Optimasi Metode Particle Swarm Optimization (PSO) Pada Prediksi Penilaian Apartemen

Abstract

One property that is currently being glimpsed by investors is an apartment. Property consulting companies as one of the service provider companies that become a link between apartment owners and apartment enthusiasts, have an important task in terms of providing information about the assessment of the offered institutions. This study will conduct a trial on the accuracy of apartment assessment predictions using the Support Vector Machine (SVM) method, then will be compared again with the results of the accuracy of the assessment method Support Vector Machine (SVM) combined using the optimization method Particle Swarm Optimization (PSO). The results of the combination of the application of SVM and PSO are used to optimize attribute selection in apartment valuation to improve the accuracy of using the SVM method. This study shows that the Particle Swarm Optimization (PSO) Support Vector Machine (SVM) method is a pretty good method of data classification, because it can seen from the increase in accuracy of 2.84% and AUC of 0.003. Subjects (attributes) that affect apartment valuation are seen from rent prices (price range), city (apartment location), size (area), furnisihing (equipment), bedroom (number of bedrooms), bathroom (number of bathrooms) and maids badroom (number of maid rooms). The results of the attribute testing showed that city attributes (apartment locations), furnisihing (equipment) and maid badroom (number of maid rooms) greatly influenced the valuation of an apartment.

Analysis of Random Forest, Multiple Regression, and Backpropagation Methods in Predicting Apartment Price Index in Indonesia

“…This happens because the dataset used in this study is minimal, so that the Multiple Regression method is inferior in studying previous data patterns to predict existing data. One of the supporting studies is research [24] which states that an essential step in predicting Multiple Regression is to consider the pattern found in the observed data. Research [12] Multiple Regression method has 84.5% accuracy in predicting price properties with several parameters.…”

Particle Swarm Optimization dan Genetic Algorithm untuk analisis sentimen pemekaran Papua di Twitter berbasis Support Vector Machine

“…Kesulitan pemilihan fitur yang tepat pada SVM dapat mengakibatkan nilai akurasi yang diperoleh tidak stabil. Untuk mengatasi hal tersebut Particle Swarm Optimization (PSO) dan Genetic Algorithm (GA) diterapkan untuk menentukan parameter optimal untuk mendapatkan nilai akurasi terbaik pada SVM [4]. Kelebihan yang dimiliki PSO yakni kecepatan dalam menyelesaikan suatu permasalahan optimasi lebih cepat serta dapat digunakan untuk memecahkan masalah optimasi pada berbagai aplikasi di berbagai bidang [5].…”

“…Fungsi dari penerapan feature selection untuk mengurangi atribut yang tidak relevan pada dataset [13]. Dua diantara feature selection yang memiliki performa cukup baik adalah PSO dan GA. Penerapan PSO pada SVM dapat mendukung pengambilan keputusan serta merupakan metode yang cukup baik dalam mengklasifikasikan data [4] dan dengan penerapan GA pada SVM dapat mencapai kinerja yang lebih baik dalam meningkatkan akurasi pengklasifikasian [14].…”

Optimalisasi Support Vector Machine Menggunakan Particle Swarm Optimization Untuk Mendiagnosa Penyakit Kanker Payudara

“…Support Vector Machine (SVM) dikenal juga dengan support vector network yang merupakan metode supervised terkait dengan learning algorithm untuk analisa pola data yang digunakan untuk klasifikasi dan regresi. SVM merupakan usaha mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada input space (Nilawati and Achyani 2019).…”