Studi Optimal Model Prediksi Harga Real Estate Menggunakan Machine Learning

Semua orang menginginkan tempat tinggal terutama dekat dengan tempat kerja, pusat perbelanjaan, kemudahan transportasi, tingkat kriminalitas yang rendah dan lainnya. Penentuan harga juga harus memperhatikan faktor eksternal tersebut tidak hanya rumahnya saja. Penentuan harga ini terkadang sulit bagi sebagian orang. Oleh karena itu, tujuan penelitian ini adalah untuk memprediksi harga real-estate dengan memperhatikan faktor tersebut. Hasil prediksi sangat berguna bagi penjual yang kesulitan menentukan harga dan juga bagi calon pembeli yang kebingungan ketika membuat rencana keuangan untuk membeli rumah di lingkungan yang diinginkan. Dataset yang digunakan dalam penelitian ini diperoleh dari Kaggle dan terdiri dari 506 sampel dengan 14 atribut. Beberapa algoritma pembelajaran mesin, seperti Extra Trees (ET), Support Vector Regression (SVR), Random Forest (RF), eXtreme Gradient Boosting (XGB), Gradient Boosting Machine (GBM), Light Gradient Boosting Machine (LGBM), dan CatBoost, digunakan untuk memprediksi harga real-estate. Penelitian ini menggunakan Principal Component Analysis (PCA) untuk teknik pemilihan fitur pada kumpulan data setelah fase prapemrosesan dan sebelum pembuatan model. Model akurasi tertinggi yang didapatkan adalah CatBoost dengan GridSearchCV, model ini telah dilakukan Cross Validation sehingga kemungkinan sangat kecil terjadi overfitting ketika diberi data baru. Model SVR dengan kernel poly menggunakan Principal Component (PC) sebanyak 10 dan GridSearchCV mendapat R2 Score sebesar 0,87, angka yang sangat besar mendekati skor yang dimiliki oleh CatBoost dengan GridSearchCV.

Kata kunci: boosting, deep learning, machine learning, model optimal.