<![CDATA[Prediksi harga properti menjadi salah satu tantangan penting dalam bidang real estat, khususnya di wilayah perkotaan seperti Jakarta Selatan yang mengalami perkembangan pesat. Informasi mengenai estimasi harga rumah sangat dibutuhkan oleh pembeli, penjual, maupun investor untuk pengambilan keputusan yang lebih akurat. Penelitian ini bertujuan untuk membangun model prediksi harga rumah dengan menerapkan metode Gradient Boosting Machine (GBM), sebuah teknik machine learning yang menggabungkan sejumlah decision tree secara iteratif untuk meningkatkan akurasi prediksi. Dataset yang digunakan mencakup beberapa variabel penting, antara lain luas tanah, luas bangunan, jumlah kamar tidur, jumlah kamar mandi, dan garasi. Berdasarkan hasil pelatihan dan pengujian model, diketahui bahwa luas tanah dan luas bangunan memiliki pengaruh paling dominan terhadap harga rumah. Evaluasi performa model menunjukkan nilai mean squared error (MSE) sebesar 1.6e+19 dan mean absolute error (MAE) sekitar 30 miliar rupiah, yang menunjukkan masih adanya tingkat kesalahan prediksi yang signifikan, terutama pada rumah dengan harga sangat tinggi. Selain itu, analisis visual terhadap distribusi galat dan residual plot mengungkapkan adanya sejumlah outlier yang perlu diperhatikan. Oleh karena itu, diperlukan optimasi lanjutan pada model agar mampu menangkap pola data yang lebih kompleks dan menghasilkan prediksi yang lebih presisi.]]>
Copyrights © 2025
