Analisis Prediksi Harga Properti Menggunakan Algoritma Regresi Linear Berbasis Rapid Miner
Keywords:
Data Mining, Real Estate Valuation, Linear RegressionAbstract
Penentuan nilai pasar properti yang akurat merupakan tantangan signifikan bagi pelaku ekonomi karena dipengaruhi oleh berbagai faktor infrastruktur dan letak geografis. Penelitian ini bertujuan untuk membangun model yang mampu memprediksi harga unit properti di Distrik Sindian, New Taipei City, menggunakan teknik Data Mining dengan algoritma Linear Regression. Data yang digunakan berasal dari UCI Machine Learning Repository yang mencakup 414 catatan transaksi dengan 6 variabel independen, yaitu usia bangunan, jarak ke stasiun MRT, jumlah toko ritel, serta koordinat lokasi (latitude dan longitude). Penelitian ini dilakukan menggunakan perangkat lunak RapidMiner Studio dengan metode evaluasi korelasi dan error metric. Hasil penelitian menunjukkan bahwa algoritma Linear Regression mampu memprediksi harga properti secara efektif dengan tingkat akurasi yang diukur melalui Root Mean Squared Error (RMSE). Berdasarkan analisis koefisien, variabel jarak ke stasiun MRT memiliki pengaruh negatif paling signifikan, yang berarti semakin dekat lokasi properti dengan akses transportasi publik, maka harga unit properti akan meningkat secara drastis. Penelitian ini membuktikan bahwa faktor aksesibilitas merupakan penentu utama nilai real estat, sehingga model ini dapat digunakan sebagai Sistem Pendukung Keputusan (Decision Support System) bagi tenaga profesional di bidang properti.
References
Judul, H., Industri, F. T., & Indonesia, U. I. (2021). PENJUALAN DAN CASHFLOW PADA APLIKASI POINT OF.
Langaas, M. (2018). TMA4268 Statistical Learning V2018. 17.
Lasso, T. (n.d.). Statistical Learning with Sparsity The Lasso and Generalizations Statistical Learning with Sparsity The Lasso and.
Mahirah, A. M. (2022). Pengaruh Motivasi Kerja , Kepuasan Kerja dan Etos Kerja Terhadap Kinerja Karyawan di PT Surya Indah Food Multirasa Jombang. 4(2012), 457–472. https://doi.org/10.37680/almanhaj.v4i2.1864
Method, C., Algorithm, W. K., Grouping, D., New, P., Yogyakarta, U. M., Study, C., Sciences, P., The, B., & Clustering, M. (2018). Penerapan Metode Clustering dengan Algoritma K-Means pada Pengelompokkan Data Calon Mahasiswa Baru di Universitas Muhammadiyah Yogyakarta ( Studi Kasus : Fakultas Kedokteran dan Ilmu Kesehatan , dan Fakultas Ilmu Sosial dan Ilmu Politik ). 21(1), 60–64. https://doi.org/10.18196/st.211211
Mining, D. (n.d.). Springer Series in Statistics The Elements of.
Regression, M. L., Modeling, P., Analysis, D., Modeling, S., Validation, M., & Accuracy, P. (2023). Study on multiple linear regression analysis. 2394, 665–677.
Reviewed, P. (2021). Data collection and database creation 1960 and earlier file processing Database Management System 1970 ; s Network and rational database systems Data modelling tools , user interference Indexing and data organization techniques Query language , processing , Advanced Database systems 1980 ’ s present advanced data models Extended rational , object oriented , knowledge base Data ware house and data mining 1980 ’ s present data warehouse and OLAP technology Data mining and knowledge discovery New generation of information systems 2000. 816(7), 86–91.
Santoso, H. (2017). Data Mining Penyusunan Buku Perpustakaan Daerah Lombok Barat Menggunakan Algoritma Apriori.
Yuliandari, D., Wuryanto, A., & Sariasih, F. A. (2024). Improving the Accuracy of Heart Failure Prediction Using the Particle Swarm Optimization Method. 8(1), 210–220.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Irfandi Irfandi, Hasbi Firmansyah, Wahyu Asriyani, Rizki Prasetyo Tulodo
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
