Dashboard Rekomendasi Pembelian Rumah

Latar Belakang

Harga properti terutama rumah di setiap tahunnya bahkan di setiap bulannya selalu mengalami kenaikan. Di sisi lain tingkat kebutuhan akan kebutuhan rumah juga sangat tinggi. Dapat dilihat pada grafik di bawah.Permintaan rumah dari tahun ketahun selalu meningkat digambarkan oleh tingginya total kredit KPR dari tahun ke tahun

Hal ini mendorong banyak orang untuk membeli rumah secepatnya. Hanya saja banyak yang tidak begitu mengetahui apakah membeli rumah di suatu daerah merupakan pilihan yang terbaik. Karena kurangnya informasi, tidak jarang seseorang atau keluarga baru membeli rumah yang secara Investasi dan lokasi tidak begitu menguntungkan.

Oleh karena itu akan sangat membantu para pencari rumah jika ada suatu sumber informasi yang bisa memberikan rekomendasi rumah dengan lokasi terdekat dengan tempat beraktivitas dan prospek investasi yang paling tinggi.

Dashboard ini akan menggunakan machine learning Time Series untuk melakukan forecast terhadap kenaikan harga rumah di masa yang akan datang. Dimana penerapan forecasting Time series juga sangat dapat ditemukan pada hal-hal berikut:

• Forecast total penjualan di bulan-bulan berikutnya oleh perusahaan

• Forecast kemungkinan item yang harus dipasok ke dalam warehouse di bulan-bulan ke depan

• Forecast pertumbuhan penduduk di masa yang akan datang

• Atau bahkan forecast penambahan kasus baru Covid 19 di beberapa hari ke depan

Kegunaan Dashboard

Dashboard yang saya buat akan memberikan informasi dan rekomendasi lokasi pembelian rumah untuk area Jabodetabek

Dashboard ini akan sangat bermanfaat bagi:

• Individu atau pasangan baru yang ingin membeli rumah di area Jabodetabek namun haus akan informasi untuk rumah terbaik yang akan dibeli dari segi investasi dan kedekatan lokasi
• Konsultan properti yang ingin memberikan rekomendasi rumah yang ingin di beli
• Agen properti yang ingin mempromosikan properti rumahnya di suatu daerah di Jabodetabek
• Situs pengiklan rumah: Sebagai fitur tambahan yang bisa ditawarkan bagi pegunjung website yang bisa menjadi daya tarik baru

Garis besar gambaran Dashboard

Berikut adalah mockup dashboard yang akan dibuat:

Tab 1

Merekomendasikan lokasi terbaik dimana ada Penjualan rumah dengan Lokasi terdekat dan nilai Investasi tertinggi (Kenaikan indeks harga rumah tertinggi)

Klik pada salah satu peringkat maka akan menampilkan proyeksi :

Input:

- Lokasi bekerja saat ini


- Filter tambahan:Rentang Harga, Luas Tanah, Luas Bangunan

Output:

- Menampilkan Rekomendasi lokasi pembelian rumah dalam bentuk cluster (Lingkaran). Peringkat cluster rekomendasi di tampilkan dalam bentuk perbedaan warna

Tab 2

Mengetahui kondisi kebaikan lokasi rumah saat ini atau lokasi rumah yang akan dibeli

Scroll pkan dibelida bagian bawah akan menampilkan proyeksi kenaikan harga rumah di masa depan

Input:

• Lokasi bekerja saat ini

• Lokasi rumah saat ini atau lokasi rumah yang akan di beli

Output:

• Nilai K&I: memperlihatkan nilai perbandingan antara Kedekatan dan Nilai Investasi di masa depan

Data Collection

Berikut adalah contoh data yang akan digunaan. Data diambil dari situs https://www.99.co/id/hpi.com

Data Kenaikan Harga Rumah

## # A tibble: 6 x 4
##   Kota   Bulan Tahun `Kenaikan Indeks Harga Rumah`
##   <chr>  <chr> <dbl>                         <dbl>
## 1 Bekasi Jan    2013                             0
## 2 Bekasi Feb    2013                             0
## 3 Bekasi Mar    2013                             1
## 4 Bekasi Apr    2013                            -3
## 5 Bekasi May    2013                            -4
## 6 Bekasi Jun    2013                             1

Berikut adalah penjelasan untuk setiap kolom:

Kota: Nama Kota
Bulan : Nama Bulan
Tahun: Tahun
Kenaikan Indeks Harga Rumah: Perhitungan rata-rata dari harga rumah di Indonesia dan berbagai kota di Indonesia.Indeks ini di hitung dari harga iklan rumah pada sebuah kota di Indonesia dalam jangka waktu tertentu.

Data JARAK rumah yang ada dengan lokasi tempat kerja

Urutan pengumpulan data adalah sebagai berikut.

OPSI 1

Pra-pengoperasian:

1. Scrape semua data rumah dari halaman situs pengiklan rumah (eg; rumah123.com)

2. Ambil nama lokasi dari setiap rumah yang ada pada iklan dan simpan dalam database

Saat Pengoperasian:

3. User input lokasi di map

4. Saat klik tombol “CARI REKOMENDASI LOKASI” dashboard akan secara otomatis menginput setiap nama lokasi yang ada di database (point 2) ke google map.

5. Dari Google map akan didapatkan data rute dari setiap lokasi kerja ke setiap lokasi rumah yang ada di database point 2. Data tersebut discrape dan dan diambil yang paling dekat sebagai data JARAK

OPSI 2

Pra-pengoperasian:

1. Scrape semua data rumah dari halaman situs pengiklan rumah (eg; rumah123.com)

2. Ambil nama lokasi dari setiap rumah yang ada pada iklan dan simpan dalam database

3. Cari data lokasi beserta data koordinat Longitude dan Latitude yang ada di Indonesia

4. Combine data rumah yang dijual di situs pengiklan dengan data koordinat pada point 3. Hal ini agar setiap data rumah memiliki informasi koordinat

Saat Pengoperasian:

5. User input lokasi di map

6. Dashboard akan scrape data koordinat user

7. Saat klik tombol “CARI REKOMENDASI LOKASI” dashboard akan secara otomatis menghitung JARAK lokasi kerja user ke setiap data rumah yang ada pada database point 4 berdasarkan selisih koordinatnya

Berikut adalah data hasil scraping yang diambil dari situs rumah123.com:

data_rumah<- read.csv("data_perrumah2.csv")
head(data_rumah)

##                                                                            Deskripsi
## 1          Rumah minimalis bebas banjir di dekat stasiun bekasi, Bekasi Kota, Bekasi
## 2                         CLUSTER NEW LIVERPOOL TIPE TERRA(20/50)M2, Babelan, Bekasi
## 3                    RUMAH ELEGAN HARGA RINGAN DI PUP (3902) RC, Pondok Ungu, Bekasi
## 4                 Rumah Cluster Termurah Siap Huni, Babelan, Bekasi, Babelan, Bekasi
## 5             Rumah Biru Harga Murah di Villa Gading Harapan Bekasi, Babelan, Bekasi
## 6 Rumah murah ekonomis semi subsidi nyaman termurah du Bekasi utara, Babelan, Bekasi
##       Harga              Lokasi Luas.tanah..m². Luas_Bangunan..m².
## 1 300000000 Bekasi, Bekasi Kota               60                  60
## 2 300000000     Bekasi, Babelan               50                  20
## 3 300000000 Bekasi, Pondok Ungu               77                  60
## 4 300000000     Bekasi, Babelan               72                  50
## 5 300000000     Bekasi, Babelan               60                  50
## 6 300000000     Bekasi, Babelan               60                  40

Preparasi Data

library(tidyverse)
library(dplyr) # data wrangling
library(lubridate) # date manipulation
library(forecast) # time series library
library(TTR) # for Simple moving average function
library(MLmetrics) # calculate error
library(tseries) # adf.test
library(fpp) # usconsumtion
library(TSstudio) # mempercantik visualisasi timeseries
library(ggplot2)
library(tidyr)

• Melihat struktur Data

glimpse(rumah)

## Observations: 243
## Variables: 4
## $ Kota                          <chr> "Bekasi", "Bekasi", "Bekasi", "Bekasi...
## $ Bulan                         <chr> "Jan", "Feb", "Mar", "Apr", "May", "J...
## $ Tahun                         <dbl> 2013, 2013, 2013, 2013, 2013, 2013, 2...
## $ `Kenaikan Indeks Harga Rumah` <dbl> 0, 0, 1, -3, -4, 1, 8, 12, 14, 22, 21...

Bedasarkan hasil glimpse format data sudah sesuai

• membuat object ts dengan ts() function

rumah_Bekasi <- rumah[rumah [,1]=="Bekasi",] 

# simpan dalam object co2_ts
rumah_ts <- ts(data = rumah_Bekasi$'Kenaikan Indeks Harga Rumah', start = c(2013,1), frequency = 12)

• cek class dari data rumah_ts

class(rumah_ts)

## [1] "ts"

Flow Aplikasi & Parameter Yang dipakai

Tab 1

Parameter yang dipakai dalam mengurutkan lokasi terbaik untuk membeli rumah adalah sebagai berikut

1. Jarak dari lokasi kerja dengan lokasi rumah terdekat: Lokasi kerja akan didapatkan dari input user pada dashboard sedangkan lokasi rumah didapat dari hasil webscrapping pada situs pengiklan rumah. Dashboard selanjutnya menghitung jarak dan mengurutkan mana saja lokasi terdekat yang memiliki penjualan rumah
2. Kenaikan rumah di masa depan: Didapatkan dari hasil forecast menggunakan machine learning. Setelah didapatkan rumah yang paling dekat dengan lokasi kerja, akan di urutkan lagi mana saja rumah yang termasuk di dalam wilayah dengan prospek kenaikan harga paling tinggi di masa depan berdasarkan hasil prediksi machine learning

Tab 2

1. User input lokasi kerja saat ini dan dashboard akan menampilkan titik lokasinya di map
2. User input lokasi rumah yang akan dibeli dan dashboard akan menampilkan titiknya di map
3. Dashboard menghitung jarak antara dua titik pada point 1 dan point 2
4. Dashboard akan menghitung nilai K&I yaitu perbandingan antara jarak dengan kenaikan harga di daerah tersebut. Dan kemudian menampilkan nilai tersebut pada map
5. Dashboard akan menghitung jarak dari lokasi kerja ke lokasi terdekat yang memiliki penjualan rumah.
6. Dashboard akan menampilkan lokasi/titik rekomendasi lain berdasarkan hasil no.5 yang dapat dipertiambangkan oleh user sertamenghitung nilai K&I nya dan menampilkannya pada

Data Exploration

Berikut adalah grafik dari salah satu daerah di jabodetabek yaitu bekasi

• memvisualisasikan data timeseries untuk melihat pola datanya

# inspect pola data
rumah_ts %>% autoplot() +
 labs(title = "Grafik Kenaikan Indeks harga rumah Bekasi")

Info

Developed by Azhima Koraji (koraji.oji@gmail.com).