NAJHAN, Yusuf Muhammad (2026) Prediksi Harga Rumah Menggunakan Metode DBSCAN Dan Random Forest Pada Data Iklan Properti. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive Yusuf Muhammad Najhan_Soft File Skripsi.zip Restricted to Repository staff only Download (5MB) | Request a copy
	Text 1. COVER.pdf Download (112kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (315kB)
	Text 4. KATA PENGANTAR.pdf Download (413kB)
	Text 6. ABSTRAK.pdf Download (168kB)
	Text 7. ABSTRACT.pdf Download (109kB)
	Text 8. DAFTAR ISI.pdf Download (197kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (279kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (190kB)

Abstract

Properti merupakan salah satu faktor penting dalam ekonomi negara dan memiliki kontribusi
besar dalam pertumbuhan ekonomi. Di sisi lain, harga properti seperti rumah juga menjadi
salah satu topik yang umum diperbincangkan oleh masyarakat. Dengan begitu, otomatisasi
terhadap prediksi harga rumah dapat memberikan manfaat, salah satunya memberikan
wawasan mengenai kondisi pasar properti. Tantangan yang muncul adalah banyaknya faktor
yang memengaruhi harga dari suatu rumah, seperti lokasi, fasilitas, dan karakteristik fisik
bangunan. Oleh karena itu, diperlukan metode otomatisasi prediksi harga rumah yang baik,
salah satunya adalah machine learning. Penelitian ini bertujuan membangun model prediksi
harga rumah menggunakan Random Forest, sebagai salah satu algoritma machine learning.
DBSCAN juga digunakan pada penelitian ini untuk melakukan outliers cleaning. Proses
penelitian melibatkan penarikan data iklan rumah dari suatu web penyedia iklan properti.
Selanjutnya dilakukan beberapa tahapan data preprocessing, meliputi data cleaning untuk
menangani missing value dan outliers, serta data transformation melalui proses encoding.
Terakhir, dilakukan proses hyperparameter tuning untuk memperoleh kombinasi
hyperparameter terbaik pada model prediksi. Hasil penelitian menunjukkan bahwa model
Random Forest mendapatkan nilai RMSE sebesar 413.103.734,9797, MAE sebesar
217.470.524,2122, dan R-Squared sebesar 0,8911 pada tahap pelatihan model. Sedangkan
pada tahap pengujian, model Random Forest menghasilkan metrik evaluasi RMSE sebesar
2.813.791.506,0763, MAE sebesar 454.268.842,7966, dan R-Squared sebesar 0,3448. Hasil
tersebut menunjukkan bahwa model Random Forest mengalami penurunan performa pada
tahap pengujian, jika dibandingkan dengan tahap pelatihan.
Kata kunci : Machine Learning, Prediksi Harga, Random Forest, DBSCAN

Actions (login required)

View Item