<![CDATA[Fluktuasi dan kompleksitas atribut pasar properti membuat prediksi harga rumah sulit dan kurang akurat jika hanya mengandalkan parameter algoritma bawaan. Kinerja optimal algoritma Machine learning seperti Extreme Gradient Boosting (XGBoost) sangat bergantung pada pengaturan hyperparameter yang tepat, namun banyak penelitian sebelumnya mengabaikan optimasi atau menggunakan metode konvensional yang tidak efisien. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan model XGBoost yang dioptimasi secara dinamis menggunakan kerangka kerja Optuna Hyperparameter Optimization. Optuna, yang bekerja berdasarkan optimasi Bayesian, secara cerdas dan efisien mengeksplorasi ruang parameter guna menemukan konvergensi yang lebih cepat. Hasil eksperimen membuktikan bahwa integrasi Optuna berhasil meningkatkan keakurasian prediksi secara signifikan. Model XGBoost berbasis Optuna menghasilkan performa yang lebih unggul dengan peningkatan skor R² dari 0.8204 menjadi 0.8263, serta berhasil menekan tingkat kesalahan di mana RMSE turun menjadi Rp 301.132.090,80, MAE menjadi Rp 196.869.100,79, dan MAPE menyusut menjadi 16,53%. Pendekatan ini terbukti lebih tangguh, stabil, dan presisi dibandingkan model tanpa optimasi (baseline) dalam memetakan pola harga yang non-linear. Meskipun akurasi meningkat, hal ini menuntut waktu komputasi pelatihan yang jauh lebih tinggi, yakni melonjak drastis menjadi 3.550,34 detik. Dataset akhir yang digunakan dalam penelitian ini berjumlah 16.674 catatan, yang diperoleh setelah proses preprocessing dan eliminasi outlier secara ekstensif dari 40.200 catatan awal.]]>
