Waskito, David Yusuf De (2025) EVALUASI MODEL MACHINE LEARNING BERBASIS ENSEMBLE LEARNING DALAM MEMPREDIKSI HARGA RUMAH. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (740kB) |
|
Text (BAB I)
BAB I.pdf Download (239kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (1MB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (398kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (1MB) |
|
Text (BAB V)
BAB V.pdf Download (78kB) |
|
Text (DAFTAR PUSTAKA-LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (228kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.12.1974.zip Restricted to Repository staff only Download (27MB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (568kB) |
Abstract
Prediksi harga rumah penting dalam industri properti untuk membantu pengambilan keputusan. Namun, faktor seperti luas bangunan, jumlah kamar, dan lokasi membuat estimasi harga menjadi kompleks. Penelitian ini membandingkan metode Ensemble Learning dan Support Vector Regression (SVR) untuk memperoleh model prediksi terbaik. Dataset diperoleh dari Kaggle dan diproses melalui penanganan outlier, normalisasi Standard Scaler, serta encoding lokasi. Model yang diuji meliputi Random Forest, XGBoost, dan SVR (RBF kernel). Evaluasi menggunakan Mean Absolute Error (MAE), Mean Squared Error (MSE), dan R-squared (R²) menunjukkan bahwa Random Forest unggul (MAE 0.1971, MSE 0.1451, R² 0.8437), diikuti XGBoost (MAE 0.2146, MSE 0.1475, R² 0.84107), sementara SVR memiliki performa terendah (MAE 0.267, MSE 0.19, R² 0.79). Hasil ini menunjukkan bahwa metode Ensemble Learning lebih efektif dalam prediksi harga rumah dibandingkan SVR. Penelitian ini bermanfaat bagi pengembang properti, agen real estat, dan calon pembeli dalam memperkirakan harga rumah. Studi selanjutnya disarankan menggunakan dataset lebih besar dan meningkatkan tuning parameter SVR.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Prediksi Harga Rumah, Machine Learning, Ensemble Learning, Random Forest, XGBoost, Support Vector Regression | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer | ||
| Divisions: | Fakultas Ilmu Komputer > Sistem Informasi | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 21 Apr 2025 07:04 | ||
| Last Modified: | 21 Apr 2025 07:04 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/29543 |
Actions (login required)
 |
View Item |