PREDIKSI HARGA RUMAH TINGGAL DI DEPOK, BANDUNG, DAN JAKARTA SELATAN MENGGUNAKAN METODE ENSEMBLE STACKING REGRESSOR

Kurniawan, Gede Aby Sanjiwa (2026) PREDIKSI HARGA RUMAH TINGGAL DI DEPOK, BANDUNG, DAN JAKARTA SELATAN MENGGUNAKAN METODE ENSEMBLE STACKING REGRESSOR. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2115091086-COVER.pdf
Download (5MB)
[img] Text (ABSTRAK)
2115091086-ABSTRAK.pdf
Download (2MB)
[img] Text (BAB 1)
2115091086-BAB 1 PENDAHULUAN.pdf
Download (2MB)
[img] Text (BAB 2)
2115091086-BAB 2 KAJIAN PUSTAKA.pdf
Download (2MB)
[img] Text (BAB 3)
2115091086-BAB 3 METODOLOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (2MB) | Request a copy
[img] Text (BAB 4)
2115091086-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (3MB) | Request a copy
[img] Text (BAB 5)
2115091086-BAB 5 KESIMPULAN DAN SARAN.pdf
Restricted to Repository staff only
Download (2MB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2115091086-DAFTAR PUSTAKA.pdf
Download (2MB)
[img] Text (LAMPIRAN)
2115091086-LAMPIRAN.pdf
Download (6MB)

Abstract

Dinamika pasar properti di wilayah perkotaan Indonesia, terutama di Depok, Bandung, dan Jakarta Selatan, mencerminkan kompleksitas tinggi akibat pengaruh berbagai faktor yang saling berinteraksi, sehingga dibutuhkan model prediksi yang mampu menangkap pola tersebut secara akurat. Penelitian ini bertujuan mengukur perbandingan performa Stacking Regressor terhadap model tunggal Linear Regression, Random Forest, dan XGBoost dalam memprediksi harga rumah tinggal di ketiga wilayah tersebut, serta menghasilkan rekomendasi estimasi harga sebagai acuan dalam menentukan harga jual atau memilih properti. Data bersumber dari tiga dataset publik di platform Kaggle yang digabungkan menjadi satu dataset terpadu dengan total 32.412 data, yang setelah proses data cleaning menghasilkan 25.518 data bersih untuk digunakan pada tahap pemodelan. Tahapan penelitian meliputi data cleaning, feature engineering, exploratory data analysis, dan feature selection menggunakan filter method dengan threshold korelasi Pearson lebih besar sama dengan 0,50, serta preprocessing komprehensif untuk mencegah data leakage. Pelatihan model memanfaatkan GridSearchCV dengan 5-Fold Cross-validation untuk optimasi hyperparameter, dan mekanisme Out-of-Fold untuk pembentukan meta-features sebagai input Ridge meta learner. Berdasarkan evaluasi pada data test 30%, Stacking Ensemble menghasilkan performa tertinggi dengan R² = 0,7690, RMSE = Rp694.774.040, dan MAE = Rp356.824.486. Uji Wilcoxon Signed-Rank Test membuktikan bahwa keunggulan Stacking Ensemble terhadap Linear Regression dan XGBoost bersifat signifikan secara statistik, sementara perbedaannya terhadap Random Forest tidak signifikan. Stabilitas model dikonfirmasi melalui Repeated K-Fold Cross-validation dengan 50 evaluasi independen yang menghasilkan R² rata-rata 0,7622 (SD = 0,0181). Model diintegrasikan ke dalam antarmuka berbasis Streamlit untuk mendukung estimasi harga properti secara interaktif.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Prediksi Harga Rumah; Ensemble Stacking Regressor; Random Forest; XGBoost; Regresi Linear
Subjects: H Social Sciences > HA Statistics
Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Sistem Informasi (S1)
Depositing User: Gede Aby Sanjiwa Kurniawan
Date Deposited: 08 Oct 2026 00:16
Last Modified: 08 Oct 2026 00:16
URI: http://repo.undiksha.ac.id/id/eprint/32897

Actions (login required)

View Item View Item