Optimasi Feature Engineering Terhadap Performa Algoritma XGBoost, Random Forest dan Support Vector Regression dalam Prediksi Harga Rumah

Trenggono, Brahmantio Widyo (2025) Optimasi Feature Engineering Terhadap Performa Algoritma XGBoost, Random Forest dan Support Vector Regression dalam Prediksi Harga Rumah. Masters thesis, Universitas Pembangunan Nasional Veteran Jawa Timur.

	Text (Cover) cover 1.pdf Download (1MB)
	Text (Bab 1) Bab 1.pdf Download (390kB)
	Text (Bab 2) Bab 2.pdf Restricted to Repository staff only until 9 January 2028. Download (848kB) | Request a copy
	Text (Bab 3) Bab 3.pdf Restricted to Repository staff only until 9 January 2028. Download (615kB) | Request a copy
	Text (Bab 4) Bab 4.pdf Restricted to Repository staff only until 9 January 2028. Download (2MB) | Request a copy
	Text (Bab 5) Bab 5.pdf Restricted to Repository staff only until 9 January 2028. Download (93kB) | Request a copy
	Text (Daftar Pustaka) Daftar Pustaka.pdf Download (272kB)
	Text (Lampiran) Lampiran.pdf Restricted to Repository staff only until 9 January 2028. Download (288kB) | Request a copy

Abstract

Semakin bertambahnya tahun pergerakan harga rumah yang selalu meningkat menjadi salah satu faktor penting dalam keputusan investasi dan perencanaan keuangan dalam menekan adanya inflasi. Namun, fluktuasi atau kenaikan harga rumah dapat disebabkan oleh berbagai faktor yang dapat mempengaruhi nilai dari prediksi harga rumah. Penelitian ini bertujuan untuk menganalisa pengaruh optimasi dan hubungan antara feature engineering dengan modeling dalam prediksi harga rumah. Tahapan penelitian meliputi preprocessing data, feature transformation, feature engineering, splitting data hingga pengoptimalan dalam penentuan parameter saat tuning. Dengan evaluasi kinerja model menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), dan koefisien Determinasi (R^2-Squared). Hasil penelitian menunjukkan bahwa penggunaan algoritma Support Vector Regression menghasilkan peforma terbaik dengan nilai MAE 278,662,143.00, RMSE sebesar 781,711,067.72, MAPE sebesar 6.79 dan R^2-Squared 0.98. Penelitian ini diharapkan dapat menjadi referensi bagi penelitian selanjutnya dalam optimasi model regresi terutama dalam pengambilan keputusan dalam memprediksi harga rumah yang lebih akurat.

Item Type:	Thesis (Masters)
Contributors:	Contribution Contributors NIDN/NIDK Email Thesis advisor Diyasa, I Gede Susrama Mas 197006192021211009 igsusrama.if@upnjatim.ac.id Thesis advisor Rahajoe, Rr Ani Dijah 197305122005012003 anidijah.if@upnjatim.ac.id
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General) T Technology > T Technology (General) > T385 Computer Graphics
Divisions:	Faculty of Computer Science > Magister Information Technology
Depositing User:	Brahmantio Widyo Trenggono
Date Deposited:	09 Dec 2025 07:20
Last Modified:	09 Dec 2025 07:20
URI:	https://repository.upnjatim.ac.id/id/eprint/48291

Actions (login required)

View Item