Implementasi Algoritma Support Vector Regression dan Linear Regression Untuk Prediksi Harga Rumah
Abstract
A house is one of the necessities of human life, but house prices tend to fluctuate every year. This is one of the causes of prospective buyers having difficulty in determining the budget and making decisions to purchase a house. So, it is necessary to conduct research to produce accurate house price predictions. The purpose of this research is to determine the best algorithm between the Support Vector Regression and Linear Regression algorithms in predicting house prices. Datasets are obtained from the results of scrapping on the house buying and selling website. This study uses a dataset from Telukjambe Timur Subdistrict with a total of 547 data with the parameters used are building area and land area and using a data division of 75:25. The results of the RMSE and MAPE evaluation show that the Support Vector Regression Algorithm is superior to Linear Regression with an RMSE value of 234,257 and a MAPE value of 21%.
Keywords: House; Price; Prediction; Algorithm; Evaluation
Abstrak
Rumah merupakan salah satu kebutuhan hidup manusia, namun harga rumah pada setiap tahunnya cenderung mengalami fluktuasi. Hal ini menjadi salahsatu penyebab calon pembeli kesulitan dalam menentukan budget dan mengambil keputusan untuk melakukan pembelian rumah. Sehingga, perlu dilakukan penelitian untuk menghasilkan prediksi harga rumah yang akurat. Adapun tujuan pada penelitian ini yaitu untuk menentukan Algoritma terbaik antara Algoritma Support Vector Regression dan Linear Regression dalam memprediksi harga rumah. Dataset diperoleh dari hasil scrapping pada website jual beli rumah. Penelitian ini menggunakan dataset dari Kecamatan Telukjambe Timur dengan jumlah sebanyak 547 data dengan parameter yang digunakan adalah luas bangunan dan luas tanah serta menggunakan pembagian data 75:25. Adapun hasil dari evaluasi RMSE dan MAPE menunjukkan bahwa Algoritma Support Vector Regression lebih unggul dari Linear Regression dengan nilai RMSE 234.257 dan nilai MAPE sebesar 21%.
Kata kunci: Rumah; Harga; Prediksi; Algoritma; Evaluasi
References
L. M. Muhammad, S. A. Damayanti, H. N. Zaki, T. Muhayat, and R. Wirawan, “Analisis Prediksi Harga Rumah Sesuai Spesifikasi Menggunakan Multiple Linear Regression,” Jurnal Informatik, vol. 3, no. 17, pp. 238–245, 2021.
C. Haryanto, N. Rahaningsih, and F. M. Basysyar, “Komparasi Algoritma Machine Learning Dalam Memprediksi Harga Rumah,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 1, pp. 533–539, 2023.
I. P. Putra and I. K. G. Suhartana, “Perbandingan Akurasi Algoritma Regresi Linier, Regresi Polinomial, dan Support Vector Regression Pada Model Sistem Prediksi Harga Rumah,” Jurnal Nasional Teknologi Informasi dan Aplikasinya (JNATIA), vol. 1, no. 1, pp. 147–154, 2022.
B. P. Statistik, “Penduduk, Laju Pertumbuhan Penduduk per Tahun dan Distribusi Persentase Penduduk Menurut Kecamatan di Kabupaten Karawang,” BADAN PUSAT STATISTIK. Accessed: Jan. 23, 2024. [Online]. Available: https://karawangkab.bps.go.id/statictable/2023/10/10/292/penduduk-laju-pertumbuhan-penduduk-per-tahun-dan-distribusi-persentase-penduduk-menurut-kecamatan-di-kabupaten-karawang-2022.html
E. S. Lestari and I. Astuti, “Penerapan Random Forest Regression Untuk Memprediksi Harga Jual Rumah Dan Cosine Similarity Untuk Rekomendasi Rumah Pada Provinsi Jawa Barat,” Jurnal Ilmiah FIFO, vol. 14, no. 2, p. 131, Nov. 2022, doi: 10.22441/fifo.2022.v14i2.003.
L. Uswatun Hasanah, I. Maula, and A. Tholib, “Analisis Prediksi Harga Rumah di Jabodetabek Menggunakan Multiple Linear Regression,” Jurnal Informatika Kaputama (JIK), vol. 7, no. 2, pp. 216–224, 2023.
A. M. Siregar, S. Faisal, Y. Cahyana, and B. Priyatna, “Perbandingan Algoritme Klasifikasi Untuk Prediksi Cuaca,” Jurnal Accounting Information System (AIMS), vol. 3, no. 1, pp. 15–24, 2020.
W. Mulyana, Aryanto, and M. Aprilia, “Penerapan Metode Single Exponential Smoothing Untuk Prediksi Kasus Positif COVID 10 di Kabupaten Bengkalis,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 3, no. 3, pp. 415–421, Dec. 2022, doi: 10.37859/coscitech.v3i3.4363.
S. Joya Arditna Br Bukit and R. R. Kurniawan, “Prediksi Harga Tandan Buah Segar dengan Algoritma K-Nearest Neighbor,” Jurnal Sistem Komputer dan Informatika (JSON), vol. 5, no. 1, pp. 92–101, 2023, doi: 10.30865/json.v5i1.6818.
L. M. Ginting, M. M. T. Sigiro, E. D. Manurung, and J. J. P. Sinurat, “Perbandingan Metode Algoritma Support Vector Regression dan Multiple Linear Regression Untuk Memprediksi Stok Obat,” Journal of Applied Technology and Informatics Indonesia, vol. 1, no. 2, pp. 29–34, 2021.
V. A. P. Putri, A. B. Prasetijo, and D. Eridani, “Perbandingan Kinerja Algoritme Naïve Bayes Dan K-Nearest Neighbor (Knn) Untuk Prediksi Harga Rumah,” Transmisi: Jurnal Ilmiah Teknik Elektro, vol. 24, no. 4, pp. 162–171, 2022.
A. N. Rais, W. Warjiyono, I. Alfarobi, S. W. Hadi, and W. Kurniawan, “Analisa Prediksi Harga Jual Rumah Menggunakan Algoritma Random Forest Machine Learning,” Jurnal Riset Sistem Informasi dan Teknologi Informasi (JURSISTEKNI), vol. 6, no. 2, pp. 416–423, 2024.
E. Fitri, “Analisis Perbandingan Metode Regresi Linier, Random Forest Regression dan Gradient Boosted Trees Regression Method untuk Prediksi Harga Rumah,” Journal Of Applied Computer Science And Technology (JACOST), vol. 4, no. 1, pp. 2723–1453, 2023, doi: 10.52158/jacost.491.
D. Sepri and A. Fauzi, “Prediksi Harga Cabai Merah Menggunakan Support Vector Regression,” Computer Based Information System Journal, vol. 8, no. 2, pp. 1–5, 2020.
D. Ismafillah, T. Rohana, and Y. Cahyana, “Implementasi Model Support Vector Machine dan Logistic Regression Untuk Memprediksi Penyakit Stroke,” Jurnal Riset Komputer), vol. 10, no. 1, pp. 2407–389, 2023, doi: 10.30865/jurikom.v10i1.5478.
A. Vermaysha and N. Nurmalitasari, “Prediksi Harga Rumah di Kabupaten Karanganyar Menggunakan Metode Regresi Linear,” in Prosiding Seminar Nasional Teknologi Informasi dan Bisnis, 2023, pp. 6–11.
M. L. Subiyanto, Y. Amanda, M. N. Fachrian, A. Y. B. Rohim, and N. Chamidah, “Peramalan Kasus Harian Monkeypox Dunia Berdasarkan Metode Support Vector Regression (SVR),” Jurnal Aplikasi Statistika & Komputasi Statistik, vol. 15, no. 1, pp. 27–36, 2023.
S. Balivada, G. Grant, X. Zhang, M. Ghosh, S. Guha, and R. Matamala, “A wireless underground sensor network field pilot for agriculture and ecology: Soil moisture mapping using signal attenuation,” Sensors, vol. 22, no. 10, p. 3913, 202
How To Cite This :
Refbacks
- There are currently no refbacks.
