UPGRISUPGRIS

Jurnal Informatika UPGRISJurnal Informatika UPGRIS

Prediksi harga rumah yang akurat merupakan informasi krusial bagi berbagai pemangku kepentingan di pasar properti, termasuk pembeli, penjual, dan investor, untuk pengambilan keputusan strategis. Penelitian ini bertujuan untuk merancang dan mengimplementasikan model machine learning menggunakan Algoritma Decision Tree, yang dikenal karena kemudahan interpretasinya, untuk mengklasifikasikan harga rumah ke dalam tiga kategori: rendah, sedang, dan tinggi. Penelitian ini menambahkan variabel Year Built untuk mengisi gap penelitian sebelumnya. Metodologi yang diterapkan mengadopsi kerangka kerja CRISP-DM (Cross-Industry Standard Process for Data Mining), yang meliputi tahapan pemahaman data, persiapan data, pemodelan, evaluasi, hingga deployment. Algoritma Decision Tree digunakan sebagai model prediktif utama, dan kinerjanya diukur menggunakan metrik akurasi klasifikasi. Sebagai tahap akhir, model yang telah dilatih sistem aplikasi web interaktif menggunakan Streamlit, sebuah framework modern berbasis Python yang mempercepat proses deployment. Hasil penelitian menunjukkan bahwa model Decision Tree mampu mengklasifikasikan kategori harga rumah dengan tingkat akurasi sebesar 81,74%. Implementasi menggunakan Streamlit terbukti berhasil menyediakan antarmuka yang efektif, intuitif, dan praktis, memungkinkan pengguna non-teknis untuk berinteraksi langsung dengan model prediktif.

Berdasarkan hasil penelitian, algoritma Decision Tree efektif untuk mengklasifikasikan kategori harga rumah dengan tingkat akurasi 81,74%.Meskipun Random Forest memiliki akurasi lebih tinggi, Decision Tree tetap menjadi pilihan rasional karena kemudahan interpretasinya.Integrasi model ke dalam aplikasi web berbasis Streamlit berhasil menjembatani kesenjangan antara model analitik kompleks dan kebutuhan pengguna akhir, memungkinkan prediksi harga secara mandiri dan real-time.

Penelitian selanjutnya dapat berfokus pada peningkatan akurasi prediksi untuk kategori harga Sedang dengan mempertimbangkan metode ensemble seperti Gradient Boosting dan teknik interpretasi model seperti SHAP. Selain itu, penambahan variabel eksternal yang relevan, seperti indeks kriminalitas atau jarak ke pusat transportasi, dapat meningkatkan akurasi model. Pengembangan lebih lanjut juga dapat mengeksplorasi penggunaan data spasial dan faktor-faktor mikro lingkungan untuk memberikan prediksi harga yang lebih granular dan kontekstual, sehingga menghasilkan rekomendasi yang lebih akurat dan relevan bagi pengguna.

  1. - C97410111322: International Journal Of Innovative Technology And Exploring Engineering (IJITEE). c97410111322... doi.org/10.35940/ijitee.c9741.0111322C97410111322 International Journal Of Innovative Technology And Exploring Engineering IJITEE c97410111322 doi 10 35940 ijitee c9741 0111322
  2. Volume 2, Issue 2, May 2022. volume issue saturday vol june submit paper anytime deadline submission... ijarsct.co.in/mayi2.htmlVolume 2 Issue 2 May 2022 volume issue saturday vol june submit paper anytime deadline submission ijarsct co in mayi2 html
  3. House Price Prediction using a Machine Learning Model: A Survey of Literature. house price prediction... doi.org/10.5815/ijmecs.2020.06.04House Price Prediction using a Machine Learning Model A Survey of Literature house price prediction doi 10 5815 ijmecs 2020 06 04
Read online
File size339.38 KB
Pages7
DMCAReport

Related /

ads-block-test