Prediksi Harga Sewa Tenant dengan Pendekatan Hybrid K-prototype Clustering dan Categorical Boosting pada Mall XYZ

Abstract

Mall XYZ menghadapi tantangan dalam menetapkan harga sewa yang kompetitif dan berbasis data bagi tenant, terutama akibat ketimpangan performa tenant. Ketimpangan ini dipengaruhi oleh variabel seperti jenis usaha, lokasi, dan kapasitas finansial tenant. Untuk mengatasi tantangan tersebut, penelitian ini bertujuan membangun sistem pendukung keputusan yang mengintegrasikan segmentasi tenant dan prediksi harga sewa.

Penelitian mengusulkan pendekatan hybrid yang menggabungkan K-Prototype dan K-Medoid Clustering untuk segmentasi tenant berdasarkan karakteristik multidimensional, serta algoritma Categorical Boosting (CatBoost) untuk memprediksi harga sewa. Dataset yang digunakan meliputi data historis kontrak sewa tenant periode 2015 hingga 2025, dilengkapi variabel eksternal berupa inflasi dan pertumbuhan PDRB Kota Surabaya untuk meningkatkan kontekstualitas prediksi.

Pendekatan hybrid yang menggabungkan segmentasi tenant dan prediksi berbasis CatBoost menghasilkan peningkatan akurasi prediksi harga sewa. Segmentasi yang diperoleh memberikan wawasan berbasis data yang dapat digunakan oleh manajemen Mall XYZ dalam evaluasi kebijakan harga. Selain itu, sebuah dashboard juga dikembangkan untuk memvisualisasikan hasil prediksi dan analisis klaster guna mendukung proses pengambilan keputusan operasional.