Perbandingan Metode K-Nearest Neighbor (KNN) dan Random Forest dalam Memprediksi Harga Rumah

Abstract

Semakin meningkatnya populasi, Rumah menjadi kebutuhan primer bagi manusia. Prediksi harga rumah menjadi aspek penting dalam industri properti, karena harga rumah terus mengalami perubahan yang dipengaruhi oleh berbagai faktor. Diantara faktor-faktor tersebut adalah seperti lokasi, luas tanah, luas bangunan, serta jumlah kamar. Dalam pengaruh faktor tersebut, masyarakat memerlukan sistem prediksi harga rumah sesuai dengan kebutuhan. Adapun tujuan dari penelitian ini adalah melakukan analisis perbandingan dari hasil prediksi harga rumah dengan algoritma Machine Learning yaitu K-Nearest Neighbor (KNN) dan Random Forest. Pengujian dilakukan dengan menentukan nilai k pada metode KNN dan n-estimators (nilai pohon) pada metode Random Forest. Evaluasi dilihat dari nilai Mean Absolute Error (MAE), Mean Squared Error (MSE), dan R-Squared score ( ) terkecil dari setiap pengujian metode. Hasil dari penelitian ini Random Forest memiliki hasil akurasi terbaik dengan nilai MAE 54,80, MSE 7004,70, dan 0,55 sedangkan KNN memiliki nilai MAE 87,64 , MSE 13314,95 dan 0,14. Hasil tersebut didapat dari pengujian dataset 2020 baris dan 9 kolom fitur. Hasil dari penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem prediksi harga rumah di masa depan.