Implementasi Machine Learning Prediksi Harga Sewa Apartemen Menggunakan Algoritma Random Forest Melalui Framework Website Flask Python (Studi Kasus: Apartemen di DKI Jakarta Pada Website mamikos.com )

Abstract

Apartemen merupakan sebuah hunian modern yang efektif karena bangunanya yang dibuat secara vertikal. Pembangunan hunian secara vertikal dapat menghemat lahan sebesar 436%. Hal ini sangat membantu mengoptimalkan daya tampung lahan hunian dalam lahan yang terbatas apalagi pada daerah dengan kepadatan penduduk tertinggi dan luas daerah yang kecil seperti DKI Jakarta. Namun, pada tahun 2018 perusahaan properti komersil multinasional, Colliers International Indonesia menyatakan keterisian apartemen yang ada di DKI Jakarta mengalami penurunan, hal ini dikarenakan rata-rata harga apartemen naik 2,5% yang mengakibatkan melemahnya permintaan sewa apartemen. Melihat urgensi melemahnya masyarakat modern dalam memilih hunian apartemen khususnya di DKI Jakarta. Sehingga penulis membuat suatu penelitian yang dapat membantu dalam memprediksi harga sewa apartemen sesuai dengan klasifikasi apartemen di Jakarta seperti lokasi kecamatan, jenis unit, luas, nomor lantai, dan isi fasilitas unit. Hasil prediksi harga sewa apartemen menggunakan regresi random forest didapatkan bahwa model terbaik dengan menggunakan searchgridcv pada python, banyak pohon yang terpilih adalah 300 dengan jumlah m yang dicobakan sebanyak 3. Berdasarkan nilai variable importance variabel yang paling berpengaruh terhadap harga sewa apartemen yaitu luas apartemen dengan nilai kepentingan paling tinggi sebesar 0,62. Dan model yang didapatkan memiliki nilai akurasi sebesar 92,12% meningkat sebesar 0,89% setelah dilakukan tunning parameter. Model random forest pada penelitian ini merupakan machine learning yang dibuat dalam bentuk website menggunakan flask pada python agar dapat digunakan secara luas dalam menentukan prediksi harga sewa apartemen di DKI Jakarta.