Analisis Faktor yang Mempengaruhi Harga Rumah Menggunakan Decision Tree
DOI:
https://doi.org/10.47701/f1bwa603Keywords:
Harga rumah, Decision Tree, Prediksi harga, Feature importance, SlemanAbstract
Harga rumah yang terus meningkat dan dipengaruhi oleh berbagai faktor menjadikan proses penetapan harga kerap tidak akurat, subjektif, dan kurang transparan. Penelitian ini bertujuan untuk menganalisis faktor-faktor yang memengaruhi harga rumah di wilayah Sleman dengan membangun model prediksi menggunakan algoritma Decision Tree Regressor. Data diperoleh dari situs rumah123.com dan difokuskan pada properti di Sleman, dengan lima fitur utama: jumlah kamar tidur, kamar mandi, carport, luas tanah, dan luas bangunan. Setelah melalui tahap pembersihan dan transformasi data, model dilatih dan dievaluasi untuk mengukur pengaruh masing-masing fitur terhadap harga. Hasil menunjukkan bahwa luas bangunan (building_area) menjadi faktor paling dominan, diikuti oleh luas tanah, jumlah kamar mandi, kamar tidur, dan carport. Visualisasi pohon keputusan menunjukkan bahwa pembagian awal dilakukan berdasarkan building_area ? 101,5 m². Rumah dengan ukuran kecil dan tanah sempit cenderung memiliki harga lebih rendah, namun terdapat anomali seperti rumah kecil dengan harga tinggi yang diduga dipengaruhi faktor eksternal seperti lokasi strategis. Model memiliki nilai koefisien determinasi (R²) sebesar 0,49, yang berarti mampu menjelaskan 49% variasi harga rumah. ilai ini masih tergolong moderat, mengingat kompleksitas data properti dan absennya fitur-fitur eksternal seperti lokasi geografis, status legalitas, dan kualitas bangunan. Nilai Root Mean Squared Error (RMSE) sekitar ±219 juta rupiah menunjukkan deviasi rata-rata prediksi terhadap harga aktual. Penambahan fitur eksternal serta penggunaan model ensemble disarankan untuk meningkatkan akurasi.
References
[1] F. Nurzana and N. Novrianti, “Kebijakan Pemerintah Daerah dalam Mengatasi Kenaikan Harga Pengan saat Mendekati Hari Raya Idul Fitri: Studi Kasus Kota Tanjung Pina,” J. Wilayah, Kota dan Lingkung. Berkelanjutan, vol. 3, no. 1, pp. 178–185, 2024.
[2] J. E. Fisch and J. Schwartz, “How Did Corporations Get Stuck in Politics and Can They Escape?,” U Penn, Inst Law Econ Res. Pap., no. 24–05, 2024.
[3] P. Riney-Kehrberg, When a Dream Dies: Agriculture, Iowa, and the Farm Crisis of the 1980s. University Press of Kansas, 2022.
[4] X. Bian, J. C. Contat, B. D. Waller, and S. A. Wentland, “Why disclose less information? Toward resolving a disclosure puzzle in the housing market,” J. Real Estate Financ. Econ., vol. 66, no. 2, pp. 443–486, 2023.
[5] E. Savitri, “Akutansi Manajemen,” 2023.
[6] A. A. Anandari, G. Harsono, and A. F. Wadjdi, Long Short-Term Memory Recurrent Neural Network (LSTM-RNN) Aplikasi Penginderaan Jauh untuk Kelautan & Perikanan Laut Tangkap. CV Jejak (Jejak Publisher), 2024.
[7] A. N. Dinar, A. S. Y. Irawan, and Y. Umaidah, “ANALISIS SENTIMEN PADA PENGGUNA TWITTER TERHADAP PROGRAM KAMPUS MERDEKA MENGGUNAKAN NAÏVE BAYES,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 755–760, 2023.
[8] R. F. Putra et al., Algoritma Pembelajaran Mesin: Dasar, Teknik, dan Aplikasi. PT. Sonpedia Publishing Indonesia, 2024.
[9] A. Rahman, V. Paramarta, A. N. Ida, M. H. Akbar, and V. S. M. Simanjuntak, “Perbandingan Kinerja SVR dan XGBoost untuk Peramalan Emisi CO₂ Global berbasis Machine Learning,” J. Komtika (Komputasi dan Inform., vol. 9, no. 1, pp. 37–44, 2025.
[10] F. X. K. Lile and I. Suharjo, “OPTIMALISASI PERBANDINGAN ALGORITMA K-NEAREST NEIGHBORS DAN DECISION TREE UNTUK PREDIKSI KEMENANGAN DI MPL SEASON 13 MOBILE LEGEND,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 4, pp. 7553–7560, 2024.
[11] S. Y. KURNIAWAN, “Klasifikasi Kelayakan Air Minum dengan Backpropagation Neural Network Berbasis Penanganan Missing Value dan Normalisasi,” J. Inf. Syst. Res., vol. 6, no. 1, pp. 87–95, 2024.
[12] R. Swastika, S. Mukodimah, F. Susanto, M. Muslihudin, and S. I. P. Adab, IMPLEMENTASI DATA MINING (Clastering, Association, Prediction, Estimation, Classification). Penerbit Adab, 2023.
[13] K. Kurniawati, “Klasifikasi data mahasiswa lampau menggunakan metode decision tree dan support vector machine,” 2024, Universitas Islam Negeri Maulana Malik Ibrahim.
[14] A. Irwansyah, A. Triana, E. D. Simanullang, Y. N. Alinda, and A. Ibrahim, “Prediksi Harga dan Volatilitas Emas Dunia Harian: Perbandingan Model Garch dan Long Short-Term Memory,” Zo. J. Sist. Inf., vol. 7, no. 2, pp. 466–475, 2025.
[15] H. Kaur and V. Kumari, “Predictive modelling and analytics for diabetes using a machine learning approach,” Appl. Comput. informatics, vol. 18, no. 1/2, pp. 90–100, 2022.
