Rekomendasi Fitur yang Mempengaruhi Harga Sewa Menggunakan Pendekatan Machine Learning

Abstract

<p class="abstrak">Perkembangan Teknologi Infromasi, internet, dan perangkat bergerak telah mengubah perilaku konsumen dalam menjalankan aktivitasnya. Hal ini direspon oleh industri dengan menyediakan berbagai aplikasi berbasis web dan perangkat bergerak dalam interaksinya dengan pelanggan. Salah satu industri yang beradaptasi dengan perubahan teknologi dan perilaku konsumen ini adalah industri pariwisata dan perhotelan. Kebutuhan konsumen yang sebelumnya menggunakan akomodasi wisata tradisional seperti hotel, berubah menjadi lebih memilih rumah-rumah penduduk disekitar tempat wisata sebagai tempat penginapan sementara wisatawan. Perubahan ini berdampak kepada semakin banyaknya properti pribadi yang disewakan sehingga menyebabkan persaingan harga sewa. Harga sewa merupakan salah satu faktor penting yang dipertimbangkan calon penyewa dalam menentukan properti yang akan disewanya. Hal ini tentunya membuat para pemiliki properti harus memikirkan strategi penentuan harga sewa agar propertinya laku dipasaran. Penelitian ini bertujuan untuk mendapatkan fitur apa saja yang dapat mempengaruhi penentuan harga sewa properti berdasarkan data pengguna Airbnb di Berlin. Data penelitian diambil dari dataset yang disediakan oleh InsideAirbnb berupa file dengan format CSV. Penelitian dilakukan menggunakan teknik <em>machine learning</em> dengan pendekatan algoritma XGBoost. Terdapat lima tahapan pengerjaan dalam penelitian ini, yaitu <em>data understanding, data pre-processing, exploratory data analysis</em>, pemodelan, dan <em>insights</em>. Hasil yang didapatkan dari penelitian ini adalah <em>room type private room, room type entire home/apt</em>, dan <em>cancellation policy super strict 60 days</em> merupakan tiga fitur tertinggi yang mempengaruhi penentuan harga sewa. Luas properti menempati urutan keempat berdasarkan rekomendasi algoritma yang diterapkan.</p><p class="abstrak"> </p><p class="abstrak"><em><strong>Abstract</strong></em></p><p class="abstrak"><em>The development of information technology, the internet, and mobile devices has changed the behavior of consumers in carrying out their activities. The industry responded by providing various web-based and mobile applications in their interactions with customers. The tourism and hospitality industry is adapting to changes in technology and consumer behavior. The needs of consumers who previously used traditional tourist accommodations such as hotels have changed to prefer residents' houses around tourist attractions as their temporary lodging. This change has an impact on the increasing number of private properties being leased, causing competition in rental prices. It is undeniable that the rental price is one of the essential factors that prospective tenants consider in making choices. This certainly makes property owners, who will rent out their properties, have to think about rental pricing strategies. This study aims to obtain any features that affect pricing based on Airbnb user data in Berlin. The study was conducted using machine learning techniques with the XGBoost algorithm approach. There are five stages of work in this study, namely understanding data, pre-processing data, exploratory data analysis, modeling, and insights. The results obtained from this study are room type private room, room type entire home / apt, and cancellation policy type super strict 60 are the three highest features that affect price determination. Property size ranks fourth based on algorithmic recommendations.</em></p><p class="abstrak"><em><strong><br /></strong></em></p>

Analisa Rekomendasi Fitur Persetujuan Pinjaman Perusahaan Financial Technology Menggunakan Metode Random Forest

“…Input dari tahap pertama ini adalah dataset yang akan dilakukan proses analisis dan pengolahan [9]. Tahap ini, data yang tersedia dipahami struktur, tipe data, value data, dan kegunaan data [7]. Output dari tahap ini peneliti dapat memahami data yang akan dilakukan proses analisis untuk mendukung proses selanjutnya.…”

“…Algoritma random forest berjalan efisien pada data dalam jumlah banyak serta telah banyak digunakan untuk model credit scoring dan fraud detection pada kartu kredit [3], [4], [5]. Penelitian kedua adalah "Rekomendasi Fitur Yang Mempengaruhi Harga Sewa Menggunakan Pendekatan Machine learning" yang bertujuan mencari rekomendasi fitur pada harga sewa rumah inap [7]. Modul feature importance dalam menentukan rekomendasi fitur digunakan pada penelitian ini untuk mencari faktor-faktor yang mempengaruhi persetujuan pinjaman.…”