Implementasi Weighted Hybrid Ensemble Menggunakan Random Forest dan XGBoost untuk Prediksi Harga Rumah di Jakarta

Vito Hidayat, Arza (2026) Implementasi Weighted Hybrid Ensemble Menggunakan Random Forest dan XGBoost untuk Prediksi Harga Rumah di Jakarta. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (912kB)
	PDF BAB_I.pdf Download (211kB)
	PDF BAB_II.pdf Download (265kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (228kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (477kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (204kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (212kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (649kB)
	Archive (ZIP) 00000071728_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Harga rumah merupakan salah satu aspek penting dalam sektor properti yang dipengaruhi oleh berbagai faktor, seperti lokasi, luas lahan, luas bangunan, serta karakteristik fisik rumah. Prediksi harga rumah yang akurat dapat membantu calon pembeli, penjual, maupun pelaku industri properti dalam mengambil keputusan yang lebih tepat. Penelitian ini bertujuan untuk mengimplementasikan model Random Forest, Extreme Gradient Boosting (XGBoost), serta pendekatan Hybrid Ensemble berbasis Weighted Average untuk prediksi harga rumah di Jakarta. Dataset yang digunakan adalah "Jakarta House Price Dataset" yang terdiri dari 10.000 data rumah yang diperoleh dari Kaggle. Isi data dari dataset tersebut merupakan hasil web scraping dari Rumah123.com. Tahapan penelitian meliputi Exploratory Data Analysis (EDA), penanganan missing values, penerapan smoothed target encoding, transformasi logaritmik, pembagian data dengan rasio 80:20, hyperparameter tuning menggunakan GridSearchCV, pembangunan model, serta evaluasi menggunakan metrik MAE, MSE, RMSE, dan R2. Hasil penelitian menunjukkan bahwa model Random Forest memperoleh nilai MAE sebesar 0.225, MSE sebesar 0.146, RMSE sebesar 0.382, dan R2 sebesar 0.870, sedangkan model XGBoost memperoleh nilai MAE sebesar 0.257, MSE sebesar 0.157, RMSE sebesar 0.397, dan R2 sebesar 0.860. Model Hybrid Ensemble terbaik diperoleh pada kombinasi bobot 0.7 Random Forest dan 0.3 XGBoost dengan nilai MAE sebesar 0.230, MSE sebesar 0.143, RMSE sebesar 0.378, dan R2 sebesar 0.873. Berdasarkan hasil tersebut, pendekatan Hybrid Ensemble mampu menghasilkan performa yang lebih baik dibandingkan model individual pada sebagian besar metrik evaluasi yang digunakan.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Vito Hidayat, Arza (00000071728)
Contributors:	Zuhdi Pane, Ivransa (8812520016)
Keywords:	Hybrid Ensemble, Machine Learning, Prediksi Harga Rumah, Random Forest, Weighted Average, XGBoost
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	11 Jul 2026 07:59
URI:	https://kc.umn.ac.id/id/eprint/47432

Actions (login required)

View Item