VOKASI NEWS – Harga rumah di Jawa Timur semakin sulit ditebak. Pertumbuhan kawasan perkotaan yang pesat mendorong perluasan wilayah hunian hingga ke daerah pinggiran. Di sisi lain, lahan pertanian terus mengalami alih fungsi menjadi kawasan residensial. Akibat kondisi tersebut, harga properti antarwilayah menjadi sangat bervariasi. Perbedaan harga ini dipengaruhi oleh berbagai faktor, seperti lokasi, luas bangunan, fasilitas di sekitar properti, serta karakteristik pasar yang berbeda di setiap kota dan kabupaten. Kondisi tersebut menjadikan estimasi harga rumah secara objektif sebagai tantangan yang cukup kompleks. Tantangan ini dihadapi baik oleh pengembang dalam menentukan harga jual maupun oleh calon pembeli dalam menilai kewajaran harga properti.
Pengembangan Model Prediksi Harga Rumah Menggunakan XGBoost Regression
Menjawab tantangan tersebut, sebuah penelitian mengembangkan model prediksi harga rumah berbasis kecerdasan buatan. Model tersebut menggunakan algoritma XGBoost Regression yang termasuk dalam metode machine learning berbasis ensemble learning. Algoritma ini dikenal memiliki kemampuan yang baik dalam menangani data yang kompleks serta berdimensi tinggi. Data penelitian dikumpulkan melalui proses web scraping pada platform properti daring Pinhome. Proses tersebut menghasilkan 3.273 data rumah yang berasal dari berbagai wilayah di Jawa Timur. Data yang telah terkumpul kemudian melalui serangkaian tahap pengolahan. Tahapan tersebut meliputi pembersihan data, deteksi nilai pencilan (outlier), dan penghapusan data duplikat. Selain itu, penanganan data yang hilang dilakukan dengan dua skenario berbeda, yaitu penghapusan baris (deletion) dan imputasi.
Kinerja dan Stabilitas Model dalam Memprediksi Harga Rumah
Hasilnya cukup menjanjikan. Model dengan skenario penghapusan data berhasil mencapai koefisien determinasi (R²) sebesar 0,8896. Nilai tersebut menunjukkan bahwa model mampu menjelaskan hampir 89% variasi harga rumah berdasarkan 46 fitur yang digunakan. Selain itu, model menghasilkan rata-rata kesalahan prediksi (Root Mean Square Error atau RMSE) sekitar Rp381,9 juta. Tingkat kestabilan model juga teruji baik: setelah dilakukan seleksi fitur menggunakan metode Recursive Feature Elimination, nilai R² hanya turun tipis sebesar 0,0016. Lebih lanjut, analisis sensitivitas spasial pada 37 wilayah di Jawa Timur menunjukkan nilai R² yang bervariasi antara 0,8864 hingga 0,9214, membuktikan bahwa karakteristik tiap wilayah memang memengaruhi performa model secara terukur.
Implementasi Sistem Prediksi Harga Rumah Berbasis Website
Tidak berhenti pada pemodelan, penelitian ini juga menghadirkan sistem prediksi harga rumah berbasis website yang dibangun menggunakan Laravel dan Flask, sehingga pengguna dapat memasukkan karakteristik rumah dan langsung memperoleh estimasi harga secara real-time. Sistem ini telah diuji secara menyeluruh, baik melalui pengujian black box (20 dari 20 skenario berhasil) maupun white box (13 dari 13 kasus uji berhasil), yang menunjukkan bahwa sistem berjalan sesuai fungsinya.
Potensi Pemanfaatan dan Pengembangan Sistem di Masa Depan
Dengan tingkat akurasi yang tinggi dan sistem yang dapat langsung digunakan, model ini berpotensi menjadi alat bantu bagi pengembang perumahan dalam menentukan harga jual properti secara lebih objektif dan berbasis data. Ke depan, penambahan granularitas lokasi hingga tingkat kecamatan, perluasan data pada segmen harga tinggi, serta penambahan fitur seperti jarak ke fasilitas publik diharapkan dapat semakin meningkatkan akurasi model ini.
[BACA JUGA: Pengendalian Internal Utang Usaha Perkuat Tata Kelola Keuangan Perusahaan]
Penulis: Inas Najah Zhahirah
Editor: Aghnia Faizatus (Tim Branding Vokasi)
