Penerapan Algoritma Multiple Linear Regression, Gradient Boosting, dan Random Forest dalam Memprediksi Harga Properti di Tangerang Selatan

Muhammad Saputro, Aditya (2025) Penerapan Algoritma Multiple Linear Regression, Gradient Boosting, dan Random Forest dalam Memprediksi Harga Properti di Tangerang Selatan. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (433kB)
	PDF BAB_II.pdf Download (579kB)
	PDF BAB_III.pdf Download (473kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_V.pdf Download (345kB)
	PDF DAFTAR_PUSTAKA.pdf Download (338kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (905kB)

Abstract

Hunian merupakan kebutuhan dasar yang sangat penting bagi setiap individu, khususnya di Indonesia di mana rumah tapak masih menjadi pilihan utama masyarakat dibandingkan jenis hunian lain seperti apartemen. Salah satu wilayah dengan pertumbuhan permintaan dan harga properti yang tinggi adalah Kota Tangerang Selatan. Wilayah ini mengalami peningkatan signifikan dalam pembangunan perumahan, didukung oleh infrastruktur yang berkembang dan migrasi penduduk dari Jakarta. Namun, hingga saat ini belum tersedia standar yang jelas untuk memprediksi harga rumah berdasarkan spesifikasi dan lokasi. Oleh karena itu, tujuan dari penelitian ini adalah untuk menerapkan algoritma machine learning guna membangun model prediksi harga rumah yang akurat dan dapat dijadikan acuan oleh masyarakat, khususnya calon pembeli. Penelitian menggunakan pendekatan CRISP-DM dengan data yang dikumpulkan melalui web scraping dari situs Lamudi.co.id. Fitur yang digunakan meliputi lokasi, luas tanah, luas bangunan, jumlah kamar, dan harga. Tiga algoritma diterapkan, yaitu Multiple Linear Regression, Gradient Boosting, dan Random Forest. Evaluasi dilakukan menggunakan metrik R² dan RMSE untuk menentukan model terbaik dalam memprediksi harga properti. Hasil dari penelitian menunjukkan bahwa model Random Forest memberikan performa terbaik dengan nilai R² sebesar 0.8011 dan nilai RMSE terendah sebesar 536,831,054, menandakan tingkat akurasi yang tinggi dalam memprediksi harga rumah. Faktor-faktor yang paling berpengaruh dalam prediksi adalah luas bangunan dan lokasi properti. Model yang dikembangkan telah diimplementasikan dalam bentuk prototype berbasis web menggunakan framework Flask, yang memungkinkan pengguna untuk memprediksi harga rumah berdasarkan input spesifikasi tertentu.

Item Type:

Thesis (Bachelor Thesis)

Keywords:

CRISP-DM, Machine Learning, Prediksi Harga Rumah, Random Forest, Tangerang Selatan.

Creators: