<![CDATA[Prediksi harga rumah menggunakan model stacking ensemble umumnya dievaluasi secara agregat pada keseluruhan data uji, sehingga berpotensi menyembunyikan variasi performa yang sesungguhnya terjadi antar wilayah geografis. Penelitian ini menganalisis performa model Stacking Ensemble yang menggabungkan XGBoost, Random Forest, dan CatBoost dengan meta learner Ridge Regression pada dataset 100.000 rumah di tujuh kota Indonesia, dengan penekanan pada evaluasi yang terdekomposisi per kota dan analisis faktor penyebab disparitasnya. Hasil evaluasi agregat menunjukkan Stacking Ensemble mencapai performa terbaik dengan MAE sebesar Rp 1.106.456.898 dan R2 sebesar 0,8458, namun uji Wilcoxon signed rank menunjukkan keunggulan tersebut hanya signifikan secara statistik dibandingkan Random Forest, tidak terhadap CatBoost maupun XGBoost. Ketika performa didekomposisi per kota, ditemukan disparitas MAE lebih dari 2,5 kali lipat antara kota dengan performa terbaik dan terburuk, disertai variasi signifikansi statistik yang tidak seragam antar wilayah. Analisis lebih lanjut menunjukkan disparitas ini lebih berkaitan dengan variasi harga yang lebih besar pada kota tertentu dibandingkan keterbatasan jumlah data pelatihan. Analisis SHAP turut mengindikasikan kontribusi fitur lokasi yang cenderung lebih besar pada kota dengan performa lebih rendah, meskipun pola ini tidak berlaku seragam di seluruh kota yang diuji. Temuan ini menegaskan pentingnya evaluasi granular per wilayah dalam penelitian prediksi harga rumah multi kota.]]>
Copyrights © 2026
