RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN INDIKASI NILAI PROPERTI DENGAN PENDEKATAN DATA PASAR

Taufan Harry Prasetyo, Fatchul Hijrih

Abstract


Memprediksi harga properti akan melibatkan banyak faktor, dan prosesnya akan sangat kompleks. Penggunaan metode Hedonic Price Model (HPM) umunya menggunakan OLS dalam proses prediksinya. Penelitian ini menggunakan Artificial Neural Network (ANN)untuk memprediksi nilai sebuah properti berdasarkan data penjualan yang tersedia. Penilaian/prediksi harga menggunakan pendekatan data pasar.

Sistem Pendukung Keputusan ini dibangun dengan menggunakan Codeigniter di mana sudah mendukung Model View Controller (MVC). Proses pengembangan menggunakan metode prototype. Sistem yang di bangun menggunakan googlemaps sebagai masukan data. Data yang diambil adalah data jarak titik lokasi yang diprediksi terhadap Point of Interest.

 Penggunaan fungsi distance-matrix dan pemanfaatan ANN dapat memberikan kelebihan di mana data kedekatan lokasi dengan pusat kota, fasilitas pemerintah, dan pasar dapat terupdate dengan baik.


Full Text:

PDF

References


Feng, Y., & Jones, K. (2015, July). Comparing multilevel modelling and artificial neural networks in house price prediction. In Spatial Data Mining and Geographical Knowledge Services (ICSDM), 2015 2nd IEEE International Conference on (pp. 108- 114). IEEE.

Chau, K. W., Yiu, C. Y., Wong, S. K., & Lai, L. W. C. (2003). Hedonic price modelling of environmental attributes: a review of the literature and a Hong Kong case study. Understanding and implementing sustainable development, 87-110.

Wu, C. H., Li, C. H., Fang, I. C., Hsu, C. C., Lin, W. T., & Wu, C. H. (2009, April). Hybrid Genetic-Based Support Vector Regression with Feng Shui Theory for Appraising Real Estate Price. In Intelligent Information and Database Systems, 2009. ACIIDS 2009. First Asian Conference on (pp. 295-300). IEEE.

Zavadskas, E. K., & Kaklauskas, A. (2014). Web-based intelligent decision support system for real estate. Intelectual Economics No.2(6)p,51-60

Adnan, R., Ruslan, F. A., Samad, A. M., & Zain, Z. M. (2012, July). Flood water level modelling and prediction using artificial neural network: Case study of Sungai Batu Pahat in Johor. In Control and System Graduate Research Colloquium (ICSGRC), 2012 IEEE (pp. 22-25). IEEE.

Eliyani. (2005) Pengantar jaringan syaraf tiruan. Materikuliah.com, diakses tanggal 6 Desember 2015

Koo, J., Han, G. D., Choi, H. J., & Shim, J. H. (2015). Wind-speed prediction and analysis based on geological and distance variables using an artificial neural network: A case study in South Korea. Energy, 93, 1296-1302.

Li, K., Hu, C., Liu, G., & Xue, W. (2015). Building's electricity consumption prediction using optimized artificial neural networks and principal component analysis. Energy and Buildings, 108, 106-113.

Kang, S., & Cho, S. (2014). Approximating support vector machine with artificial neural network for fast prediction. Expert Systems with Applications, 41(10), 4989-4995.

Pressman, Roger S. (2012) Software engineering: a practitioner's approach. Palgrave Macmillan, 43-44

Prabowo, Sari, Hendika. (2014) “Implementasi Pemrograman PHP Berbasis Model View Controller (MVC) pada Website Ecommerce (Studi Kasus: www.indominiatur.com)” Seminar Nasional Teknologi Informasi dan Multimedia, 2.10-1-6 [12]Google Maps developers. https://developers.google.com/maps/ documentation/ javascript/tutorial 2015. diakses 4 Desember 2015. [13] Google Maps developers. https://developers.google.com/places/web-service/add-place, diakses tanggal 6 Desember 2015.


Refbacks

  • There are currently no refbacks.