hybrid 2.0 CVT 2000 CVT Indonesia 1
4X2 TYPE NISSAN New X-Trail 2.0 MT2014 2500 AT Japan 13
4X2 TYPE NISSAN New X-Trail 2.0 CVT2014 2488 CVT Indonesia 197
4X2 TYPE NISSAN New X-Trail 2.5 CVT2014 2500 CVT Indonesia 293

58
4X2 TYPE NISSAN X-Trail X-Tremer 2500 CVT Indonesia 54
4X2 TYPE NISSAN Elgrand 2.5L 1598 AT Indonesia 0
4X2 TYPE NISSAN Elgrand 2.5L (3 Row leather) 1598 AT Japan 12
4X2 TYPE PEUGEOT New 5008 AT 1598 AT Japan 3
4X2 TYPE PEUGEOT 3008 Facelift 2393 AT Perancis 11
4X2 TYPE PEUGEOT New 3008 AT 2393 AT Perancis 20
4X2 TYPE RENAULT New Koleos 2.5 CVT(4x2) A/T 1998 AT Perancis 11
4X2 TYPE SUZUKI Grand Vitara JLX 2.4 1998 MT Korea 2
4X2 TYPE SUZUKI Grand Vitara JLX 2.4 AT 1998 AT Japan 5
4X2 TYPE TOYOTA All New Kijang Inova G 2015 1998 MT Japan 4077
4X2 TYPE TOYOTA All New Kijang Inova G AT2015 1998 AT Indonesia 2442
4X2 TYPE TOYOTA All New Kijang Inova G ATD 2015 2494 AT Indonesia 3904
4X2 TYPE TOYOTA All New Kijang Inova G D 2015 2494 MT Indonesia 3251
4X2 TYPE TOYOTA All New Kijang Inova Q 2015 1998 MT Indonesia 23
4X2 TYPE TOYOTA All New Kijang Inova Q AT2015 1998 AT Indonesia 88
4X2 TYPE TOYOTA All New Kijang Inova V 2015 1998 MT Indonesia 382
4X2 TYPE TOYOTA All New Kijang Inova V AT2015 1998 AT Indonesia 961
4X2 TYPE TOYOTA All New Kijang Inova V ATD 2015 2494 AT Indonesia 1959
4X2 TYPE TOYOTA All New Kijang Inova V D 2015 2494 MT Indonesia 370
4X2 TYPE TOYOTA All New Kijang Inova Venturer 1998 MT Indonesia 188
4X2 TYPE TOYOTA All New Kijang Inova Venturer AT 1998 AT Indonesia 602
4X2 TYPE TOYOTA All New Kijang Inova Venturer AT 2494 AT Indonesia 999
4X2 TYPE TOYOTA All New Kijang Inova Venturer D 2494 MT Indonesia 77
4X2 TYPE TOYOTA Voxy 2.0 AT 2000 AT Japan 1673
4X2 TYPE TOYOTA Alphard 2,5 G 2500 AT Japan 1141
4X2 TYPE TOYOTA Alphard 2.5 X 2500 AT Japan 73
4X2 TYPE TOYOTA Alphard 2,5 2494 AT Japan 0
4X2 TYPE TOYOTA Hybrid Vellflre 2.5 2500 AT Japan 372
4X2 TYPE TOYOTA Fortuner VRZ2.4 TRD ATD 2393 AT Indonesia 3834
4X2 TYPE TOYOTA Fortuner G 2.4 DSL FMC 2015 AT 2494 AT Indonesia 138
4X2 TYPE TOYOTA Fortuner VRZ2.4 DSL FMC 2015 AT 2494 AT Indonesia 1901
4X2 TYPE TOYOTA Fortuner G 2.4 DSL FMC 2015 AT 2494 MT Indonesia 258
4X2 TYPE TOYOTA HI-ACE Commuter HI Grade 2500 MT Japan 1113
4X2 TYPE TOYOTA HI-ACE STD 2500 MT Japan 116
4X2 TYPE TOYOTA HI-ACE Luxury 2500 MT Thailand 46
4X2 TYPE TOYOTA HI-ACE Panel Van 2494 MT Thailand 4
4X2 TYPE VOLKSWAGEN Multivan 2.0 LWB TSI AT 1968 AT Germany 1
4X2 TYPE VOLKSWAGEN Panel Van TDI 2.0 2000 MT Indonesia 0
4X2 TYPE VOLKSWAGEN Panel Van TDI 2.0 2000 MT Germany 2
4X2 TYPE VOLKSWAGEN Scirocco 2.0 2000 AT Germany 0
4X2 TYPE WULING Cortez 1.8C MT 1800 MT Indonesia 84
4X2 TYPE WULING Cortez 1.8C AT 1800 AT Indonesia 399
4X2 TYPE WULING Cortez 1.8L MT 1800 MT Indonesia 203
4X2 TYPE WULING Cortez 1.8L AT 1800 MT Indonesia 1697
4X2 TYPE TOYOTA Fortuner SRZ2.7 TRD AT 2694 AT Indonesia 190
4X2 TYPE TOYOTA Fortuner 2.7 FMC 2015 AT 2694 AT Indonesia 62
4X2 TYPE KIA Grand Sedona Ultimate 3342 AT Korea 24
4X2 TYPE LEXUS Lexus RX 450 Hybrid 3456 AT Japan 0
4X2 TYPE TOYOTA Alphard 3,5 3500 AT Japan 17
4X4 TYPE AUDI Q3 1.4 TFSI A/T 1400 AT Germany 2
4X4 TYPE RENAULT Duster 1.5 dCi RxL 4x4 1461 MT Indonesia 4
4X4 TYPE RENAULT Duster 1.5 dCi RxZ4x4 1461 MT Indonesia 29
4X4 TYPE SUZUKI Jimny AT 1328 AT Japan 0
4X4 TYPE AUDI Q7 3.0 TFSI AT 2995 AT Germany 1
4X4 TYPE AUDI Q3 2.0 TFSI 1984 AT Germany 0
4X4 TYPE AUDI Q5 2.0 TFSI AT 1984 AT Germany 7
4X4 TYPE BMW WX36 X3 XDRIVE20I RL 2000 AT Indonesia 6
4X4 TYPE BMW WZ56 X3 XDRIVE20D 2000 AT Indonesia 0
4X4 TYPE BMW XW32 X4 XDRIVE28I 3000 AT Germany 5
4X4 TYPE BMW LS06 X5 XDRIVE25D 3000 AT Germany 17
4X4 TYPE BMW KR06 X5 XDRIVE35I 3000 AT Germany 85
4X4 TYPE BMW KR62 X5 XDRIVE 50i 3000 AT Germany 2
4X4 TYPE BMW KU22 X6 XDRIVE35I 2979 AT Germany 3
4X4 TYPE ISUZU MU-X 2499 MT Thailand 32

59