Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sampai sekarang, sebagian besar orang masih menganggap kepemilikan rumah sebagai kebutuhan primer yang belum bisa ditandingi oleh pilihan hunian lain. Harga rumah biasanya ditentukan oleh berbagai faktor seperti lokasi, kondisi makro ekonomi, serta kondisi fisik rumah. Banyaknya faktor tersebut membuat penentuan valuasi rumah secara objektif menjadi sulit. Dalam beberapa tahun terakhir, penelitian mengenai estimasi harga rumah telah berkembang pesat, dengan metode machine learning menjadi yang paling sering digunakan. Oleh karena itu, penelitian ini menggunakan salah satu algoritma machine learning yang sudah terbukti dapat mendapatkan akurasi tinggi, yaitu stacked generalization. Penelitian ini menggabungkan beberapa variabel yang digunakan oleh penelitian-penelitian sebelumnya untuk memprediksi valuasi rumah. Model stacked generalization yang dibangun akan dibandingkan dengan algoritma lain yang juga sering digunakan dalam memprediksi valuasi rumah, diantaranya adalah regresi linear, random forest, gradient boosting machine, dan extreme gradient boosting. Hasil penelitian menunjukkan bahwa algoritma stacked generalization memiliki kemampuan prediksi yang lebih baik dibandingkan metode lainnya dengan hasil R2 sebesar 0,881, dan MAPE sebesar 0,21%. Selanjutnya dilakukan analisis terhadap faktor yang paling berpengaruh terhadap perubahan valuasi rumah menggunakan teknik permutation feature importance. Faktor-faktor yang paling berpengaruh adalah luas tanah, luas bangunan, jarak menuju pusat perbelanjaan, kapasitas listrik, dan Indeks Harga Perumahan Residensial.

---

In recent years, homeownership remains a primary need that other housing options have yet to match. House prices are typically determined by various factors such as location, macroeconomic conditions, and the physical state of the house. These numerous factors make objective house valuation challenging. Recently, research on house price estimation has advanced significantly, with machine learning methods being the most commonly used. Therefore, this study employs one proven machine learning algorithm with high accuracy, stacked generalization. This research incorporates several variables used by previous studies to predict house valuations. The stacked generalization model developed is compared with other frequently used algorithms for predicting house valuations, including linear regression, random forest, gradient boosting machine, and extreme gradient boosting. The results show that the stacked generalization algorithm has superior predictive ability compared to other methods, with an R2 of 0.881 and MAPE of 0.21%. Subsequently, an analysis of the factors most influencing changes in house valuation was conducted using permutation feature importance techniques. The most influential factors are land area, building area, distance to shopping centers, electricity capacity, and the Residential Property Price Index."

"Mobil pribadi dianggap sebagai kendaraan yang memberikan nilai kenyamanan tersendiri bagi pemiliknya. Di negara-negara berkembang, jual-beli mobil bekas menjadi sebuah tren yang tidak terhindarkan. Valuasi mobil bekas ditentukan oleh banyak faktor sehingga sulit menentukan harga jualnya, akan tetapi metode machine learning (ML) menunjukkan hasil yang menjanjikan belakangan ini. Penelitian ini menggabungkan stacked generalization (stacking) sebagai salah satu metode ML dengan optimasi berbasis model berurutan atau sequential model-based optimization (SMBO) untuk mengestimasi valuasi mobil bekas. Penelitian ini menambahkan beberapa variabel independen yang belum pernah digunakan oleh penelitian sebelumnya seperti harga awal, sisa masa garansi, serta kehadiran kunci cadangan dan buku servis. Data penelitian berasal dari salah satu situs web penjualan mobil bekas di Indonesia. Algoritma stacking dibandingkan dengan algoritma ML lain yang sering digunakan untuk mengestimasi harga mobil bekas seperti random forest (RF), gradient boosting (GB), support vector regression (SVR), dan multi-layer perceptron (MLP). Hasil penelitian menunjukkan bahwa algoritma stacking yang dioptimasi memiliki kemampuan prediksi terbaik dengan R2 0,9712, MAPE 4,57%, dan RMSE 19,77 juta rupiah. Dengan teknik permutation feature importance, penelitian ini mendapati faktor-faktor yang paling berpengaruh terhadap besarnya penurunan harga mobil bekas yaitu usia mobil, kapasitas mesin, bahan bakar, merek, jarak tempuh, sisa masa garansi, dan tipe mobil.

---

Private cars are considered vehicles that provide unrivaled comfortability for its owner. In developing countries, buying and selling used cars is an inevitable trend. The valuation of a used car is determined by many factors, making it difficult to determine its selling price, but machine learning (ML) method has recently shown promising results. This study combines stacked generalization (stacking) as one of the ML methods with sequential model-based optimization (SMBO) to estimate used car valuations. This study adds several independent variables that previous studies have not used, including initial price, remaining warranty period, and the presence of spare keys and service books. Data are gathered from a website selling used cars in Indonesia. Stacking is compared to other ML algorithms often used to estimate used cars price, such as random forest, gradient boosting, support vector regression, and multi-layer perceptron. Results showed that the optimized stacking algorithm had the best predictive ability with R2 0.9712, MAPE 4.57%, and RMSE 19.77 million rupiahs. Using permutation feature importance, this study found the most influential factors in the decline magnitude of used car prices, which are the car's age, engine capacity, fuel, brand, mileage, remaining warranty period, and type of the car."