<![CDATA[The property sector has highly fluctuating price dynamics, influenced by various factors ranging from geographical conditions to building facilities. Accurate housing price estimation is essential for developers and prospective buyers to make informed decisions. This study aims to apply Data Mining techniques using the Linear Regression algorithm to estimate the median value of housing in the California Housing dataset. This research methodology follows the stages of knowledge discovery in databases, which include data cleaning, data integration, transformation, and modeling. The dataset is processed by conducting correlation analysis to determine the main predictor variables, such as median income, geographic location, and population density. A Linear Regression model is built to map the relationship between these independent variables and the value of housing as the dependent variable. Model performance is evaluated using the statistical metrics Mean Absolute Error (MAE) and Coefficient of Determination ($R^2$). The results of the study are expected to show that Linear Regression is able to provide significant estimates with a reliable level of accuracy, where the median income variable is predicted to be the most dominant factor in determining house prices. This research contributes to the use of machine learning for more objective and efficient real estate market analysis. Sektor properti memiliki dinamika harga yang sangat fluktuatif, dipengaruhi oleh berbagai faktor mulai dari kondisi geografis hingga fasilitas bangunan. Estimasi harga hunian yang akurat sangat diperlukan oleh pengembang dan calon pembeli untuk pengambilan keputusan yang tepat. Penelitian ini bertujuan untuk menerapkan teknik Data Mining menggunakan algoritma Regresi Linier untuk melakukan estimasi nilai tengah hunian pada dataset California Housing.Metodologi penelitian ini mengikuti tahapan penemuan pengetahuan dalam basis data (Knowledge Discovery in Databases), yang meliputi data cleaning, integrasi data, transformasi, hingga pemodelan. Dataset diproses dengan melakukan analisis korelasi untuk menentukan variabel prediktor utama, seperti pendapatan median (Median Income), lokasi geografis, dan kepadatan penduduk. Model Regresi Linier dibangun untuk memetakan hubungan antara variabel-variabel independen tersebut dengan nilai hunian sebagai variabel dependen.Kinerja model dievaluasi menggunakan metrik statistik Mean Absolute Error (MAE) dan Coefficient of Determination ($R^2$). Hasil penelitian diharapkan menunjukkan bahwa regresi linier mampu memberikan estimasi yang signifikan dengan tingkat akurasi yang dapat diandalkan, di mana variabel pendapatan median diprediksi menjadi faktor paling dominan dalam menentukan harga rumah. Penelitian ini memberikan kontribusi dalam pemanfaatan machine learning untuk analisis pasar real estat yang lebih objektif dan efisien. ]]>
