TOPIK KHUSUS MANAJEMEN BISNIS

KLASIFIKASI DATA MELBOURNE HOUSING MARKET

Oleh:
1. Kadek Kusuma Dewi (1905551051)
2. Luh Putu Murniasih Pertiwi (1905551038)
3. Putu Bagus Khrisnanda Kamajaya A (1905551078)

Topik Khusus Manajemen Bisnis A

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS TEKNIK
UNIVERSITAS UDAYANA
2022
1. Deskripsi Dataset Melbourne Housing Market
Dataset Melbourne Housing Market merupakan data property rumah tinggal yang
terdapat di Melbourne. Dataset meliputi Alamat, Jenis Properti, Pinggiran Kota, Cara
Penjualan, Kamar, Harga, Agen Real Estate, Tanggal Penjualan dan Jarak dari C.B.D. Data
tersebut dapat menunjukan bahwa Melbourne saat ini sedang mengalami perkembangan dalam
penjualan properti perumahan, beberapa ahli mengatakan penjualan property di Melbourne
akan mengalami lonjakan melihat dari antusiasme masyarakat sekitar. Dari dataset tersebut
dapat digunakan sebagai bahan kajian untuk melihat suatu prediksi tren property yang dibeli
masyarakat kedepannya. Selain itu dapat menentukan property mana yang terbaik untuk dibeli
dan lainnya.

2. Deskripsi Fitur Data

Dataset Melbourne Housing Market memiliki beberapa fitur dan label yang lengkap
dalam datanya. Berikut merupakan fitur data dari Melbourne Housing Market.
a. Suburb : Wilayah di Pinggiran Kota
b. Address: Alamat
c. Price: Harga penjualan per Australian dollars
d. Rooms: Jumlah ruangan yang disediakan
e. Method: Metode penjualan property
- S : property sold
- SP : property sold prior
- PI : property passed in;
- PN : sold prior not disclosed;
- SN : sold not disclosed;
- NB : no bid;
- VB : vendor bid;
- W : withdrawn prior to auction
- SA : sold after auction;
- SS : sold after auction price not disclosed.
- N/A: price or highest bid not available.
f. Type : Tipe atau kategori rumah
- br - bedroom(s);
- h - house,cottage,villa, semi,terrace;
 - u - unit, duplex
- t - townhouse;
g. SellerG: Nama Agen penjual properti
h. Date : Tanggal terjual
i. Postcode : Kode Pos
j. Regionname: Nama Wilayah tempat rumah (West, North West, North, North east …etc)
k. Propertycount: Jumlah property yang ada di pinggiran kota
l. Distance: Jarak dari Central Business District dalam Kilometer
m. CouncilArea: Pemerintah yang menaungi area tersebut

3. Project yang Dilakukan dari Dataset

Melihat dari atribut dan label dataset yang tersedia dari Dataset Melbourne Housing
Market maka dapat dilakukan klasifikasi data. Metode yang digunakan dalam pengolahan
Dataset Melbourne Houseing Market ini adalah metode klasifikasi. Klasifikasi merupakan cara
pengelompokkan benda berdasarkan ciri – ciri yang dimiliki oleh objek klasifikasi. Dalam
prosesnya, klasifikasi dapat dilakukan dengan banyak cara baik secara manual ataupun dengan
bantuan teknologi. Klasifikasi yang dilakukan secara manual adalah klasifikasi yang dilakukan
oleh manusia tanpa adanya bantuan dari algortima cerdas komputer. Sedangkan klasifikasi
yang dilakukan dengan bantuan teknologi, memiliki beberapa algoritma, diantaranya Naïve
Bayes, Support Vector Machine, Decission Tree, Fuzzy dan Jaringan Saraf Tiruan. Klasifikasi
yang dilakukan antara lain mengklasifikasi property mana yang memiliki nilai paling tinggi,
property mana yang berada di daerah yang paling dekat dengan CBD (Central Business
District), mengetahui seler dengan penjualan property paling banyak, serta wilayah dengan
property paling banyak.

4. Alasan Mengangkat Metode Tersebut

Alasan dilakukannya pengolahan Dataset Melbourne Housing Market ini dengan
metode klasifikasi adalah melihat dari perkembangan dan antusiaisme yang tinggi masyarakat
Melbourne dalam melakukan investasi di bidang property ini membuat kami tertarik untuk
melakukan klasifikasi atau pengelompokan atribut berdasarkan data yang kami dapatkan
terkait dengan Dataset Melbourne Houseing Market ini. Diharapkan dengan dilakukannya
klasifikasi ini dapat mengetahui property mana yang memiliki nilai paling tinggi, property
mana yang berada di daerah yang paling dekat dengan CBD (Central Businesse District),
mengetahui seler dengan penjualan property paling banyak, serta wilayah dengan property
paling banyak.