OPTIMASI MODEL XGBOOST MENGGUNAKAN GRID SEARCH CROSS VALIDATION UNTUK PENINGKATAN AKURASI PREDIKSI HARGA RUMAH

Junaidi, Muhammad (2026) OPTIMASI MODEL XGBOOST MENGGUNAKAN GRID SEARCH CROSS VALIDATION UNTUK PENINGKATAN AKURASI PREDIKSI HARGA RUMAH. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_57201_2213030125.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text (Similarity) RAMA_57201_2213030125_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (844kB)
	Text (Cover sd BAB 1 + References) RAMA_57201_2213030125_731087703_712108103_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (542kB)
	Text (BAB 2) RAMA_57201_2213030125_731087703_712108103_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (269kB) | Request a copy
	Text (BAB 3) RAMA_57201_2213030125_731087703_712108103_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (186kB) | Request a copy
	Text (BAB 4) RAMA_57201_2213030125_731087703_712108103_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (270kB) | Request a copy
	Text (BAB 5) RAMA_57201_2213030125_731087703_712108103_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (40kB) | Request a copy
	Text (References) RAMA_57201_2213030125_731087703_712108103_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (154kB)
	Text (Lampiran) RAMA_57201_2213030125_731087703_712108103_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (926kB) | Request a copy

Abstract

Harga rumah merupakan faktor penting dalam pengambilan keputusan di sektor properti, baik bagi pembeli, penjual, maupun investor. Namun, penentuan harga rumah seringkali sulit dilakukan secara akurat karena dipengaruhi oleh berbagai faktor seperti lokasi, luas bangunan, dan jumlah fasilitas. Kompleksitas hubungan antar vari-abel tersebut menyebabkan metode konvensional kurang efektif, sehingga diperlukan pendekatan berbasis data menggunakan machine learning untuk menghasilkan pred-iksi yang lebih akurat dan objektif. Penelitian ini bertujuan untuk membangun model prediksi harga rumah yang akurat serta meningkatkan performa model melalui optimasi hyperparameter. Metode yang digunakan adalah algoritma XGBoost Regressor yang dioptimasi menggunakan Grid Search Cross Validation (GridSearchCV) dalam sebuah pipeline yang terin-tegrasi dengan tahap preprocessing. Dataset yang digunakan adalah Jakarta House Price Dataset, dengan proses pengolahan meliputi pembersihan data, penanganan missing value, transformasi logaritmik pada variabel target, serta encoding fitur kate-gorikal menggunakan One-Hot Encoding. Hasil penelitian menunjukkan bahwa model XGBoost yang telah dioptimasi menghasilkan performa yang sangat baik dengan nilai R² Score sebesar 0.8889, Mean Absolute Error (MAE) sebesar 0.2418, Mean Squared Error (MSE) sebesar 0.1300, dan Root Mean Squared Error (RMSE) sebesar 0.3606. Selain itu, model ini terbukti lebih unggul dibandingkan model Random Forest sebagai pembanding. Hasil prediksi yang dihasilkan memiliki kedekatan yang tinggi dengan nilai aktual, sehingga menun-jukkan bahwa model mampu meminimalkan kesalahan prediksi secara signifikan. Dengan demikian, penelitian ini menyimpulkan bahwa optimasi XGBoost menggunakan GridSearchCV mampu meningkatkan akurasi prediksi harga rumah dan memenuhi tujuan penelitian. Namun, penelitian ini masih memiliki keterbatasan pada penggunaan dataset yang hanya mencakup wilayah Jakarta. Oleh karena itu, penelitian selanjutnya disarankan untuk menggunakan dataset yang lebih luas, menambahkan fitur yang lebih kompleks, serta mengeksplorasi algoritma dan metode optimasi lain guna meningkatkan performa model.

Actions (login required)

View Item