PENERAPAN MACHINE LEARNING UNTUK ANALISIS PREDIKSI HARGA RUMAH MENGGUNAKAN ALGORITMA REGRESI LINIER DAN RANDOM FOREST

Muhamad Fadli Fadhlullah
Zayyan Nauval Araf (Prodi Informatika, Fakultas Teknik & Informatika, Universitas Bina Sarana Informatika)
Sumanto Sumanto (Prodi Informatika, Fakultas Teknik & Informatika, Universitas Bina Sarana Informatika)
Jefina Tri Kumalasari (Prodi Informatika, Fakultas Teknik & Informatika, Universitas Bina Sarana Informatika)
Ghofar Taufiq (Prodi Informatika, Fakultas Teknik & Informatika, Universitas Bina Sarana Informatika)
Ade Christian (Prodi Informatika, Fakultas Teknik & Informatika, Universitas Bina Sarana Informatika)

JURNAL ELEKTRO DAN INFORMATIKA SWADHARMA (JEIS)
Vol 6, No 2 (2026): JEIS EDISI JULI 2026

Accurate house price prediction is crucial for property buyers, sellers, investors, and developers in making decisions. This study aims to compare the performance of Linear Regression and Random Forest algorithms in predicting house prices in East Jakarta. The dataset used was taken from the rumah123.com website, and after cleaning, there were 180 unique data points. The modelling process was carried out using the Orange application, where 80% of the data was used to train the model and 20% to test it. To assess model performance, several metrics were used, such as Mean Squared Error, Root Mean Squared Error, Mean Absolute Error, Mean Absolute Percentage Error, and the coefficient of determination. The test results showed that the Linear Regression model provided more accurate predictions than Random Forest, as evidenced by lower RMSE, MAE, and MAPE values, as well as an R² value of 0.997. This indicates that the relationship between property features and house prices in this dataset tends to be linear. However, the Random Forest model also performed well, with an R² value of 0.996, so it can still be used for datasets with more complex characteristics.Prediksi harga rumah yang tepat sangat penting untuk para pembeli, penjual, investor, dan pengembang properti dalam membuat keputusan. Penelitian ini bertujuan untuk membandingkan seberapa baik algoritma Regresi Linier dan Random Forest dalam memprediksi harga rumah di Jakarta Timur. Dataset yang digunakan diambil dari situs rumah123.com dan setelah dibersihkan, terdapat 180 data yang unik. Proses pemodelan dilakukan dengan menggunakan aplikasi Orange, di mana 80% data digunakan untuk melatih model dan 20% untuk mengujinya. Untuk menilai kinerja model, digunakan beberapa metrik seperti Mean Squared Error, Root Mean Squared Error (RSME), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²). Hasil dari pengujian menunjukkan bahwa model Regresi Linier memberikan prediksi yang lebih akurat dibandingkan dengan Random Forest, hal ini terlihat dari nilai RMSE, MAE, dan MAPE yang lebih rendah serta nilai R² sebesar 0,997. Ini menunjukkan bahwa hubungan antara fitur-fitur properti dan harga rumah di dataset ini cenderung linier. Namun, model Random Forest juga menunjukkan hasil yang baik dengan nilai R² sebesar 0,996, jadi masih tetap bisa digunakan untuk dataset yang memiliki karakteristik lebih rumit