Prediksi Harga Rumah menggunakan Machine Learning Algoritma Regresi Linier

Abstract

Sektor properti memiliki peran penting dalam perekonomian global, terutama dalam prediksi harga properti yang merupakan tantangan kompleks yang dipengaruhi oleh berbagai faktor seperti ukuran bangunan, jumlah kamar, lokasi, dan kondisi properti. Penelitian ini bertujuan untuk membangun model prediksi harga properti menggunakan algoritma Regresi Linier. Data yang digunakan dalam penelitian ini diperoleh dari Kaggle, yang mencakup 1460 data mengenai harga rumah di Ames, Amerika Serikat. Proses pra-pemrosesan mencakup pengelolaan data yang hilang, penanganan outlier, dan standarisasi fitur menggunakan StandardScaler untuk memastikan konsistensi data. Model regresi linier dilatih dan dievaluasi menggunakan metrik R-squared (R²) dan Root Mean Squared Error (RMSE). Hasil evaluasi menunjukkan R² sebesar 0.81, yang menunjukkan model dapat menjelaskan 81% variasi harga rumah. Selain itu, nilai RMSE sebesar 35,830.40 menunjukkan bahwa model memiliki kesalahan yang relatif rendah dan konsisten saat diuji dengan data yang berbeda. Fitur-fitur seperti kualitas rumah secara keseluruhan (OverallQual) dan luas ruang hidup (GrLivArea) memiliki korelasi signifikan dengan harga rumah. Temuan ini menunjukkan bahwa regresi linier adalah alat yang efektif untuk memprediksi harga properti.