<![CDATA[Harga rumah merupakan salah satu aspek penting dalam sektor properti yang dipengaruhi oleh berbagai karakteristik, seperti lokasi, luas tanah, luas bangunan, jumlah kamar, dan fasilitas pendukung. Penelitian ini bertujuan untuk menganalisis pengaruh penambahan informasi hasil clustering terhadap performa prediksi harga rumah di Jakarta menggunakan pendekatan Hybrid K-Means Clustering dan Decision Tree. Dataset yang digunakan adalah Jakarta House Price Dataset yang diperoleh dari Kaggle dengan jumlah 10.000 data rumah. Tahapan penelitian meliputi pembersihan data, penanganan outlier menggunakan metode Interquartile Range (IQR), transformasi data, pembentukan cluster menggunakan algoritma K-Means, serta pembangunan model prediksi menggunakan Decision Tree. Hasil penelitian menunjukkan bahwa model hybrid memperoleh nilai RMSE sebesar 2.097.559.711 dan R² sebesar 0,6044, yang lebih baik dibandingkan model Baseline Decision Tree. Sementara itu, proses clustering menghasilkan tiga cluster dengan nilai Silhouette Score sebesar 0,1436, yang menunjukkan bahwa kualitas pemisahan antar cluster masih tergolong rendah, namun tetap mampu memberikan informasi tambahan sebagai fitur pada model prediksi. Hasil analisis juga menunjukkan bahwa luas tanah dan luas bangunan merupakan faktor yang paling berpengaruh terhadap harga rumah. Dengan demikian, pendekatan Hybrid K-Means Clustering dan Decision Tree dapat digunakan sebagai alternatif dalam prediksi harga rumah, meskipun kualitas clustering masih perlu ditingkatkan pada penelitian selanjutnya.]]>
