Analisis Pemasaran Mikro Perumahan Terjangkau Indonesia Menggunakan Deteksi Komunitas dengan Algoritma Leiden

Subhan Nooriansyah; Yusuf Amrozi; Faridatun Nadziroh; Arrio Eka Firmansyah

doi:10.55382/jurnalpustakadata.v6i4.2349

Penulis

Subhan Nooriansyah UIN Sunan Ampel Surabaya
Yusuf Amrozi UIN Sunan Ampel Surabaya
Faridatun Nadziroh Politeknik Elektronika Negeri Surabaya
Arrio Eka Firmansyah UIN Sunan Ampel Surabaya

DOI:

https://doi.org/10.55382/jurnalpustakadata.v6i4.2349

Kata Kunci:

Perumahan Terjangkau, Analitik Pemasaran Mikro, Klasterisasi, Deteksi Komunitas, Algoritma Leiden

Abstrak

Populasi Indonesia diproyeksikan mencapai sekitar 287,19 juta jiwa pada tahun 2026. Perubahan demografis dari tahun 2025 hingga 2026 dapat meningkatkan urbanisasi di wilayah metropolitan utama. Hal ini selanjutnya dapat memengaruhi pasar pembelian perumahan di setiap provinsi. Fokus pembelian rumah dapat diperluas ke ranah perumahan terjangkau dengan mempertimbangkan faktor provinsi, jenis properti, harga, serta status properti (bersubsidi atau komersial). Penelitian ini mengusulkan metode pengelompokan jaringan pada perumahan terjangkau dengan kategori bersubsidi pada skala nasional, menggunakan teknik deteksi komunitas untuk mendukung analisis pemasaran mikro. Dalam proses penelitian ini, data dikumpulkan melalui unduhan dari Kaggle. Kemudian, data dibersihkan, dilakukan penentuan rekayasa fitur, dan konstruksi graf untuk deteksi komunitas menggunakan algoritma Leiden. Selanjutnya, hasil pengelompokan dievaluasi menggunakan skor Silhouette untuk mengukur tingkat pemisahan antarklaster, menghitung kedekatan antar data dalam satu kelompok klaster dengan Davies-Bouldin Index (DBI), serta Normalized Mutual Information (NMI) dan Adjusted Rand Index (ARI) untuk mengevaluasi deteksi komunitas. Algoritma Leiden menghasilkan nilai modularitas tertinggi (0.976) dan konduktans terendah (0.005) dibandingkan dengan empat metode pembanding lainnya; hal ini menunjukkan terbentuknya komunitas jaringan yang terdefinisi dengan baik. Hasil ini mengungguli metode lain dengan mencapai nilai NMI tertinggi dan skor ARI sebesar 1.0, meskipun nilai S -0.0196 dan BDI 0.685 menunjukkan nilai yang lebih rendah dibandingkan dengan KMeans dan HDBSCAN. Metode Leiden masih dapat membentuk komunitas yang utuh melalui klaster 437, di mana hampir semua klaster 0 hingga 9 menunjukkan perumahan terjangkau yang bercampur dengan perumahan komersial.

Unduhan

Data unduhan belum tersedia.

Referensi

B.-S. Indonesia, “Mid Year Population - Statistical Data.” Accessed: Jul. 16, 2026. [Online]. Available: https://www.bps.go.id/en/statistics-table/2/MTk3NSMy/mid-year-population--thousand-people-.html

A. A. Y. Sukmatika, “Perubahan Struktur Demografis Indonesia: Tantangan & Rekomendasi,” HUMANIORUM, vol. 3, no. 1, pp. 7–15, Jan. 2025, doi: 10.37010/hmr.v3i1.62.

U. Jannah and J. Adianto, “Getting a Home for Urban Young Adults: A preliminary study of intergenerational housing transitions in Indonesia,” vol. 08, no. 02, 2024.

K. N. Yohanes, H. S. Hamumpuni, and M. P. P. Utami, “The middle-income trap problem faced by millennials and gen z in jakarta: Challenges and mitigating strategies,” Crit. Issue Sustain. Future, vol. 2, no. 1, pp. 45–65, Feb. 2025, doi: 10.61511/crsusf.v2i1.1803.

M. Hasanah, H. Permadi, and N. Rista, “Studi Perbandingan Gen Millenial Dan Gen Z Terhadap Daya Beli Dan Minat Konsumen Pada Pt Apfiani Anugerah Properti,” Econ. Digit. Bus. Rev., vol. 7, no. 1, pp. 348–373, Sep. 2025, doi: 10.37531/ecotal.v7i1.3115.

M. D. L. P. Dewi and I. Wasito, “Evaluation of Cluster Models for Creating Profiles of Home Buyers,” Sink. J. Dan Penelit. Tek. Inform., vol. 8, no. 4, pp. 2116–2124, Oct. 2024, doi: 10.33395/sinkron.v8i4.13888.

M. N. Maulana, A. M. R. R. Ilham, and D. I. S. Akis, “Comparative Analysis of K-Means and DBSCAN for Data-Driven E-Commerce Transaction Segmentation Using Price and Quantity Attributes,” Soc. Transform. Data Soc., vol. 1, no. 1, pp. 37–51, May 2026, Accessed: Jul. 18, 2026. [Online]. Available: https://journal.abcollab.id/index.php/STDS/article/view/61

R. Ibraimoh and A. Aderoba, “Comparison of K-Means and HDBSCAN Clustering Approaches to Enhance Marketing Strategies,” vol. 8, no. 3, 2024.

V. D. Blondel, J.-L. Guillaume, R. Lambiotte, and E. Lefebvre, “Fast unfolding of communities in large networks,” J. Stat. Mech. Theory Exp., vol. 2008, no. 10, p. P10008, Oct. 2008, doi: 10.1088/1742-5468/2008/10/P10008.

V. Traag, L. Waltman, and N. J. van Eck, “From Louvain to Leiden: guaranteeing well-connected communities,” Oct. 30, 2019. doi: 10.1038/s41598-019-41695-z.

A. P. Wardani, T. Trimono, and M. Nasrudin, “Implementation of Multiplex Leiden Algorithm for Clustering Ancol Visitors,” Bit-Tech, vol. 8, no. 3, pp. 3565–3576, Apr. 2026, doi: 10.32877/bt.v8i3.3608.

F. Amalia Maresti, G. Mustika Anugraheni, R. A. Hargiyanto, and K. Mustaqim, “PENERAPAN EXPLORATORY DATA ANALYSIS (EDA) DAN ANALISIS RECENCY, FREQUENCY, AND MONETARY (RFM) UNTUK SEGMENTASI PELANGGAN E-COMMERCE,” Competitive, vol. 19, no. 1, pp. 14–25, Jun. 2024, doi: 10.36618/competitive.v19i1.4059.

“Scalable Varied-Density Clustering via Graph Propagation.” Accessed: Jul. 27, 2026. [Online]. Available: https://arxiv.org/html/2508.02989v1

W.-L. Zhao, H. Wang, and C.-W. Ngo, “Approximate k-NN Graph Construction: a Generic Online Approach,” Sep. 17, 2020, arXiv: arXiv:1804.03032. doi: 10.48550/arXiv.1804.03032.

A. Kovalenko, V. Pozdnyakov, and I. Makarov, “Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data,” Oct. 20, 2022, arXiv: arXiv:2210.11164. doi: 10.48550/arXiv.2210.11164.

P. M. Hasugian, D. Mathelinea, S. Simamora, and P. B. N. Simangunsong, “Comparative Evaluation of Data Clustering Accuracy through Integration of Dimensionality Reduction and Distance Metric,” MATRIK J. Manaj. Tek. Inform. Dan Rekayasa Komput., vol. 24, no. 3, pp. 579–590, Jul. 2025, doi: 10.30812/matrik.v24i3.5057.

A. D. McCarthy, T. Chen, R. Rudinger, and D. W. Matula, “Metrics matter in community detection,” vol. 881, 2020, pp. 164–175. doi: 10.1007/978-3-030-36687-2_14.

V. Labatut, “Generalized Measures for the Evaluation of Community Detection Methods,” Int. J. Soc. Netw. Min., vol. 2, no. 1, p. 44, 2015, doi: 10.1504/IJSNM.2015.069776.