<![CDATA[Backlog perumahan di Jabodetabek yang tembus 2,93 juta unit bikin kebutuhan sistem prediksi harga rumah yang akurat jadi makin penting, supaya masyarakat dan pengembang bisa ambil keputusan jual-beli properti dengan lebih terukur. Penelitian ini mencoba membandingkan performa enam algoritma machine learning, yaitu Ridge Regression, Random Forest, Gradient Boosting, XGBoost, Artificial Neural Network (ANN) Backpropagation, dan Deep Neural Network (DNN), untuk memprediksi harga rumah di Jabodetabek menggunakan dataset open source dari Kaggle berisi 3.553 data. Tahapan penelitian meliputi eksplorasi data, penanganan missing value, penghapusan outlier dengan metode Interquartile Range (IQR), rekayasa fitur, encoding, standardisasi, pelatihan model dengan validasi silang 10-fold, serta penyetelan hyperparameter menggunakan Randomized Search. Hasil pengujian pada 571 data uji (20%) menunjukkan model Gradient Boosting yang sudah disetel (tuned) memberikan performa paling bagus dengan R² 93,06%, MAE Rp265.951.001, RMSE Rp480.524.642, dan MAPE 13,42%, mengungguli XGBoost (R² 92,33%), Random Forest (R² 91,23%), ANN Backpropagation (R² 86,70%), DNN (R² 86,37%), dan Ridge Regression (R² 85,65%). Hasil ini juga lebih tinggi dibandingkan penelitian-penelitian acuan sebelumnya yang memakai algoritma serupa pada dataset yang sama. Penelitian ini memberi kontribusi berupa perbandingan yang lebih lengkap antara algoritma berbasis pohon keputusan, regresi linear teregularisasi, dan jaringan saraf tiruan untuk kasus prediksi harga properti di kawasan urban Indonesia]]>
Copyrights © 2026
