SEGMENTASI HARGA RUMAH DI KOTA BANDUNG MENGGUNAKAN ALGORITMA GAUSSIAN MIXTURE MODEL (GMM)

Abstrak

Penelitian ini bertujuan untuk melakukan segmentasi harga rumah di Kota Bandung menggunakan algoritma Gaussian Mixture Model (GMM). Harga rumah merupakan salah satu indikator penting dalam ekonomi, dipengaruhi oleh faktor seperti lokasi, ukuran properti, dan kondisi ekonomi. Dengan menggunakan GMM, penelitian ini berhasil mengidentifikasi tiga klaster utama harga rumah yang berbeda. Klaster ini dapat membantu dalam memahami dinamika harga rumah di Bandung dan memberikan wawasan bagi pengambilan keputusan terkait investasi properti. Hasil menunjukkan bahwa GMM lebih efektif dibandingkan metode clustering lainnya, seperti K-Means, dalam menangani distribusi data yang kompleks. Purpose. Penelitian ini bertujuan untuk mengelompokkan harga rumah di Kota Bandung berdasarkan fitur-fitur yang mempengaruhi harga, seperti luas tanah, luas bangunan, dan jumlah kamar tidur. Pengelompokan ini diharapkan dapat memberikan wawasan yang lebih mendalam terkait variasi harga rumah di berbagai wilayah dan membantu pemangku kepentingan dalam membuat keputusan yang lebih baik terkait kebijakan perumahan dan investasi properti. Methods/Study design/approach. Pendekatan penelitian menggunakan algoritma Gaussian Mixture Model (GMM) untuk segmentasi data harga rumah. Data yang digunakan diambil dari dataset harga rumah di seluruh kecamatan Kota Bandung, diakses melalui Kaggle. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan data untuk menangani nilai hilang dan outlier, serta normalisasi data. Setelah itu, dilakukan proses clustering dengan GMM, dan hasilnya divisualisasikan menggunakan Principal Component Analysis (PCA) untuk mempermudah interpretasi klaster yang terbentuk. Result/Finding. Penelitian ini menghasilkan tiga klaster harga rumah yang berbeda di Kota Bandung: klaster rendah, menengah, dan tinggi. Klaster-klaster ini berbeda secara signifikan berdasarkan fitur seperti luas tanah, jumlah kamar tidur, dan jumlah kamar mandi. Evaluasi menggunakan metrik AIC dan BIC menunjukkan bahwa model GMM dengan tiga klaster adalah yang paling optimal untuk dataset ini. Visualisasi hasil klastering memperlihatkan pola distribusi harga rumah yang jelas di setiap klaster, yang memberikan informasi penting bagi analisis pasar properti. Novelty/Originality/Value. Penelitian ini memberikan nilai kebaruan dalam penerapan algoritma Gaussian Mixture Model untuk segmentasi harga rumah di Kota Bandung, yang belum banyak diterapkan sebelumnya. Metode GMM terbukti lebih fleksibel dan akurat dibandingkan metode lain seperti K-Means, terutama dalam menangani data dengan distribusi yang kompleks. Hasil penelitian ini memberikan kontribusi penting dalam bidang perencanaan kota dan pengambilan keputusan terkait properti, serta dapat digunakan sebagai referensi dalam penelitian selanjutnya di bidang real estate dan analisis data besar (big data)