dc.description.abstract | Yogyakarta adalah kota yang memiliki daya tarik bagi pendatang dengan
tingkat pertumbuhan penduduk yang tinggi. Kota ini banyak menarik masyarakat
untuk datang, tidak hanya untuk berwisata, melainkan untuk melangsungkan
pendidikan, bahkan untuk bekerja dan menetap sementara waktu. Pemilihan kost
sebagai hunian menjadi solusi alternatif bagi para pendatang tersebut. Permintaan
yang besar, memunculkan adanya jasa pengiklan hunian secara daring. Mamikos
adalah salah satunya, menyajikan informasi kamar kostan, lengkap dengan
fasilitas kost, harga kost, dan dekorasi kamar beserta foto desain kamar yang
menggambarkan kondisi sebenarnya. Mamikos dalam websitenya menampilkan
harga sewa dengan penyesuaian kriteria yang dibutuhkan seperti Daerah, WiFi,
Akses 24 jam, Kamar Mandi, Kecamatan, Jenis Kost dan Jangka Waktu Sewa.
Namun, belum ada fasilitas untuk pengunjung mengetahui rata-rata / harga
prediksi kostan dengan kriteria yang diinginkan, sehingga perbandingan harga
dilakukan secara manual. Berdasarkan permasalahan tersebut, peneliti
menerapkan metode random forest yang mampu membantu pengunjung
menentukan keputusan berupa harga sewa prediksi dengan variabel yang
diinginkan dalam suatu prototype yang memiliki User Experience yang mudah,
sederhana dan fungsional. Berdasar kalkulasi dari random forest membentuk
model prediksi dari 1111 data kostan di Yogyakarta yang dibagi menjadi 80% data
train dan 20% data terbentuklah 20 pohon untuk memprediksi harga sewa kostan
dengan tingkat akurasi sebesar 75.62%, R-squared data testing sebesar 65.91%
dan R-Squared data training sebesar 94.9%. Model yang terbentuk memiliki
feature importance, hal tersebut berpengaruh pada pembentukan model prediksi
dari faktor kepentingan terbesar yaitu oleh variabel Jangka Waktu Sewa sebesar
0.682 dan variabel Akses 24 jam dengan faktor kepentingan terkecil sebesar
0.0103.Selanjutnya model tersebut diintegrasikan menggunakan Flask dan Heroku
sehingga dapat menjadi prototype yang dapat diakses oleh semua orang dengan
fungsi melakukan prediksi harga sewa kost berdasarkan kriteria yang diinginkan. | en_US |