<![CDATA[Penentuan harga merupakan salah satu aspek krusial dalam kegiatan pengembangan properti mengingat hal tersebut akan mempengaruhi margin keuntungan yang diperoleh pengembang dan pilihan pembelian properti. Selama bertahun-tahun, prediksi harga rumah telah menjadi topik penelitian utama, karena permintaan rumah terus meroket. Sangat penting untuk mengembangkan kerangka kerja yang sesuai yang memungkinkan pembeli dan penjual untuk membuat keputusan cepat dalam hal membeli atau menjual properti. Dalam penelitian ini menggunakan metode Principal Component Analysis (PCA) dan Random Forest (RF), dengan tujuan untuk melakukan analisis akurasi penggunaan kedua metode dalam prediksi harga rumah dan untuk mengetahui pengaruh penggunaan PCA dalam mengoptimalkan metode random forest. Data yang digunakan adalah harga rumah di kota Surakarta berdasarkan hasil scraping data di situs propertygurugroup.com. Hasil analisis menunjukkan bahwa jumlah penjualan rumah tertinggi adalah daerah Plesungan, dan penjualan rumah yang memiliki sertifikat hak milik juga paling tinggi. Dari sepuluh variabel yang ada, luas tanah dan bangunan paling berpengaruh terhadap harga jual. Hasil pelatihan model menunjukkan bahwa peggabungan metode RF dan PCA memiliki nilai yang lebih optimal dibanding hanya menggunakan metode RF saja. Tingkat kesalahan dalam metode PCA lebih kecil, dengan rerata 0,0257 maka nilainya lebih konsisten dibanding hanya menggunakan metode RF yang nilai kesalahannya lebih besar dengan rerata 0,0332. Waktu pelatihan model menggunakan PCA lebih cepat (5005,75) dibanding hanya menggunakan metode RF (6099,25). Abstract Determining prices is one of the crucial aspects in property development activities considering that this will affect the profit margin obtained by developers and property purchase choices. Over the years, home price prediction has been a major research topic, as demand for homes continues to increase. It is important to develop a suitable framework that allows buyers and sellers to make quick decisions when it comes to buying or selling a property. This research uses the Principal Component Analysis (PCA) and Random Forest (RF) methods, with the aim of accuracy analyzing using both methods in predicting housing prices and to determine the effect of using PCA in optimizing the random forest method. The data used is house prices in Surakarta city based on data scraping results on propertygurugroup.com site. The analysis results show that the highest house sales is in Plesungan area, and houses sale with ownership certificates is also the highest. Of the ten variables, land area and building have the most influence on selling price. Model training results show that combination of RF and PCA methods has a more optimal value than using only RF method. Error rate in the PCA method is smaller, with an average of 0.0257, so the value is more consistent than just using the RF method, which has a larger error value with an average of 0.0332. The model training time using PCA is faster (5005.75) than just using the RF method (6099.25).]]>
