Implementasi Support Vector Machine untuk Klasifikasi Keputusan Pembelian Rumah Berdasarkan Karakteristik Properti dan Pembeli

Abstract

Bisnis properti merupakan salah satu sektor yang menjanjikan, namun juga memiliki resiko besar bagi pengembang karena kebutuhan modal awal yang tidak sedikit. Salah satu masalah yang dapat mengganggu jalannya operasional penjualan adalah ketika calon pembeli yang sudah membayar uang muka justru mengundurkan diri di tengah proses, sedangkan pengajuan berkas telah berjalan. Kondisi tersebut dialami oleh PT. Gunung Batu Utama (GBU), dan berdampak terhadap tertahannya unit rumah, kurang efektifnya kerja tim pemasaran, dan bertambahnya beban administratif. Penelitian ini dilakukan dengan menganalisis data historis penjualan rumah PT. GBU periode 2022-2025 menggunakan pendekatan data mining dengan Mutual Information sebagai metode seleksi fitur, dan dilanjutkan dengan pembangunan model klasifikasi menggunakan Support Vector Machine (SVM). Tantangan utama dalam penelitian ini adalah ketimpangan jumlah data antar kelas, karena kasus pembatalan hanya sekitar 9,6% dari keseluruhan data, sehingga diperlukan penerapan beberapa teknik resampling untuk menyeimbangkan distribusi kelas tersebut. Model klasifikasi terbaik diperoleh melalui kombinasi teknik Random Undersampling dengan rasio 1:2, yang mendapatkan akurasi sekitar 87%. Meski demikian, kemampuan model dalam mengenali kelas pembatalan masih relatif terbatas, karena konsekuensi dari jumlah data minoritas yang sedikit. Analisis lebih lanjut terhadap profil pembeli menunjukkan bahwa calon pembeli berprofesi PNS, menggunakan skema pembayaran KPR, dan memilih rumah subsidi tipe 30 𝑚2 cenderung lebih berisiko membatalkan transaksinya, sejalan dengan hasil wawancara yang mengaitkan pembatalan dengan ketidaklolosan kredit bank, potensi mutasi kerja, dan keterbatasan finansial pembeli. Temuan ini diharapkan dapat menjadi bahan pertimbangan bagi PT. GBU dalam menyusun strategi pemasaran dengan rekomendasi penambahan data historis dan perbandingan algoritma lain pada penelitian selanjutnya.