Meningkatnya permintaan perumahan di daerah perkotaan, khususnya di daerah seperti Jakarta, telah menjadikan kepemilikan rumah sebagai tantangan yang signifikan bagi banyak orang, khususnya pembeli rumah pertama kali dan kelas menengah ke bawah. Pergeseran pascapandemi semakin memengaruhi preferensi perumahan, mendorong minat terhadap daerah pinggiran kota dengan ruang terbuka hijau. Meskipun pemerintah berupaya melalui program subsidi KPR, keterjangkauan tetap menjadi perhatian, khususnya di daerah pinggiran.
Studi ini bertujuan untuk menganalisis harga perumahan di berbagai daerah Jakarta menggunakan model pembelajaran mesin, termasuk Multiple Linear Regression (MLR), Support Vector Regression (SVR), Light Gradient Boosting Machine (LGBM), dan Random Forest. Penelitian menggunakan data yang berisi 554 harga rumah dari Jakarta Barat, Jakarta Selatan, Jakarta Pusat, dan Tangerang Selatan. Analisis difokuskan pada prediktor utama seperti luas tanah, luas bangunan, kamar tidur, dan carport, dengan metrik R虏 dan Mean Squared Error (MSE) yang mengevaluasi kinerja model
Hasil penelitian menunjukkan bahwa model LGBM dan Random Forest memiliki performa terbaik dengan nilai R虏 sebesar 0,8 dan Mean Squared Error (MSE) yang rendah. Selain itu, luas tanah dan luas bangunan terbukti sebagai faktor paling signifikan dalam menentukan harga rumah.
Selain pasar rumah tapak, penelitian ini juga mengeksplorasi pasar sewa apartemen, di mana harga sewa di kawasan strategis seperti Jakarta Pusat dan Jakarta Selatan cenderung lebih tinggi karena kedekatannya dengan pusat ekonomi. Analisis menunjukkan bahwa meskipun menyewa apartemen umumnya lebih terjangkau dibanding membeli rumah, lokasi tetap menjadi faktor utama dalam menentukan harga sewa. Temuan ini menyoroti dilema yang dihadapi banyak keluarga dalam memilih antara properti yang mahal namun strategis atau opsi yang lebih terjangkau di daerah pinggiran.
Secara keseluruhan, penelitian ini memberikan wawasan berharga bagi calon pembeli rumah, investor, dan pembuat kebijakan, dengan menekankan pentingnya ukuran properti dan lokasi dalam keputusan investasi real estat. Selain itu, diperlukan kebijakan perpajakan properti yang lebih seimbang serta pendekatan pembangunan perkotaan yang mempertimbangkan aspek keterjangkauan dan aksesibilitas. Untuk analisis lebih lanjut, disarankan penggunaan data panel atau pendekatan analisis spasial guna memperoleh pemahaman yang lebih komprehensif.
Penulis: Elly Pusporani, S.Si., M.Stat.
Artikel lengkap dapat diakses pada:
MODELING HOUSE SELLING PRICES IN JAKARTA AND SOUTH TANGERANG USING MACHINE LEARNING PREDICTION ANALYSIS
S. F. A. Maula, N. A. D. Setiawan, E. Pusporani, and S. Z. Jannah, 淢ODELING HOUSE SELLING PRICES IN JAKARTA AND SOUTH TANGERANG USING MACHINE LEARNING PREDICTION ANALYSIS, BAREKENG: J. Math. & App., vol. 19, no. 1, pp. 107-118, Jan. 2025.
