Saribu, Janus Ezra Santosa Dolok (2025) ANALISIS PREDIKSI HARGA RUMAH MENGGUNAKAN METODE XGBOOST DAN RANDOM FOREST. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (826kB) |
|
Text (BAB I)
BAB I.pdf Download (225kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (489kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (527kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (856kB) |
|
Text (BAB V)
BAB V.pdf Download (75kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (107kB) |
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.11.4125.zip Restricted to Repository staff only Download (279kB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (1MB) |
Abstract
Rumah memiliki peran penting sebagai kebutuhan dasar manusia, memberikan tempat tinggal yang aman dan nyaman, serta merupakan aset investasi bernilai tinggi. Penelitian ini bertujuan untuk menganalisis prediksi harga rumah menggunakan metode machine learning XGBoost dan Random Forest. Kedua metode ini dipilih karena kemampuannya dalam memberikan prediksi yang akurat dan keandalan dalam mengolah data kompleks dengan berbagai variabel. Dataset yang digunakan mencakup data harga rumah dengan atribut seperti luas bangunan, jumlah kamar, luas tanah, serta fasilitas tambahan yang memengaruhi nilai rumah. Penelitian ini kemudian membandingkan performa kedua algoritma untuk mengetahui metode yang lebih optimal dalam prediksi harga rumah. Hasil penelitian menunjukkan bahwa metode XGBoost dan Random Forest mampu memberikan hasil prediksi yang akurat, dengan perbandingan performa yang menunjukkan keunggulan unik dari masing-masing metode. XGBoost menunjukkan keunggulan dalam kecepatan eksekusi dan akurasi tinggi, sedangkan Random Forest unggul dalam stabilitas dan konsistensi pada data dengan tingkat variasi yang tinggi. Penelitian ini memberikan pemahaman tentang karakteristik rumah dan faktor-faktor penting yang memengaruhi harganya, seperti ukuran, jumlah fasilitas, luas tanah, dan atribut terkait lainnya. Temuan ini dapat digunakan sebagai acuan untuk pengembangan model prediksi di masa mendatang dan strategi terkait.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Harga Rumah, Prediksi, XGBoost, Random Forest, Machine Learning | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus | ||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 04 Dec 2025 06:37 | ||
| Last Modified: | 04 Dec 2025 06:37 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/31460 |
Actions (login required)
 |
View Item |