Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Prediksi Harga Perumahan Menggunakan Metode Principal Component Analysis dan Random Forest Regresi

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 12 No. 6 (2025) · hlm. 1243–1250

DOI
10.25126/jtiik.2025126
ISSN
2528-6579, 2355-7699
Terbit
2025-12-17
Penerbit
Fakultas Ilmu Komputer, Universitas Brawijaya
Bahasa
id
Lisensi
creativecommons.org/licenses/by-sa/4.0

Abstrak

Bahasa Indonesia

Penentuan harga merupakan salah satu aspek krusial dalam kegiatan pengembangan properti mengingat hal tersebut akan mempengaruhi margin keuntungan yang diperoleh pengembang dan pilihan pembelian properti. Selama bertahun-tahun, prediksi harga rumah telah menjadi topik penelitian utama, karena permintaan rumah terus meroket. Sangat penting untuk mengembangkan kerangka kerja yang sesuai yang memungkinkan pembeli dan penjual untuk membuat keputusan cepat dalam hal membeli atau menjual properti. Dalam penelitian ini menggunakan metode Principal Component Analysis (PCA) dan Random Forest (RF), dengan tujuan untuk melakukan analisis akurasi penggunaan kedua metode dalam prediksi harga rumah dan untuk mengetahui pengaruh penggunaan PCA dalam mengoptimalkan metode random forest. Data yang digunakan adalah harga rumah di kota Surakarta berdasarkan hasil scraping data di situs propertygurugroup.com. Hasil analisis menunjukkan bahwa jumlah penjualan rumah tertinggi adalah daerah Plesungan, dan penjualan rumah yang memiliki sertifikat hak milik juga paling tinggi. Dari sepuluh variabel yang ada, luas tanah dan bangunan paling berpengaruh terhadap harga jual. Hasil pelatihan model menunjukkan bahwa peggabungan metode RF dan PCA memiliki nilai yang lebih optimal dibanding hanya menggunakan metode RF saja. Tingkat kesalahan dalam metode PCA lebih kecil, dengan rerata 0,0257 maka nilainya lebih konsisten dibanding hanya menggunakan metode RF yang nilai kesalahannya lebih besar dengan rerata 0,0332. Waktu pelatihan model menggunakan PCA lebih cepat (5005,75) dibanding hanya menggunakan metode RF (6099,25). Abstract Determining prices is one of the crucial aspects in property development activities considering that this will affect the profit margin obtained by developers and property purchase choices. Over the years, home price prediction has been a major research topic, as demand for homes continues to increase. It is important to develop a suitable framework that allows buyers and sellers to make quick decisions when it comes to buying or selling a property. This research uses the Principal Component Analysis (PCA) and Random Forest (RF) methods, with the aim of accuracy analyzing using both methods in predicting housing prices and to determine the effect of using PCA in optimizing the random forest method. The data used is house prices in Surakarta city based on data scraping results on propertygurugroup.com site. The analysis results show that the highest house sales is in Plesungan area, and houses sale with ownership certificates is also the highest. Of the ten variables, land area and building have the most influence on selling price. Model training results show that combination of RF and PCA methods has a more optimal value than using only RF method. Error rate in the PCA method is smaller, with an average of 0.0257, so the value is more consistent than just using the RF method, which has a larger error value with an average of 0.0332. The model training time using PCA is faster (5005.75) than just using the RF method (6099.25).

Inggris

Penentuan harga merupakan salah satu aspek krusial dalam kegiatan pengembangan properti mengingat hal tersebut akan mempengaruhi margin keuntungan yang diperoleh pengembang dan pilihan pembelian properti. Selama bertahun-tahun, prediksi harga rumah telah menjadi topik penelitian utama, karena permintaan rumah terus meroket. Sangat penting untuk mengembangkan kerangka kerja yang sesuai yang memungkinkan pembeli dan penjual untuk membuat keputusan cepat dalam hal membeli atau menjual properti. Dalam penelitian ini menggunakan metode Principal Component Analysis (PCA) dan Random Forest (RF), dengan tujuan untuk melakukan analisis akurasi penggunaan kedua metode dalam prediksi harga rumah dan untuk mengetahui pengaruh penggunaan PCA dalam mengoptimalkan metode random forest. Data yang digunakan adalah harga rumah di kota Surakarta berdasarkan hasil scraping data di situs propertygurugroup.com. Hasil analisis menunjukkan bahwa jumlah penjualan rumah tertinggi adalah daerah Plesungan, dan penjualan rumah yang memiliki sertifikat hak milik juga paling tinggi. Dari sepuluh variabel yang ada, luas tanah dan bangunan paling berpengaruh terhadap harga jual. Hasil pelatihan model menunjukkan bahwa peggabungan metode RF dan PCA memiliki nilai yang lebih optimal dibanding hanya menggunakan metode RF saja. Tingkat kesalahan dalam metode PCA lebih kecil, dengan rerata 0,0257 maka nilainya lebih konsisten dibanding hanya menggunakan metode RF yang nilai kesalahannya lebih besar dengan rerata 0,0332. Waktu pelatihan model menggunakan PCA lebih cepat (5005,75) dibanding hanya menggunakan metode RF (6099,25). Abstract Determining prices is one of the crucial aspects in property development activities considering that this will affect the profit margin obtained by developers and property purchase choices. Over the years, home price prediction has been a major research topic, as demand for homes continues to increase. It is important to develop a suitable framework that allows buyers and sellers to make quick decisions when it comes to buying or selling a property. This research uses the Principal Component Analysis (PCA) and Random Forest (RF) methods, with the aim of accuracy analyzing using both methods in predicting housing prices and to determine the effect of using PCA in optimizing the random forest method. The data used is house prices in Surakarta city based on data scraping results on propertygurugroup.com site. The analysis results show that the highest house sales is in Plesungan area, and houses sale with ownership certificates is also the highest. Of the ten variables, land area and building have the most influence on selling price. Model training results show that combination of RF and PCA methods has a more optimal value than using only RF method. Error rate in the PCA method is smaller, with an average of 0.0257, so the value is more consistent than just using the RF method, which has a larger error value with an average of 0.0332. The model training time using PCA is faster (5005.75) than just using the RF method (6099.25).

Kata kunci

Jaringan kolaborasi para penulis

4 penulis · 6 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, pertama di-harvest 27 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Prediksi Harga Perumahan Menggunakan Metode Principal Component Analysis dan Random Forest Regresi</dc:title>
	<dc:title xml:lang="en">Prediksi Harga Perumahan Menggunakan Metode Principal Component Analysis dan Random Forest Regresi</dc:title>
	<dc:creator xml:lang="en">Sutanto, Yusuf</dc:creator>
	<dc:creator xml:lang="en">Al Amin, Budi</dc:creator>
	<dc:creator xml:lang="en">Ary Setyadi, Heribertus</dc:creator>
	<dc:creator xml:lang="en"> Eka Purnama, Bambang</dc:creator>
	<dc:creator xml:lang="id">Sutanto, Yusuf</dc:creator>
	<dc:creator xml:lang="id">Al Amin, Budi</dc:creator>
	<dc:creator xml:lang="id">Ary Setyadi, Heribertus</dc:creator>
	<dc:creator xml:lang="id"> Eka Purnama, Bambang</dc:creator>
	<dc:subject xml:lang="id">Prediksi</dc:subject>
	<dc:subject xml:lang="id">Harga Perumahan</dc:subject>
	<dc:subject xml:lang="id">Pembelajaran Mesin</dc:subject>
	<dc:subject xml:lang="id">Kota Surakarta</dc:subject>
	<dc:subject xml:lang="en">Prediksi</dc:subject>
	<dc:subject xml:lang="en">Harga Perumahan</dc:subject>
	<dc:subject xml:lang="en">PCA</dc:subject>
	<dc:subject xml:lang="en">Random Forest</dc:subject>
	<dc:description xml:lang="id">Penentuan harga merupakan salah satu aspek krusial dalam kegiatan pengembangan properti mengingat hal tersebut akan mempengaruhi margin keuntungan yang diperoleh pengembang dan pilihan pembelian properti.  Selama bertahun-tahun, prediksi harga rumah telah menjadi topik penelitian utama, karena permintaan rumah terus meroket. Sangat penting untuk mengembangkan kerangka kerja yang sesuai yang memungkinkan pembeli dan penjual untuk membuat keputusan cepat dalam hal membeli atau menjual properti. Dalam penelitian ini menggunakan metode Principal Component Analysis (PCA) dan Random Forest (RF), dengan tujuan untuk melakukan analisis akurasi penggunaan kedua metode dalam prediksi harga rumah dan untuk mengetahui pengaruh penggunaan PCA dalam mengoptimalkan metode random forest. Data yang digunakan adalah harga rumah di kota Surakarta berdasarkan hasil scraping data di situs propertygurugroup.com. Hasil analisis menunjukkan bahwa jumlah penjualan rumah tertinggi adalah daerah Plesungan, dan penjualan rumah yang memiliki sertifikat hak milik juga paling tinggi. Dari sepuluh variabel yang ada, luas tanah dan bangunan paling berpengaruh terhadap harga jual. Hasil pelatihan model menunjukkan bahwa peggabungan metode RF dan PCA memiliki nilai yang lebih optimal dibanding hanya menggunakan metode RF saja. Tingkat kesalahan dalam metode  PCA lebih kecil, dengan rerata 0,0257 maka nilainya lebih konsisten dibanding hanya menggunakan metode RF yang nilai kesalahannya lebih besar dengan rerata 0,0332. Waktu pelatihan model menggunakan PCA lebih cepat (5005,75) dibanding hanya menggunakan metode RF (6099,25).
 
Abstract
Determining prices is one of the crucial aspects in property development activities considering that this will affect the profit margin obtained by developers and property purchase choices. Over the years, home price prediction has been a major research topic, as demand for homes continues to increase. It is important to develop a suitable framework that allows buyers and sellers to make quick decisions when it comes to buying or selling a property. This research uses the Principal Component Analysis (PCA) and Random Forest (RF) methods, with the aim of accuracy analyzing using both methods in predicting housing prices and to determine the effect of using PCA in optimizing the random forest method. The data used is house prices in Surakarta city based on data scraping results on propertygurugroup.com site. The analysis results show that the highest house sales is in Plesungan area, and houses sale with ownership certificates is also the highest. Of the ten variables, land area and building have the most influence on selling price. Model training results show that combination of RF and PCA methods has a more optimal value than using only RF method. Error rate in the PCA method is smaller, with an average of 0.0257, so the value is more consistent than just using the RF method, which has a larger error value with an average of 0.0332. The model training time using PCA is faster (5005.75) than just using the RF method (6099.25).</dc:description>
	<dc:description xml:lang="en">Penentuan harga merupakan salah satu aspek krusial dalam kegiatan pengembangan properti mengingat hal tersebut akan mempengaruhi margin keuntungan yang diperoleh pengembang dan pilihan pembelian properti.  Selama bertahun-tahun, prediksi harga rumah telah menjadi topik penelitian utama, karena permintaan rumah terus meroket. Sangat penting untuk mengembangkan kerangka kerja yang sesuai yang memungkinkan pembeli dan penjual untuk membuat keputusan cepat dalam hal membeli atau menjual properti. Dalam penelitian ini menggunakan metode Principal Component Analysis (PCA) dan Random Forest (RF), dengan tujuan untuk melakukan analisis akurasi penggunaan kedua metode dalam prediksi harga rumah dan untuk mengetahui pengaruh penggunaan PCA dalam mengoptimalkan metode random forest. Data yang digunakan adalah harga rumah di kota Surakarta berdasarkan hasil scraping data di situs propertygurugroup.com. Hasil analisis menunjukkan bahwa jumlah penjualan rumah tertinggi adalah daerah Plesungan, dan penjualan rumah yang memiliki sertifikat hak milik juga paling tinggi. Dari sepuluh variabel yang ada, luas tanah dan bangunan paling berpengaruh terhadap harga jual. Hasil pelatihan model menunjukkan bahwa peggabungan metode RF dan PCA memiliki nilai yang lebih optimal dibanding hanya menggunakan metode RF saja. Tingkat kesalahan dalam metode  PCA lebih kecil, dengan rerata 0,0257 maka nilainya lebih konsisten dibanding hanya menggunakan metode RF yang nilai kesalahannya lebih besar dengan rerata 0,0332. Waktu pelatihan model menggunakan PCA lebih cepat (5005,75) dibanding hanya menggunakan metode RF (6099,25).
 
Abstract
Determining prices is one of the crucial aspects in property development activities considering that this will affect the profit margin obtained by developers and property purchase choices. Over the years, home price prediction has been a major research topic, as demand for homes continues to increase. It is important to develop a suitable framework that allows buyers and sellers to make quick decisions when it comes to buying or selling a property. This research uses the Principal Component Analysis (PCA) and Random Forest (RF) methods, with the aim of accuracy analyzing using both methods in predicting housing prices and to determine the effect of using PCA in optimizing the random forest method. The data used is house prices in Surakarta city based on data scraping results on propertygurugroup.com site. The analysis results show that the highest house sales is in Plesungan area, and houses sale with ownership certificates is also the highest. Of the ten variables, land area and building have the most influence on selling price. Model training results show that combination of RF and PCA methods has a more optimal value than using only RF method. Error rate in the PCA method is smaller, with an average of 0.0257, so the value is more consistent than just using the RF method, which has a larger error value with an average of 0.0332. The model training time using PCA is faster (5005.75) than just using the RF method (6099.25).</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2025-12-17</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9173</dc:identifier>
	<dc:identifier>10.25126/jtiik.2025126</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 12 No 6: Desember 2025; 1243-1250</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 12 No. 6: Desember 2025; 1243-1250</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.2025126</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9173/1509</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2025 Yusuf Sutanto, Budi Al Amin, Heribertus Ary Setyadi, Bambang Eka Purnama</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>