Segmentasi Harga Pasar Properti Rumah menggunakan Algoritma K-Means berdasarkan Lokasi, Harga dan Luas Bangunan

Agung Suderajat; Antika Zahrotul Kamalia; Dedi Afandi

doi:10.35315/dinamik.v30i2.10182

Agung Suderajat Universitas Pelita Bangsa
Antika Zahrotul Kamalia Universitas Pelita Bangsa
Dedi Afandi Universitas Pelita Bangsa

DOI: https://doi.org/10.35315/dinamik.v30i2.10182

Abstract

Pasar properti rumah memiliki harga yang bervariasi tergantung lokasi dan spesifikasi bangunan. Penelitian ini melakukan segmentasi harga properti berdasarkan lokasi (latitude & longitude), harga, dan luas bangunan menggunakan algoritma K-Means Clustering. Dataset berisi 18.962 data properti dari wilayah Bandung dan sekitarnya. Data melalui tahap pembersihan, transformasi lokasi ke koordinat geografis, normalisasi, dan denormalisasi untuk memastikan kualitas analisis. Metode Elbow digunakan untuk menentukan jumlah cluster optimal dan menunjukkan nilai K = 3. Proses clustering menghasilkan tiga segmen: Cluster 0 (Affordable Housing) mencakup 7.751 properti dengan harga rendah dan bangunan kecil, Cluster 1 (Luxury Estate) sebanyak 2.402 properti dengan harga tinggi dan bangunan luas, serta Cluster 2 (Middle-Class Residences) terdiri dari 5.555 properti dengan karakteristik menengah. Visualisasi menggunakan peta interaktif berbasis Folium memperlihatkan distribusi spasial yang jelas, dengan konsentrasi tertinggi berada di pusat kota seperti Bandung dan Cimahi. Rata-rata harga di cluster 0 sekitar Rp900 juta, cluster 1 mencapai Rp4,9 miliar, dan cluster 2 sekitar Rp1,8 miliar. Penelitian ini menunjukkan bahwa K-Means efektif untuk segmentasi harga properti. Untuk hasil yang lebih komprehensif, disarankan agar penelitian lanjutan menambahkan variabel seperti aksesibilitas, fasilitas umum, dan kondisi bangunan.

References

[1] M. J. Budiman and Fanny Jouke Doringin, “Jurnal Ilmu Komputer,” Biomaterials, vol. 07, no. 12, pp. 85–90, 2023.
[2] N. Septiani and R. Herdiana, “Penerapan Algoritma K-Means Clustering Untuk Harga Rumah di Jakarta Selatan Nuraeni Septiani Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) IKMI Cirebon Saeful Anwar Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) IKMI Cirebon,” Trending J. Ekon. Akunt. dan Manaj., vol. 1, no. 2, 2023.
[3] S. D. K. Wardani, A. S. Ariyanto, M. Umroh, and D. Rolliawati, “Perbandingan Hasil Metode Clustering K-Means, Db Scanner & Hierarchical Untuk Analisa Segmentasi Pasar,” JIKO (Jurnal Inform. dan Komputer), vol. 7, no. 2, p. 191, 2023, doi: 10.26798/jiko.v7i2.796.
[4] S. Gea, “Pengaruh Segmentasi Pasar Terhadap Peningkatan Volume Penjualan,” J. Akuntansi, Manaj. dan Ekon., vol. 1, no. 1, pp. 48–54, 2022, doi: 10.56248/jamane.v1i1.12.
[5] Z. F. Daldiri, M. Rafly, and I. Veritawati, “Clustering Daftar Harga Rumah di Jakarta Dengan Algoritma K-Means,” J. Informatics Adv. Comput., vol. 3, no. 2, pp. 155–160, 2022, [Online]. Available: https://www.kaggle.com/datasets/wisnuanggara/daf
[6] R. S. Wicaksana, D. Heksaputra, T. A. Syah, and F. F. Nur’aini, “Pendekatan K-Means Clustering Metode Elbow Pada Analisis Motivasi Pengunjung Festival Halal JHF#2,” J. Ilm. Ekon. Islam, vol. 9, no. 3, p. 4162, 2023, doi: 10.29040/jiei.v9i3.10591.
[7] I. R. A. K. J. R. P. D. M. Aji Supriyatno, “Analisis Segmentasi Pasar Laptop Dengan Metode Clustering Dan Algoritma K-Means,” no. June, pp. 2–22, 2023, doi: 10.13140/RG.2.2.10545.76648.
[8] Izzah Tazkiyah, Amalia Anjani Arifiyanti, and Abdul Rezha Efrat Najaf, “Implementasi Segmentasi Pelanggan E-Commerce Menggunakan Algoritma K-Means Pada Website,” Pros. Semin. Nas. Teknol. dan Sist. Inf., vol. 3, no. 1, pp. 217–226, 2023, doi: 10.33005/sitasi.v3i1.651.
[9] A. R. Lashiyanti, I. Rasyid Munthe, F. A. Nasution, and E. P. Korespondensi, “Optimisasi Klasterisasi Nilai Ujian Nasional dengan Pendekatan Algoritma K-Means, Elbow, dan Silhouette,” J. Ilmu Komput. dan Sist. Inf. (JIKOMSI, vol. 6, no. 1, pp. 14–20, 2023.
[10] A. History, “10.8734/Kohesi.v1i2.365,” vol. 4, no. 10, pp. 1–15, 2024.
[11] Andani Frawira, “Pengaruh Lokasi, Harga, Dan Inovasi Terhadap Keberhasilan Usaha Mebel Di Kecamatan Mersam,” Repos. Univ. Jambi, pp. 1–23, 2024, [Online]. Available: https://repository.unja.ac.id/
[12] D. Satria, W. Putra, K. Keuangan, and R. Indonesia, “Pengaruh Luas Tanah, Luas Bangunan, Jarak Menuju Pusat Perekonomian, dan Jumlah Penduduk terhadap Harga Properti,” J. Acitya Ardana, vol. 4, no. 1, pp. 2807–291, 2024.
[13] T. Lidia Putri and R. Danar Dana, “Penerapan Data Mining Pada Clustering Data Harga Rumah Dki Jakarta Menggunakan Algoritmak-Means,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 1174–1179, 2024, doi: 10.36040/jati.v8i1.8957.
[14] E. T. Naldy and A. Andri, “Penerapan Data Mining Untuk Analisis Daftar Pembelian Konsumen Dengan Menggunakan Algoritma Apriori Pada Transaksi Penjualan Toko Bangunan MDN,” J. Nas. Ilmu Komput., vol. 2, no. 2, pp. 89–101, 2021, doi: 10.47747/jurnalnik.v2i2.525.
[15] Febby Wilyani, Qonaah Nuryan Arif, and Fitri Aslimar, “Pengenalan Dasar Pemrograman Python Dengan Google Colaboratory,” J. Pelayanan dan Pengabdi. Masy. Indones., vol. 3, no. 1, pp. 08–14, 2024, doi: 10.55606/jppmi.v3i1.1087.
[16] H. Mukhtar, I. D. Pramaditya, W. S. Weisdiyanto, and S. H. Putra, “Jurnal Software Engineering and Information System ( SEIS ) ALGORITMA K-MEANS UNTUK PENGELOMPOKAN PERILAKU CUSTOMER,” vol. 4, no. 2, pp. 96–101, 2024.
[17] V. A. Ekasetya and A. Jananto, “Klusterisasi Optimal Dengan Elbow Method Untuk Pengelompokan Data Kecelakaan Lalu Lintas Di Kota Semarang,” J. Din. Inform., vol. 12, no. 1, pp. 20–28, 2020, doi: 10.35315/informatika.v12i1.8159.
[18] N. H. Harani, C. Prianto, and F. A. Nugraha, “Segmentasi Pelanggan Produk Digital Service Indihome Menggunakan Algoritma K-Means Berbasis Python,” J. Manaj. Inform., vol. 10, no. 2, pp. 133–146, 2020, doi: 10.34010/jamika.v10i2.2683.
[19] A. R. S. Nasution, “Identifikasi Permasalahan Penelitian,” ALACRITY J. Educ., vol. 1, no. 2, pp. 13–19, 2021, doi: 10.52121/alacrity.v1i2.21.
[20] Khalis Sofi, Aswan Supriyadi Sunge, Sasmitoh Rahmad Riady, and Antika Zahrotul Kamalia, “Perbandingan Algoritma Linear Regression, Lstm, Dan Gru Dalam Memprediksi Harga Saham Dengan Model Time Series,” Seminastika, vol. 3, no. 1, pp. 39–46, 2021, doi: 10.47002/seminastika.v3i1.275.
[21] Z. Rozikin, A. Turmudi Zy, and A. Z. Kamalia, “Prediksi Ketebalan Powder Coating Menggunakan Algoritma SVM Dan Naïve Bayes,” Bull. Inf. Technol., vol. 4, no. 2, pp. 226–231, 2023, doi: 10.47065/bit.v4i2.687.
[22] P. P. Allorerung, A. Erna, and M. Bagussahrir, “Analisis Performa Normalisasi Data untuk Klasifikasi K-Nearest Neighbor pada Dataset Penyakit,” vol. 9, no. 3, pp. 178–191, 2024.
[23] Y. Miftahuddin, S. Umaroh, and F. R. Karim, “Perbandingan Metode Perhitungan Jarak Euclidean, Haversine, Dan Manhattan Dalam Penentuan Posisi Karyawan,” J. Tekno Insentif, vol. 14, no. 2, pp. 69–77, 2020, doi: 10.36787/jti.v14i2.270.
[24] H. Mukhtar, R. Gunawan, A. Hariyanto, Syahril, and Wide Mulyana, “Peramalan Kedatangan Wisatawan ke Suatu Negara Menggunakan Metode Support Vector Machine (SVM),” J. CoSciTech (Computer Sci. Inf. Technol., vol. 3, no. 3, pp. 274–282, 2022, doi: 10.37859/coscitech.v3i3.4211.
[25] Muhammad Daffa, Dhian Satria Yudha Kartika, and Reisa Permatasari, “Penerapan Folium untuk Visualisasi Hasil Clustering Persebaran Tindakan Kriminal di Kota Surabaya,” J. Ilm. Tek. Inform. dan Komun., vol. 2, no. 3, pp. 44–53, 2022, doi: 10.55606/juitik.v2i3.345.