Gunawan, Ryan (2024) Implementasi Hybrid Machine Learning Algorithm untuk Prediksi Harga Rumah di Bandung. Bachelor Thesis, Universitas Multimedia Nusantara.
![]() |
PDF
HALAMAN_AWAL.pdf Download (832kB) |
![]() |
PDF
BAB_I.pdf Download (298kB) |
![]() |
PDF
BAB_II.pdf Download (291kB) |
![]() |
PDF
BAB_III.pdf Download (200kB) |
![]() |
PDF
BAB_IV.pdf Restricted to Registered users only Download (1MB) |
![]() |
PDF
BAB_V.pdf Download (91kB) |
![]() |
PDF
DAFTAR_PUSTAKA.pdf Download (163kB) |
![]() |
PDF
LAMPIRAN.pdf Restricted to Registered users only Download (461kB) |
Abstract
Pemahaman terhadap faktor-faktor yang memengaruhi nilai properti esensial bagi penjual dan pembeli. Bagi penjual, pemahaman tentang dinamika pasar, karakteristik properti, dan faktor eksternal seperti perkembangan infrastruktur dan tren ekonomi lokal memungkinkan penetapan harga properti yang akurat dan kompetitif. Bagi pembeli, pengetahuan tentang variabel yang mempengaruhi nilai properti memungkinkan analisis lebih teliti, mempertimbangkan potensi apresiasi nilai properti, dan membuat keputusan investasi strategis. Penelitian ini menganalisis variabel yang mempengaruhi harga rumah dan mengembangkan sistem prediksi harga rumah untuk membantu pengambilan keputusan bagi penjual dan pembeli properti. Penelitian ini menganalisis dataset katalog rumah menggunakan Big Data Analytics. Setelah analisis, algoritma prediksi Support Vector Regression, XGBoost, dan Gradient Boost diimplementasikan dan dibandingkan untuk menentukan model terbaik dan dikombinasikan dengan algoritma clustering. Tujuan model prediksi dan clustering adalah memprediksi nilai properti suatu daerah berdasarkan faktor yang ada dan memberikan gambaran harga pasar properti. Perbandingan terhadap ketiga kombinasi algoritma regresi dan clustering menunjukkan XGBoost sebagai model terbaik dengan RMSE terendah yaitu 182.569.784,85 untuk Cluster 0, 238.994.002,58 untuk Cluster 1, dan 317.144.761,10 untuk Cluster 2. Nilai MAPE dari XGBoost juga lebih rendah dibandingkan algoritma lain dengan MAPE 11,38% untuk Cluster 0, 5,11% untuk Cluster 1, dan 3% untuk Cluster 2. Model XGBoost digunakan untuk diimplementasikan ke sistem prediksi berbasis website.
Item Type: | Thesis (Bachelor Thesis) |
---|---|
Creators: | Gunawan, Ryan (00000043095) |
Contributors: | Sunardi Oetama, Raymond |
Keywords: | Big Data Analytics, Gradient Boost, XGBoost, Machine learning, Support Vector Regression. Implementasi Hybrid Machine..., Ryan Gunawan, Universitas Multimedia Nusantara |
Subjects: | 000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation |
Divisions: | Faculty of Engineering & Informatics > Information System |
Date Deposited: | 09 Nov 2024 11:53 |
URI: | https://kc.umn.ac.id/id/eprint/33924 |
Actions (login required)
![]() |
View Item |