<![CDATA[Prediksi harga mobil bekas merupakan tantangan signifikan di industri otomotif karena harga dipengaruhi oleh multifaktor seperti spesifikasi teknis, tahun produksi, jarak tempuh, dan kondisi pasar. Akurasi prediksi harga secara manual seringkali tidak optimal. Penelitian ini bertujuan untuk mengimplementasikan algoritma Random Forest Regression dalam memprediksi harga mobil menggunakan dataset Car Price Assignment. Proses penelitian meliputi tahapan pengumpulan data (webscrapping atau dari dataset publik), preprocessing (termasuk Label Encoding untuk data kategorikal), pembagian data, pemodelan, dan evaluasi. Algoritma Random Forest dikenal memiliki akurasi tinggi dan ketahanan terhadap overfitting. Hasil evaluasi dari model yang dikembangkan menunjukkan performa yang kuat dengan nilai metrik $\mathbf{R^2}$ sebesar 0.9638 dan sebesar 2201.815. Hasil ini mengindikasikan bahwa model Random Forest sangat efektif dan dapat diandalkan sebagai acuan bagi penjual maupun pembeli dalam menentukan estimasi harga mobil. Kata Kunci: Random Forest, Prdiksi Harga Mobil, Machine Learning, Regresi, Pred Used car price prediction is a significant challenge in the automotive industry as prices are influenced by multiple factors such as technical specifications, production year, mileage, and market conditions. Manual price prediction accuracy is often suboptimal. This study aims to implement the Random Forest Regression algorithm for used car price prediction using the Car Price Assignment dataset. The research process includes data collection (web scraping or from a public dataset), preprocessing (including Label Encoding for categorical data), data splitting, modeling, and evaluation. The Random Forest algorithm is known for its high accuracy and resilience to overfitting. The evaluation results of the developed model demonstrate strong performance with metric value of 0.9638 and $\mathbf{MAE}$ of 2201.815. This finding indicates that the Random Forest model is highly effective and can be a reliable benchmark for both sellers and buyers in estimating car prices. Keywords: Random Forest, Car Price Prediction, Machine Learning, Regresi,]]>
Copyrights © 2026
