Sistem Prediksi Harga Rumah menggunakan Ridge Regression dan Random Forest: Studi Kasus Perumnas

Latar Belakang: Dinamika harga properti yang terus meningkat rata-rata 10% per tahun menjadikan estimasi harga rumah tidak menentu. Metode konvensional seringkali tidak mampu menangkap pola dari data historis, sementara adanya multikolinearitas antar variabel fisik rumah mempersulit pemodelan regresi standar. Tujuan: Menganalisis pengaruh fitur-fitur properti terhadap harga rumah, membandingkan performa Ridge Regression dan Random Forest, serta mengevaluasi kemampuan prediksi model. Metode: Data transaksi penjualan rumah diperoleh dari Kantor Perumnas Sulawesi Selatan periode 2017–2025 mencakup enam lokasi, dengan total 2.893 data transaksi mentah yang kemudian melalui proses pembersihan data sebelum dianalisis. Dataset dibagi menggunakan skema berbasis waktu (data transaksi lama untuk latih, data terbaru untuk uji) pada pengujian awal, serta skema acak dengan proporsi 80:20 sebagai pembanding. Analisis hubungan antar fitur dilakukan menggunakan uji korelasi dan uji ANOVA, sedangkan kedua model dioptimasi melalui pencarian parameter terbaik dan dievaluasi menggunakan metrik MAPE dan R², serta analisis permutation importance. Hasil: Luas Bangunan merupakan fitur numerik dengan korelasi terkuat terhadap harga (r=0,81), disusul jumlah Kamar Mandi (r=0,73), sedangkan Luas Tanah berkorelasi lemah (r=0,14). Lokasi dan Tipe Properti terbukti berpengaruh signifikan terhadap harga, dengan nilai F masing-masing sebesar 37,96 dan 254,08 (keduanya signifikan pada p<0,001). Pada pengujian awal, Ridge Regression teroptimasi mencatat MAPE 7,93% dan R²=0,8259. Pada pengujian pembanding, Random Forest teroptimasi memperoleh MAPE 5,38% dan R²=0,9595. Kesimpulan: Random Forest teroptimasi terbukti menjadi model prediksi harga rumah yang lebih baik dibandingkan Ridge Regression. Luas bangunan dan lokasi merupakan penentu utama harga rumah, sehingga model ini layak digunakan sebagai acuan estimasi harga properti.