Implementasi Machine Learning Dalam Menentukan Harga Sewa Apartemen di DKI Jakarta: Studi Pendahuluan
| Main Authors: | Noorcahya, David, Darmawan, Agus |
|---|---|
| Format: | Article NonPeerReviewed application/pdf |
| Bahasa: | eng |
| Terbitan: |
Departemen Teknik Mesin dan Industri
, 2022
|
| Subjects: | |
| Online Access: |
https://repository.ugm.ac.id/277857/1/David%20Noorcahya_Implementasi%20Machine%20Learning%20Dalam%20Menentukan%20Harga%20Sewa%20Apartemen%20di%20DKI%20Jakarta%20Studi%20Pendahuluan.pdf https://repository.ugm.ac.id/277857/ https://senti.ft.ugm.ac.id/ |
Daftar Isi:
- Salah satu properti yang marak dijadikan investasi adalah apartemen, selain sifatnya yang merupakan hunian modern, apartemen dinilai cukup efektif karena bentuk bangunannya yang cenderung vertikal. Hal ini sangat membantu optimalisasi daya tampung hunian pada lahan terbatas seperti pada kota Jakarta. Secara tradisional, perkiraan harga properti sering ditentukan oleh penilai profesional, dan orang tersebut harus melakukan kerja lapangan, untuk memeriksa lokasi dimana apartemen tersebut berada, dan mempertimbangkan fasilitas – fasilitas yang terdapat pada apartemen tersebut untuk kemudian informasi – informasi tersebut dikombinasikan untuk menentukan harga sewa dari sebuah property dan hal itu sangat memakan waktu dan tidak efisien secara biaya. Menanggapi permasalahan ini penulis membuat suatu penelitian yang dapat membantu para pengusaha maupun investor properti khususnya apartemen untuk mempermudah proses penentuan harga sewa apartemen dengan menggunakan algoritma machine learning agar lebih efisien secara waktu, biaya, dan sesuai dengan kriteria apartemen di Jakarta. Hasil dari penelitian ini adalah 1)Model terpilih untuk melakukan prediksi terhadap harga sewa apartemen dalam penelitian ini adalah Random Forest Regressor karena memiliki nilai Rsquare tertinggi yaitu 0.47, nilai MAPE yang tergolong rendah diantara model lainnya yaitu 0.70 dan nilai MSE terendah yaitu 1.28. 2) Terdapat 3 fitur yang berkorelasi paling kuat dengan target atau price yaitu rooms yang berkorelasi sebesar 0.39, bedroom yang berkorelasi sebesar 0.33, dan bathroom yang berkorelasi sebesar 0.29 yang berarti semakin luas ruangan apartemen, semakin banyak jumlah kamar tidur dan semakin banyak jumlah kamar mandi, maka harga sewa apartemen semakin tinggi.