Perbandingan Algoritma Random Forest dan Gradient Booting Dalam Mempreidksi Harga Rumah di Bogor

Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma machine learning, yaitu Random Forest dan Gradient Boosting, dalam memprediksi harga rumah di wilayah Bogor. Harga rumah merupakan variabel yang dipengaruhi oleh berbagai faktor, seperti luas bangunan, luas tanah, jumlah kamar tidur, kamar mandi, serta fasilitas lainnya. Dataset yang digunakan diperoleh dari situs Kaggle, dengan atribut utama yang mencerminkan karakteristik fisik dan fasilitas properti. Tahapan penelitian meliputi preprocessing data, seleksi fitur, serta pemodelan menggunakan hyperparameter tuning melalui GridSearchCV untuk Random Forest dan RandomizedSearchCV untuk Gradient Boosting. Evaluasi kinerja model dilakukan dengan menggunakan metrik Root Mean Square Error (RMSE) dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa algoritma Gradient Boosting memberikan performa yang lebih baik dengan nilai R² sebesar 0,85 dan RMSE sebesar 184,48, dibandingkan dengan Random Forest yang memperoleh R² sebesar 0,80 dan RMSE sebesar 217,19. Faktor yang paling berpengaruh terhadap harga rumah adalah luas bangunan dan luas tanah. Berdasarkan hasil tersebut, dapat disimpulkan bahwa algoritma Gradient Boosting lebih efektif dalam memprediksi harga rumah di wilayah Bogor dan dapat dijadikan acuan dalam sistem penilaian harga properti berbasis data.

Kata kunci: Prediksi Harga Rumah, Random Forest, Gradient Boosting, Machine Learning