Optimasi dan Pemilihan Algoritma Machine Learning untuk Prediksi Harga Rumah di Kabupaten Tangerang

Kaisha Pratama Chandra, Daffa (2025) Optimasi dan Pemilihan Algoritma Machine Learning untuk Prediksi Harga Rumah di Kabupaten Tangerang. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

[img] PDF
HALAMAN_AWAL.pdf

Download (376kB)
[img] PDF
BAB_I.pdf

Download (239kB)
[img] PDF
BAB_II.pdf

Download (548kB)
[img] PDF
BAB_III.pdf

Download (483kB)
[img] PDF
BAB_IV.pdf
Restricted to Registered users only

Download (3MB)
[img] PDF
BAB_V.pdf

Download (125kB)
[img] PDF
DAFTAR_PUSTAKA.pdf

Download (160kB)
[img] PDF
LAMPIRAN.pdf
Restricted to Registered users only

Download (422kB)

Abstract

Tempat tinggal merupakan kebutuhan primer bagi setiap individu, dengan rumah sebagai salah satu jenis hunian utama yang paling diminati. Di Indonesia, mayoritas masyarakat masih lebih memilih untuk membeli rumah dibandingkan jenis hunian lainnya seperti apartemen. Di wilayah Tangerang, harga rumah terus mengalami peningkatan dari tahun ke tahun, namun hingga saat ini belum terdapat acuan standar mengenai harga rumah berdasarkan spesifikasinya. Oleh karena itu, dibutuhkan sebuah model yang mampu memprediksi harga rumah secara akurat dan dapat dijadikan sebagai acuan bagi calon pembeli dalam merencanakan pembelian properti. Penelitian ini bertujuan untuk membandingkan kinerja model regresi machine learning dalam memprediksi harga rumah berdasarkan data dari rumah123.com dengan menggunakan tiga algoritma, yaitu Multiple Linear Regression, Random Forest (dengan dan tanpa tuning hyperparameter Optuna), serta XGBoost (dengan dan tanpa tuning hyperparameter Optuna). Evaluasi dilakukan menggunakan koefisien determinasi (R²), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil analisis menunjukkan bahwa seluruh model XGBoost yang telah dioptimalkan menggunakan Optuna menunjukkan hasil terbaik dengan nilai R² sebesar 0,9098, RMSE sebesar 0,2450, dan MAPE sebesar 0,0084 pada data uji. Model ini terbukti efektif dalam menangkap hubungan non-linier yang kompleks pada data properti, sehingga menjadi model paling andal untuk estimasi harga rumah di Kabupaten Tangerang.

Item Type: Thesis (Bachelor Thesis)
Keywords: Hyperparameter Tuning, Machine Learning, Prediksi Harga Rumah
Subjects: ?? T70 ??
Divisions: Faculty of Engineering & Informatics > Information System
SWORD Depositor: Administrator UMN Library
Depositing User: Administrator UMN Library
Date Deposited: 05 Jul 2025 11:34
Last Modified: 05 Jul 2025 11:34
URI: https://kc.umn.ac.id/id/eprint/37834

Actions (login required)

View Item View Item