Exploratory Data Analysis Airbnb New York City Menggunakan Python
Sebagai orang yang menggemari bidang data, tentu kata EDA atau Exploratory Data Analysis merupakan kata yang akrab digunakan yang merujuk pada proses analisis data. Dalam EDA terdapat proses membaca, memahami, serta mengolah data mentah sehingga menjadi sebuah “cerita” yang dapat dipahami oleh masyarakat luas, tergantung dari data yang dimiliki dan tujuan dari penggunaan data itu sendiri.
EDA yang saat ini akan dilakukan yaitu Exploratory Data Analysis terhadap data Airbnb di New York City. Dataset yang digunakan pada case study ini disediakan oleh RevoU team, yang merujuk pada data Airbnb di Kaggle (by Dgmonov). Data originalnya bersumber pada insideairbnb.com. Dataset yang digunakan pada case study ini dapat diperoleh di link berikut.
Dalam Exploratory Data Analysis, terdapat beberapa tahapan proses yang dilakukan sehingga dataset yang ada dapat kita pahami dan kita ubah menjadi sebuah “cerita” yang dapat dengan mudah dimengerti oleh orang lain.
Intro
New York City merupakan kota terpadat di Amerika Serikat dan pusat wilayah metropolitan New York yang merupakan salah satu wilayah terpadat di Dunia. Sebagai kota global yang maju, New York memberi pengaruh besar terhadap perdagangan, keuangan, media, budaya, seni, mode, riset , penelitian, dan hiburan dunia. Hal ini tentu membuat banyak traveller atau wisatawan berkunjung ke New York sepanjang tahun. Dengan banyaknya jumlah wisatawan yang berkunjung ke new york, tentu tidak lepas dari akomodasi penginapan, salah satunya Airbnb.
Airbnb merupakan layanan online yang menyediakan jasa sewa rumah atau apartemen yang tersebar di berbagai penjuru dunia. Dengan kata lain, saat kamu sedang traveling dan membutuhkan penginapan, kamu bisa memesannya melalui Airbnb.
Kita akan mengekplorasi data tentang Airbnb di New York City dari tahun 2021 sehingga mendapatkan insight dan pengetahuan tentang bisnis Airbnb di New York City, mencakup di lima wilayah (borough) yaitu Manhattan, Brooklyn, Bronx, Queens, dan Staten Island.
Menentukan Masalah (Defining the Problems)
Dalam setiap penyelesaian masalah, langkah pertama tentu mendefinisikan masalah atau mengidentifikasi masalah yang perlu dipecahkan terlebih dahulu. Berdasarkan dataset yang tersedia, kita dapat mendefinisikan masalah dengan serangkaian pertanyaan seperti berikut:
· Bagaimana perbandingan total listing properti Airbnb di masing-masing area (borough)? Borough manakah dengan total listing terbanyak?
· Berapa harga rata-rata listing / penyewaan properti Airbnb di masing-masing borough?
· Bagaimanakah tren penyewaan properti Airbnb di New York City pada tahun 2021?
· Berapa harga rata-rata penyewaan properti Airbnb untuk masing-masing tipe kamar di setiap borough?
· Dimana saja kah neighborhood di New York City dengan listing properti Airbnb terbanyak?
Alat yang Digunakan (Tools)
Data Cleaning
a. Memuat Dataset (Loading Dataset)
Langkah pertama yang harus dilakukan adalah memuat dataset terlebih dahulu agar dapat diolah. Dataset berformat .csv ini dapat dimuat dengan perintah berikut:
import pandas as pd
import datetime as dt
import matplotlib.pyplot as plt
import seaborn as snsinn = pd.read_csv('NYC AirBnB Dummy Data - DAMC_C.csv', sep=';', encoding ='unicode_escape')
inn.head()
b. Gambaran Umum Data (Overview of The Data)
Setelah memuat dataset, langkah selanjutnya adalah mengecek data yang sudah dimuat karena prinsip analisis data adalah kita harus mengetahui dan memahami dataset yang kita miliki sebelum mengolah data tersebut.
Ada beberapa perintah yang dapat digunakan untuk mempelajari data yang telah kita muat:
Mengecek tipe data dari dataset
inn.dtypesMenampilkan informasi dari DataFrame
inn.info() #menampilkan info dari DataFrameMengecek data duplikat
inn[inn.duplicated()] #Mengecek data duplikatMengecek data null
inn.isna().sum() #mengecek data nullHasilnya:
Berdasarkan data ternyata terdapat data null pada dataset, tepatnya pada data host_name berjumlah 8 data.
c. Menampilkan Data Null
Data null yang diketahui jumlahnya perlu untuk ditampilkan terlebih dahulu
inn[inn.isnull().any(axis=1)] #menampilkan data null
Pada data null (NaN values) ada beberapa cara untuk mengatasinya, bisa dihapus atau mengisi/mengganti nilai yang kosong dengan nilai tertentu
d. Mengatasi Data Null (Mengganti Data Bernilai NaN dengan 0)
Data yang bernilai NaN adalah data pada kolom “host_name”. Setiap data lain pada baris yang sama (listing id, room type, price, dan lainnya) dapat berguna untuk analisis data. Oleh karena itu cara terbaik untuk mengatasi data dengan nilai NaN adalah menggantinya dengan nilai lain, yaitu nilai “0” (zero) sehingga data lain pada baris tersebut masih bisa digunakan.
inn = inn.copy()
inn.fillna({'host_name':0}, inplace=True)
#Mengganti data null pada ‘host_name’ dengan nilai lain, yaitu “0”Setelah data null (NaN Values) diganti/diisi nilainya dengan “0”, tidak terdapat data dengan nilai NaN pada dataset.
inn.isna().sum() #mengecek data null
Cara ini bisa sangat berguna, terutama apabila data dengan nilai null (NaN) terdapat pada banyak baris, apabila baris tersebut dihapus maka akan mempengaruhi hasil analisis data.
e. Mengubah Tipe Data di Kolom Price dari String (Object) ke Integer
Ada beberapa langkah yang dilakukan dalam mengubah tipe data pada kolom price dari string ke integer yaitu:
Menghapus teks “ dollars” pada data di kolom price
#Menghapus teks " dollars" pada data dikolom price
inn['price'] = inn['price'].str.strip(' dollars')Mengubah type data kolom price ke int
#Mengubah type data kolom price ke int
inn['price'] = inn['price'].astype('int')
inn.dtypes
Hasilnya:
inn.head() #mereturn 5 baris pertama
Hasilnya adalah tidak terdapat kata “dollars” setelah angka pada kolom price.
f. Merapikan Kategori Tipe Kamar (Room Type)
Karena bahasa pemrograman python bersifat case sensitive, maka tipe kamar yang sama akan teridentifikasi sebagai tipe kamar yang berbeda dikarenakan perbedaan penulisan huruf kapital. Oleh karena itu maka penulisan tipe kamar pada kolom room_type harus disamakan terlebih dahulu.
inn.room_type.unique()
Mengganti karakter pertama setiap kata menjadi kapital
inn['room_type'] = inn['room_type'].str.title()
inn.head()
Hasilnya:
inn.room_type.unique()
Dengan menyamakan format penulisan tipe kamar pada dataset, maka hasilnya akan menunjukkan 3 tipe kamar yaitu “Entire Home/Apt”, “Private Room”, dan “Shared Room”.
g. Membagi kolom “neighborhood_full” menjadi 2
Membagi kolom berdasarkan pemisah ‘,’ pada data kolom “neighborhood_full”
inn['neighborhood_full'].str.split(',', expand=True)
Data neighborhood_full dibagi menjadi 2 yaitu borough (Manhattan, Brooklyn, dst) dan neighborhood (Midtown, Klinton Hill, dst) Namun agar lebih mudah dipahami, kita akan menggantinya dengan area (borough) dan sub area (neighborhood).
inn[['area','sub_area','none']] = inn['neighborhood_full'].str.split(', ', expand=True)
inn = inn.drop(columns=['none']) #Menghapus kolom 'none'
inn.head()Hasilnya:
h. Mengatur dan menyesuaikan waktu (date time) di kolom “last_review”
Perhatikan data pada kolom last_review berikut
Bisa dilihat bahwa terdapat kejanggalan pada data last_review sebelumnya, yaitu semua tanggalnya 21 dan dengan tahun yang bervariasi, mulai dari tahun terlampau yakni 1930, 2001 hingga 2024. Dengan demikian bisa diasumsikan bahwa data diinputkan secara terbalik sehingga tahun 2021 dibaca menjadi tanggal 21.
Oleh karena itu perlu kita ubah data tersebut dengan perintah
inn['last_review'] ='20' + inn['last_review'].astype(str) #menambahkan '20' di awal kata
inn['last_review'] = inn['last_review'].str.split('/').apply(lambda x: '/'.join(x[::-1])) #membalik urutan
inn['last_review'] = inn['last_review'].str[2:] #menghapus 2 karakter pertama yaitu '20'
Perintah tersebut secara berurutan dimulai dengan menambahkan teks “20” pada awal kata sehingga teks “21” pada data waktu yang misalkan awalnya “21/07/2005” menjadi “2021/07/2005”.
Kemudian urutan teks dibalik sehingga yang awalnya “2021/07/2005” berubah menjadi “2005/07/2021”.
Langkah selanjutnya yaitu menghapus 2 karakter pertama sehingga “2005/07/2021” menjadi “05/07/2021”.
Hasilnya:
Hasilnya adalah data waktu pada kolom last_review menjadi lebih masuk akal seperti yang ditunjukkan pada gambar.
Selanjutnya adalah mengkonversi tipe data pada kolom last_review menjadi dtype (object) dengan perintah
inn['last_review'] = pd.to_datetime(inn['last_review']).dt.date
inn.dtypes #mengecek tipe data masing-masing kolom
Perintah tersebut ditujukan untuk mengubah tipe data menjadi datetime object.
Setelah perintah tersebut maka data yang kemudian menjadi datetime object akan menjadi seperti berikut
i. Menyeleksi data dengan tanggal yang melebihi hari ini
Proses data cleaning ini dilakukan pada bulan April 2022, jadi tidak masuk akal apabila terdapat data pada tanggal melebihi bulan April 2022, misalnya Mei 2022, Juni 2022, dan seterusnya. Oleh karena itu data tersebut perlu untuk dihapus.
Pertama kita tampilkan data dengan tanggal yang melebihi hari ini dengan perintah:
today = dt.date.today()
inn[inn['last_review'] > today] #data dengan tanggal yang melebihi hari ini (ga make sense)Jika terdapat data dengan tanggal melebihi hari ini maka hasilnya akan seperti berikut
Kemudian kita seleksi data tersebut sehingga tidak ada data yang melebihi tanggal hari ini
inn.loc[inn['last_review'] > today, 'last_review'] = todayinn[inn['last_review'] > today]Hasilnya:
Hasil dari perintah tersebut menunjukkan bahwa tidak ada data yang melebihi hari ini atau lebih tepatnya waktu saat dilakukannya proses data cleaning (April 2022).
j. Ringkasan Statistik
Setelah tahapan-tahapan sebelumnya, kita perlu melihat ringkasan statistik sebagai review sementara dari dataset yang kita miliki.
inn.describe()
Dari data yang ditampilkan, sekilas terlihat bahwa dari 24999 transaksi penyewaan properti (count), harga rata-rata (mean) adalah sebesar 141,89 dollar.
Namun, diketahui pula bahwa harga minimum yaitu 0 dollar (gratis) yang tentu saja terlalu rendah dan harga maksimum adalah 7500 dollar yang sudah terlalu tinggi.
Jadi perlu menganalisis dan mencari outlier dari data tersebut karena data yang diketahui tidak wajar.
k. Mendeteksi Outlier
Untuk mendeteksi outlier pada dataset yang kita miliki, langkah pertama yaitu menggunakan metode agg pada kolom price
inn.agg({'price': ['mean', 'median', 'min', 'max', 'count']})Hasilnya:
Dari hasil yang didapatkan, dapat dilihat bahwa pada mean pada harga penyewaan lebih tinggi dari median dengan selisih yang jauh. Oleh karena itu ada kemungkinan bahwa terdapat outlier pada dataset.
Langkah selanjutnya yaitu melakukan upaya mendeteksi outlier menggunakan boxplot menggunakan perintah berikut:
#mencari outlier
plt.figure(figsize=(10,5))
ax = sns.boxplot(y='price', data=inn).set_title('Distribusi Harga per Area')
sns.set_theme(style='dark')
plt.xlabel('Area')
plt.ylabel('Price')
plt.show()Maka hasilnya yaitu boxplot akan ditampilkan seperti berikut
Setelah upaya mendeteksi outlier menggunakan boxplot seperti gambar di atas, dapat diketahui bahwa terdapat outlier pada data.
Terdapat beberapa metode untuk mengatasi outlier, yaitu
· Trimming/removing the outlier,
· Quantile based flooring and capping,
· Mean/median imputation
Untuk mengatasi outlier pada data Airbnb, kita akan menggunakan metode quantile based flooring and capping.
l. Mengatasi Outlier
Setelah mendeteksi outlier, kemudian langkah selanjutnya adalah mengatasi outliter tersebut. Metode yang akan digunakan kali ini adalah menggunakan metode quantile based flooring and capping. Dalam metode ini, data yang akan digunakan adalah data yang berada di atas persentil ke-10 dan di bawah persentil ke-90.
Oleh karena itu dapat disebut juga bahwa data yang berada di bawah persentil ke-10 dan data yang berada di atas persentil ke-90 akan kita anggap outlier.
Pertama kita akan mencari data persentil ke-10 sebagai batas bawah data yang akan kita gunakan. Kita dapat menggunakan perintah berikut untuk menentukan data persentil ke-10
lowq = inn['price'].quantile(0.10)
lowq
Dari perintah tersebut dapat diketahui bahwa data persentil ke-10 bernilai 49 dollar. Selanjutnya kita akan mencari data persentil ke-90 sebagai batas atas data yang akan kita gunakan. Kita dapat menggunakan perintah berikut untuk menentukan data persentil ke-90
highq = inn['price'].quantile(0.90)
highq
Setelah mengetahui nilai data persentil ke-10 dan data persentil ke-90, maka dapat kita ketahui bahwa data dengan nilai harga penyewaan Airbnb di bawah 49 dollar atau di atas 250 dollar adalah outlier sehingga dapat kita hapus data bernilai tersebut dari dataset.
Untuk menghapus data dengan nilai di bawah persentil ke-10 atau di bawah 49 dollar, kita dapat menggunakan perintah
#menghapus baris dengan nilai di bawah persentil ke-10
inn = inn.drop(inn[inn.price < lowq].index) Sedangkan untuk menghapus data dengan nilai di atas persentil ke-90 atau di atas 250 dollar, kita dapat menggunakan perintah
# menghapus baris dengan nilai di atas persentil ke-90
inn = inn.drop(inn[inn.price > highq].index) Setelah data di bawah persentil ke-10 dan di atas persentil ke-90 dihapus, dapat dilakukan visualisasi menggunakan boxplot untuk melihat data yang digunakan setelah menghapus outlier.
import matplotlib.pyplot as plt
import seaborn as sns
plt.figure(figsize=(10,5))
ax = sns.boxplot(y='price', data=inn).set_title('Distribusi Harga')
sns.set_theme(style='dark')
plt.ylabel('Harga')
plt.show()Hasilnya:
Dari boxplot di atas diketahui bahwa data yang akan digunakan yaitu data yang berada pada rentang harga 49 dollar (persentil ke-10) hingga 250 dollar (persentil ke-90).
Sehingga dapat disimpulkan bahwa data dengan harga di bawah 49 dollar dan di atas 250 dollar adalah outlier sehingga tidak akan digunakan (dihapus).
Setelah melalui tahap ini, kita dapat melihat informasi dari DataFrame dengan perintah
inn.info()Hasilnya:
m. Ekspor Dataset
Data yang telah melalui tahapan proses data cleaning ini kemudian diekspor ke dalam format dokumen Excel dengan perintah
inn.to_excel('airBNBNY_data_cleaned.xlsx', encoding='utf-8', index=False) Dataset yang telah melalui tahapan data cleaning dapat diunduh di link berikut.
Analyze and Visualize Data
Analisis dan visualisasi data ini akan dilakukan menggunakan Tableau dengan data yang digunakan adalah dataset yang telah melalui tahapan data cleaning. Visualisasi data pada Tableau dapat dilihat pada link berikut.
Total Listing by Area (borough)
Untuk menjawab pertanyaan “Bagaimana perbandingan total listing (penyewaan) properti Airbnb di masing-masing area (borough)? Borough manakah dengan total listing terbanyak?” maka perhatikan data berikut
Dengan total hampir 21rb (20.247) listing atau pemesanan sewa properti Airbnb, Brooklyn adalah area (borough) dengan jumlah listing tertinggi dengan jumlah 8.612 listing diikuti oleh Manhattan dengan jumlah 8.288.
Average Price by Area (borough)
Untuk menjawab pertanyaan “Berapa harga rata-rata listing / penyewaan properti Airbnb di masing-masing borough?” maka perhatikan data berikut
Dapat dilihat bahwa area (borough) termahal adalah Manhattan, dengan harga rata-tata 136,254 dollar. Wilayah paling mahal kedua adalah Brooklyn, dengan harga rata-rata 111,987 dollar dan dengan borough paling terjangkau adalah Bronx, dengan harga rata-rata 88,9769 dollar.
Trend of Listings Properties by Borough on 2021
Untuk menjawab pertanyaan “Bagaimanakah tren penyewaan properti Airbnb di New York City pada tahun 2021?” maka perhatikan data berikut
Pada quartal pertama ke quartal kedua tahun 2021 terdapat kenaikan jumlah listing properti Airbnb di masing-masing area (borough), dengan jumlah kenaikan tertinggi terdapat pada Brooklyn kemudian Manhattan, sedangkan borough dengan kenaikan terendah yaitu Staten Island yang memiliki total listing berjumlah 39 pada quartal pertama dan 134 listings pada quartal kedua.
Namun, terdapat penurunan jumlah listing atau penyewaan pada masing-masing borough pada quartal ketiga dan keempat pada 2021.
Secara garis besar, dapat disimpulkan bahwa trend dari listing properti Airbnb di New York City pada sepanjang tahun 2021 mengalami penurunan.
Average Price by Room Type
Untuk menjawab pertanyaan “Berapa harga rata-rata penyewaan properti Airbnb untuk masing-masing tipe kamar di setiap borough?” maka perhatikan data berikut
Data di atas dikelompokkan berdasarkan Area (borough) dan tipe kamar. Manhattan dan Brooklyn bisa disebut sebagai wilayah yang populer bagi wisatawan sehingga dapat dilihat bahwa harga rata-rata apartment/Entire home yang disewakan lebih merupakan yang tertinggi dibandingkan 3 wilayah lainnya.
Meskipun Manhattan menjadi wilayah dengan harga rata-rata tertinggi untuk tipe kamar Entire Home/Apt dan Private room, namun harga rata-rata tipe kamar shared room yang tertinggi terletak di wilayah Brooklyn yaitu 79,78 dollar.
Sungguh aneh bahwa harga rata-rata shared room di Staten Island tidak muncul dalam grafik, ternyata bahkan pada dataset yang belum di cleaning, hanya terdapat 2 listings kamar tipe shared room di Staten Island dengan harga 13 dollar dan 30 dollar yang merupakan outlier.
Top 5 Sub Area (Neighborhood) In NYC with the Most Listings
Untuk menjawab pertanyaan “Dimana saja kah neighborhood di New York City dengan listing properti Airbnb terbanyak?” maka perhatikan data berikut
Sub Area (neighborhood) dengan jumlah listing properti Airbnb terbanyak adalah Bedford-Stuyvesant yaitu 1.835 listing dan Williamsburg dengan jumlah 1.580 listing, keduanya berada di Brooklyn. Kemudian diurutan ketiga yaitu Harlem dengan jumlah listing 1.256 yang terletak di Manhattan. Posisi ke 4 dan 5 berturut-turut yaitu Bushwick yang terletak di Brooklyn dan Hell’s Kitchen di Manhattan.
Hal ini dapat dimengerti karena Brooklyn dan Manhattan merupakan daerah yang sangat populer dikalangan wisatawan.
Kesimpulan
Dapat disimpulkan bahwa Brooklyn dan Manhattan adalah borough paling populer di New York City. Hal ini dapat dilihat dari jumlah total listing dari 2 borough ini dibandingkan 3 borough lainnya (Queens, Bronx, dan Staten Island), Khususnya di Bedford-Stuyvesant dan Wiliamsburg yang terletak di Brooklyn serta pada Harlem di Manhattan yang merupakan neighborhood dengan total listing tertinggi.
Sehingga masuk akal apabila Manhattan menjadi borough dengan harga rata-rata listing termahal, diikuti oleh Brooklyn. Bahkan meskipun harga rata-rata dari tipe kamar Entire home/apt dan private room di Manhattan cenderung lebih tinggi daripada borough lainnya, Manhattan tetap menempati posisi yang tinggi dalam jumlah listing disusul oleh Brooklyn yang menempati posisi tertinggi dalam harga rata-rata listing untuk tipe kamar shared room. Hal tersebut sangat berbeda dengan tiga borough lainnya terutama Bronx menjadi wilayah dengan harga rata-rata listing properti Airbnb terendah yaitu 88,97 dollar.
Namun, meskipun harga rata-rata listing properti Airbnb di New York City termasuk tinggi khususnya di Manhattan dan brooklyn, namun secara umum tren penyewaan / listing properti Airbnb di New York menurun sepanjang tahun 2021, hal ini bisa disebabkan oleh banyak faktor, salah satunya bisa karena dampak dari pandemi covid-19 yang menyebabkan jumlah wisatawan yang datang ke New York berkurang sehingga otomatis jumlah listing pada properti Airbnb pun menurun.
Actionable Insight bagi Calon Penyewa
Pemilihan Lokasi Penginapan
Daerah paling populer dan strategis
Jika Anda ingin menginap di daerah yang paling populer dan strategis di New York City, Brooklyn dan Manhattan adalah pilihan terbaik.
Brooklyn menawarkan jumlah listing terbanyak dan harga yang lebih kompetitif, terutama di neighborhood seperti Bedford-Stuyvesant dan Williamsburg.
Manhattan memiliki harga rata-rata yang lebih tinggi tetapi menawarkan kemudahan akses ke banyak atraksi dan fasilitas utama di kota.
Penginapan dengan harga terjangkau
Jika Anda mencari penginapan dengan harga yang lebih terjangkau, Bronx adalah opsi terbaik dengan harga rata-rata paling rendah di antara semua borough, yaitu sekitar $88.97 per malam.
Pemilihan Jenis Kamar
Kamar dengan privasi penuh
Bagi yang mencari privasi penuh, menyewa apartemen atau Rumah (Entire Home/Apt) di Manhattan akan memberikan pengalaman terbaik, meskipun dengan harga yang lebih tinggi. Brooklyn juga menawarkan opsi ini dengan harga yang sedikit lebih rendah.
Kamar dengan harga lebih ekonomis
Jika Anda lebih memilih opsi yang lebih ekonomis dan tidak keberatan berbagi ruang dengan orang lain, shared room di Brooklyn bisa menjadi pilihan dengan harga rata-rata 79,8 dollar.
Tren Penurunan Harga dan Listing
Memanfaatkan Tren Penurunan
Mengingat adanya tren penurunan jumlah listing selama tahun 2021, mungkin ada peluang untuk menegosiasikan harga atau mendapatkan penawaran lebih baik, terutama jika tren ini berlanjut.
Actionable Insight bagi Pemilik Properti Airbnb
Lokasi Strategis untuk Investasi
Menyesuaikan Harga dengan Pasar
Dengan harga rata-rata penyewaan properti yang lebih tinggi di Manhattan, pemilik properti dapat memanfaatkan potensi pendapatan yang lebih besar. Namun, perlu menyesuaikan harga dengan kondisi pasar dan kompetitor untuk menarik lebih banyak penyewa.
Strategi Harga di Bronx
Menawarkan properti di Bronx dengan harga yang lebih rendah dapat menarik penyewa yang mencari opsi lebih terjangkau. Menjaga harga tetap kompetitif bisa menjadi kunci untuk mempertahankan okupansi yang tinggi.
Pengelolaan Listing selama Tren Menurun
Menyesuaikan Penawaran dengan Tren Penurunan
Dengan adanya penurunan tren listing selama tahun 2021, penting untuk mempertahankan kualitas layanan dan mungkin menawarkan diskon atau promosi untuk menarik penyewa. Fokus pada ulasan positif dan pengalaman penyewa dapat membantu meningkatkan visibilitas listing di platform Airbnb.
Optimalkan Tipe Kamar
Prioritaskan Entire Home/Apt
Mengingat bahwa tipe kamar Entire Home/Apt memiliki harga rata-rata tertinggi dan menarik lebih banyak penyewa yang mencari privasi, pemilik properti dapat mempertimbangkan untuk menyediakan lebih banyak unit dengan tipe ini.
Diversifikasi dengan Private Room
Menyediakan pilihan private room dengan harga kompetitif, terutama di borough yang lebih populer, dapat menarik segmen pasar yang berbeda dan meningkatkan pendapatan.
