ANALISIS PERBANDINGAN METODE FEATURE SELECTION TERHADAP PERFORMA MODEL XGBOOST DALAM PREDIKSI HARGA RUMAH

Lazuardi, Mohammad Dwi Turangga (2025) ANALISIS PERBANDINGAN METODE FEATURE SELECTION TERHADAP PERFORMA MODEL XGBOOST DALAM PREDIKSI HARGA RUMAH. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (946kB)
	Text (BAB I) BAB I.pdf Download (173kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (980kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (390kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (668kB)
	Text (BAB V) BAB V.pdf Download (73kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (588kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4209.zip Restricted to Repository staff only Download (802kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (1MB)

Abstract

Prediksi harga rumah merupakan permasalahan penting dalam bidang properti, terutama dalam mendukung proses pengambilan keputusan oleh pembeli, penjual, maupun pihak pengembang. Ketidakakuratan dalam memprediksi harga dapat berdampak pada kerugian finansial, ketimpangan nilai pasar, serta kesalahan strategi investasi. Oleh karena itu, penelitian ini dilatarbelakangi oleh kompleksitas fluktuasi harga properti yang memengaruhi keputusan investasi pengembang, analis keuangan, dan pemangku kepentingan lainnya. Penelitian ini mengkaji pengaruh berbagai metode seleksi fitur terhadap kinerja model prediksi harga rumah menggunakan XGBoost yang dioptimalkan dengan Optuna. Evaluasi dilakukan dengan empat metrik, yaitu Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan Coefficient of Determination (R²), dengan penentuan peringkat menggunakan Borda Score. Hasil penelitian menunjukkan bahwa kombinasi metode Embedded dengan lima kali pengulangan dan sepuluh fitur terbaik memberikan kinerja tertinggi, dengan RMSE sebesar 0,3439, MAE sebesar 0,1913, MAPE sebesar 0,1333, dan R² sebesar 0,7925. Metode Baseline dengan empat belas fitur menempati posisi kedua, ditandai oleh MAE sebesar 0,1920 dan MAPE sebesar 0,1345 yang hampir menyamai metode terbaik. Sementara itu, metode SHAP dengan konfigurasi sepuluh fitur terbaik dan lima kali pengulangan menempati posisi menengah, sedangkan metode RFE cenderung berada pada peringkat bawah di sebagian besar metrik. Temuan ini menegaskan bahwa kombinasi metode seleksi fitur, jumlah fitur yang dipertahankan, dan jumlah pengulangan memiliki peran penting dalam meningkatkan akurasi model, dengan kombinasi Embedded–5 runs–Top 10 sebagai strategi paling efektif pada penelitian ini.

Actions (login required)

View Item