1 Background

Kendaraan mobil telah menjadi bagian integral dari kehidupan modern, menjadi sarana transportasi yang nyaman dan efisien bagi banyak individu. Permintaan akan mobil terus meningkat seiring dengan pertumbuhan populasi, urbanisasi, dan meningkatnya mobilitas manusia. Namun, harga mobil baru yang cenderung tinggi telah mendorong banyak konsumen mencari alternatif lebih terjangkau, seperti kendaraan mobil bekas. Banyak konsumen saat ini cenderung memilih mobil bekas sebagai opsi yang lebih ekonomis dan rasional. Selain harganya yang lebih rendah, mobil bekas juga memiliki nilai depresiasi yang lebih lambat, sehingga menjadi pilihan menarik bagi mereka yang mencari kendaraan dengan nilai tahan lama.

Melihat data yang ada, pertumbuhan minat dan pasar mobil bekas terus meningkat secara global. Dihimpun dari laporan pasar mobil bekas yang dipublikasikan di grandviewresearch, pada tahun 2021, ukuran pasar mobil bekas global telah mencapai USD 1.57 triliun dan diperkirakan akan terus berkembang dengan tingkat pertumbuhan tahunan rata-rata (CAGR) sebesar 6.1% dari tahun 2022 hingga 2030.

Melihat data pasar Indonesia berdasarkan laporan Mordor Intelligence, pasar penjualan mobil bekas di Indonesia memiliki nilai sebesar USD 33.78 miliar pada tahun 2021 dan diperkirakan akan mencapai USD 46.75 miliar pada tahun 2027 dengan tingkat pertumbuhan tahunan rata-rata (CAGR) sekitar 5.78% selama periode perkiraan 2022 hingga 2027. Artinya, nilai pasar penjualan mobil bekas di Indonesia diperkirakan akan mengalami pertumbuhan dalam beberapa tahun mendatang, diiringi dengan meningkatnya permintaan dari konsumen yang mencari alternatif yang lebih terjangkau dibandingkan dengan pembelian mobil baru.

Laporan dari Ken Research juga memberikan hasil analisis yang sama tentang pasar mobil bekas di Indonesia. Temuan ini mencatat bahwa terjadi peningkatan rasio antara penjualan mobil bekas terhadap mobil baru selama tahun 2014-2020. Industri mobil bekas juga diperkirakan akan bertumbuh pada CAGR ~15.7% berdasarkan nilai transaksi bruto dan ~14.2% berdasarkan volume penjualan hingga perkiraan 2025.

Kita sudah melihat bagaimana pasar mobil bekas baik secara global ataupun secara langsung di Indonesia. Sekarang kita akan menelisik ke problem harga jual/beli dari mobil bekas tersebut. Berbicara mengenai harga, harga mobil bekas sangat bervariasi dan dipengaruhi oleh berbagai faktor seperti merek, model, tahun produksi, kondisi, dan faktor-faktor lainnya. Keputusan penentuan harga yang tidak tepat bisa menyebabkan kesulitan dalam menjual atau membeli mobil bekas. Bagi penjual, jika harga ditetapkan terlalu tinggi, mobil tersebut mungkin sulit terjual dan duduk lama di pasaran serta tidak menutup kemungkinan nilai jual mobil bekas tersebut juga akan semakin merosot di masa depan. Sebaliknya, jika harga ditetapkan terlalu rendah, penjual mungkin kehilangan potensi keuntungan yang seharusnya didapatkan. Bagi pembeli, jika harga yang diminta terlalu tinggi, mereka mungkin akan enggan untuk membeli mobil tersebut dan mencari alternatif lain yang lebih terjangkau. Namun, jika harga terlalu rendah, pembeli mungkin akan meragukan kualitas mobil dan mencurigai adanya masalah tersembunyi. Selain itu, fluktuasi harga mobil bekas dapat membingungkan bagi calon pembeli dan penjual (berkaitan dengan faktor-faktor yang mempengaruhi nilai jualnya). Hal ini bisa membuat sulit bagi penjual untuk menentukan harga yang tepat dan mengikuti perubahan tren harga pasar ataupun bagi pembeli yang berkaitan dengan realistis harga mobil bekas yang ditawarkan penjual.

Melihat demand dan pasar yang cukup tinggi dari transaksi jual beli mobil bekas saat ini (khususnya di Indonesia) dan problem yang ada (yang berkaitan dengan harga), rasanya cukup menarik untuk membangun model machine learning yang dapat memprediksi harga mobil bekas yang cocok & relevan berdasarkan data. Dengan menggunakan teknik machine learning dan data pasar yang valid, proyek ini dapat membantu para penjual dalam menentukan harga yang lebih akurat dan sesuai dengan kondisi pasar. Demikian pula, calon pembeli dapat memanfaatkan prediksi harga untuk memperoleh informasi obyektif dan membantu mereka dalam membuat keputusan yang lebih cerdas dalam membeli mobil bekas.

2 Problem Statement

Masalah yang ingin dijawab dalam proyek machine learning ini adalah ketidakpastian dalam menentukan harga jual/beli mobil bekas. Fluktuasi harga dan banyaknya faktor yang mempengaruhinya membuat penjual kesulitan menetapkan harga yang tepat, sementara calon pembeli kesulitan mendapatkan perkiraan harga yang obyektif. Oleh karena itu, proyek ini bertujuan untuk mengembangkan model machine learning yang dapat memprediksi harga mobil bekas dengan akurat berdasarkan data pasar yang valid, sehingga membantu meningkatkan efisiensi dan transparansi dalam pasar mobil bekas.

3 Ide Project & Problem Scope

Proyek machine learning ini bertujuan untuk mengembangkan model prediksi harga mobil bekas berdasarkan hasil scraping data dari situs penjualan mobil bekas Mobbi. Proses scraping data sepenuhnya dilakukan dengan beautifulsoup yang ada di Python. Data yang digunakan akan mencakup faktor-faktor seperti merek, model, tahun produksi, dan kondisi mobil lainnya untuk memperoleh prediksi harga yang akurat. Dengan implementasi proyek ini, diharapkan dapat memberikan manfaat bagi industri otomotif dan memudahkan proses jual beli mobil bekas secara lebih efisien dan transparan.

Beberapa scope atau batasan yang perlu diperhatikan dalam pengembangan proyek ini adalah :

  • Data yang digunakan berasal dari satu situs web, yaitu www.mobbi.id. Penggunaan data dari sumber lain belum dipertimbangkan dalam scope proyek ini.
  • Mungkin saja ada faktor-faktor atau atribut lain yang tidak digunakan dalam proyek ini mengingat infomasi spesifikasi yang ditampilkan pada sumber data terbatas.
  • Model machine learning yang akan digunakan akan difokuskan pada pendekatan regresi untuk memprediksi nilai harga kontinu. Metode lain seperti klasifikasi atau analisis tekstual tidak akan digunakan dalam proyek ini.
  • Proyek ini berfokus pada pasar mobil bekas di wilayah Indonesia dan tidak mencakup pasar internasional.
  • Tingkat akurasi prediksi tidak dijamin 100%, namun proyek ini bertujuan untuk mencapai tingkat akurasi yang seoptimal mungkin.

4 Output

Output dari proyek machine learning ini adalah sebuah dashboard yang menampilkan interactive visualization dan sebuah model prediksi harga mobil bekas.

Dashboard akan menampilkan visualisasi data yang menggambarkan distribusi harga mobil bekas berdasarkan atribut-atribut tertentu, seperti merek populer, harga rata-rata berdasarkan tahun produksi, atau distribusi harga berdasarkan kondisi mobil dan lain sebagainya. Visualisasi ini akan membantu pengguna dalam memahami faktor-faktor yang mempengaruhi harga mobil bekas. Selain itu, dashboard ini juga akan memuat menu untuk melakukan prediksi harga berdasarkan model yang telah dibangun.Model ini akan menerima input berupa atribut-atribut mobil seperti merek, model, tahun produksi, dan kondisi mobil dan sebagainya. Kemudian, berdasarkan data-data tersebut, model akan menghasilkan prediksi harga mobil bekas dalam bentuk nilai numerik. Misalnya, jika seorang calon pembeli ingin membeli mobil dengan merek, model, tahun produksi, dan kondisi tertentu, mereka dapat menggunakan model ini untuk mendapatkan perkiraan harga mobil tersebut. Begitu pula bagi penjual, mereka dapat menggunakan model ini sebagai panduan dalam menentukan harga jual mobil bekas mereka dengan lebih obyektif.

5 Business Impact

Business impact dari proyek machine learning ini adalah sebagai berikut :

  • Dengan perkiraan harga yang akurat oleh model machine learning yang akan dibangun, penjual atau pelaku bisnis dapat menentukan harga jual yang lebih optimal, sementara pembeli dapat menilai kelayakan harga yang ditawarkan. Hal ini akan meningkatkan transparansi pasar dan membantu menciptakan lingkungan bisnis yang lebih efisien.
  • Melanjutkan poin (1), dengan adanya prediksi harga ini, proses negosiasi atau hal lain (yang berkaitan dengan harga jual mobil bekas) dapat menjadi lebih efisien dan transparan yang didukung oleh hasil eksplorasi data dalam project ini.