PREDIKSI HARGA REAL ESTATE MENGGUNAKAN METODE REGRESI LINEAR BERBASIS MACHINE LEARNING
Keywords:
Regrersi Linier, Machine Learning, HargaAbstract
Abstrak: Kenaikan dan penurunan harga real estate yang cepat dan tidak stabil dapat berdampak pada pertumbuhan pendapatan masyarakat, akses perumahan, dan menciptakan ketidaksetaraan pembangunan antar wilayah. Diperlukan upaya prediksi untuk meminimalisir fluktuasi harga real estate yang tidak stabil. Kebijakan regulasi, seperti pembatasan spekulasi dan pemantauan ketat terhadap peminjaman berisiko, diperlukan untuk menjaga stabilitas pasar. Prediksi menggunakan metode regresi dimana dalam metode regresi terdapat 7 metode lagi meliputi (1) Linear Regression, (2) Support Vector Regression – Linear, (3) Support Vector Regression – RBF, (4) Decision Tree Regression, (5) Random Forest Regressor, (6) Gradient Boosting Regression, (7) NLP Regressor yang diterapkan dalam penelitian ini. Berdasarkan 7 metode regresi tersebut akan dicari 1 metode terbaik dengan nilai akurasi paling terbaik yang akan digunakan dalam proses pengolahan deploy untuk memprediksi harga rumah per unitnya. Hasilnya metode MLP-Regressor keluar sebagai metode terbaik karena metode tersebut paling banyak menghasilkan nilai akurasi terbaik pada saat pengujian akurasi dengan menggunakan 4 pengujian akurasi dengan rasio 90:10, 80:20, 70:30 dan 60:40. MLP-Regressor pada pengujian akurasi rasio 80:20 menghasilkan 2 nilai akurasi terbaik yaitu nilai estimasi pada MSE sebesar 1.00796350 dan pada RMSE sebesar 1.00397386. Kemudian pada rasio 70:30 MLP-Regressor menghasilkan 1.43239002 dengan nilai pengukuran MSE, 1.19682498 dengan RMSE. Kemudian pada rasio 60:40 MLP-Regressor menghasilkan 1.74633185 dengan nilai pengukuran MSE, 1.32148850 dengan RMSE. Dengan demikian metode regresi yaitu MLP-Regressor digunakan sebagai metode regresi yang akan di implementasikan dalam pembuatan deploy aplikasi untuk memprediksi harga rumah per unitnya.
Abstract: Rapid and unstable increases and decreases in real estate prices can impact people's income growth, access to housing, and create development inequality between regions. Predictive efforts are needed to minimize unstable real estate price fluctuations. Regulatory policies, such as restrictions on speculation and strict monitoring of risky lending, are necessary to maintain market stability. Predictions use the regression method where in the regression method there are 7 more methods including (1) Linear Regression, (2) Support Vector Regression – Linear, (3) Support Vector Regression – RBF, (4) Decision Tree Regression, (5) Random Forest Regressor , (6) Gradient Boosting Regression, (7) NLP Regressor applied in this research. Based on the 7 regression methods, we will look for the best method with the best accuracy value which will be used in the deploy processing process to predict house prices per unit. As a result, the MLP-Regressor method came out as the best method because this method produced the best accuracy values when testing accuracy using 4 accuracy tests with ratios of 90:10, 80:20, 70:30 and 60:40. The MLP-Regressor in the 80:20 ratio accuracy test produces the 2 best accuracy values, namely the estimated value for MSE of 1.00796350 and RMSE of 1.00397386. Then at a ratio of 70:30 MLP-Regressor produces 1.43239002 with MSE measurement values, 1.19682498 with RMSE. Then at a ratio of 60:40 MLP-Regressor produces 1.74633185 with MSE measurement values, 1.32148850 with RMSE. Thus, the regression method, namely MLP-Regressor, is used as a regression method that will be implemented in deploying applications to predict house prices per unit.
Downloads
References
P. N. Lhokseumawe, K. Pengantar, rahayu deny danar dan alvi furwanti Alwie, A. B. Prasetio, and R. Andespa, Implementasi Metode K-Nearest Neighbor (K-Nn) Untuk Identifikasi Ujaran Kebencian Terhadap Tokoh Politik Pada Twitter, vol. 2, no. 1. 2019.
F. Wafiyah, N. Hidayat, and R. S. Perdana, “Implementasi Algoritma Modified K-Nearest Neighbor (MKNN) untuk Klasifikasi Penyakit Demam,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 10, pp. 1210–1219, 2017.
Prabiantissa Citra Nurina, “1818-5505-1-Pb,” Semin. Nas. Tek. Elektro, Sist. Informasi, dan Tek. Inform., vol. 1, no. 1, pp. 263–268, 2021.
R. A. Siahaan, M. Nasution, M. Nirmala, and S. Hasibuan, “Model Data Mining untuk Perancangan Aplikasi Diagnostik Inflammatory Liver Disease,” vol. 06, pp. 145–153, 2021.
Elly and S. Qomariyah, “Klasifikasi Pasien Penderita Penyakit Liver dengan Pendekatan Machine Learning,” vol. 2, no. March, p. Pusporani, 2019.
E. Pusporani, S. Qomariyah, and I. Irhamah, “Klasifikasi Pasien Penderita Penyakit Liver dengan Pendekatan Machine Learning,” Inferensi, vol. 2, no. 1, p. 25, 2019, doi: 10.12962/j27213862.v2i1.6810.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Nanda Khalijah Zainal
![Creative Commons License](http://i.creativecommons.org/l/by-sa/4.0/88x31.png)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.