ANALISIS PERBANDINGAN LIGHTGBM DAN RANDOM FOREST DALAM MEMPREDIKSI HARGA RUMAH

Firman Aji Ardiansyah; estu sinduningrum;

Analisis Perbandingan LightGBM dan Random Forest dalam Memprediksi

Harga Rumah
Firman Aji Ardiansyah

Rumah adalah kebutuhan dasar manusia yang berfungsi sebagai tempat tinggal dan aset investasi
yang berharga. Kepadatan penduduk yang lebih tinggi di suatu wilayah cenderung memperkuat
korelasi negatif antara harga rumah dan ukuran tanah dan bangunan. Di daerah padat penduduk,
rumah dengan ukuran tanah dan bangunan yang lebih kecil biasanya dijual dengan harga yang lebih
tinggi dibandingkan dengan daerah dengan kepadatan penduduk yang lebih rendah. Kemampuan
untuk memprediksi harga rumah secara akurat adalah kunci untuk memandu pembeli dan penjual
dalam proses pengambilan keputusan. Tujuan dari penelitian ini adalah untuk menganalisis dan
membandingkan algoritma Random Forest dan LightGBM dalam memprediksi harga rumah.
Analisis akan dilakukan dengan menerapkan metode SEMMA dengan harga rumah, jumlah kamar
tidur, jumlah kamar mandi, jumlah tempat parkir, luas tanah dan luas bangunan sebagai atribut. Hasil
evaluasi menunjukkan bahwa Random Forest lebih akurat, dengan nilai R2 sebesar 0,74 dan MAPE
sebesar 29,08%. Sedangkan LightGBM hanya memiliki nilai R2 sebesar 0,69 dan MAPE sebesar
36,98%. Matriks korelasi juga menunjukkan bahwa luas tanah dan luas bangunan adalah faktor yang
paling berpengaruh terhadap harga rumah.
Kata kunci: harga rumah, random forest, light gradient boosting machine (lightGBM), SEMMA

Comparative Analysis of LightGBM and Random Forest in Predicting House

Prices
Firman Aji Ardiansyah

Housing is a fundamental human need that serves both as a place of residence and a valuable
investment asset. The higher population density in a given area tends to strengthen the negative
correlation between house prices and the size of the land and building. In densely populated areas,
houses with smaller land and building sizes are typically sold at higher prices compared to areas
with lower population density. The ability to predict house prices accurately is key to guiding buyers
and sellers in their decision-making process. The aim of this research is to analyze and compare
between Random Forest and LightGBM algorithms in predicting house prices. The analysis will be
carried out by applying the SEMMA method with house price, number of bedrooms, number of
bathrooms, number of parking lots, land area and building area as attributes. The evaluation results
show that Random Forest is more accurate, with R2 value of 0,74 and MAPE of 29,08%. While
LightGBM only has an R2 value of 0,69 and MAPE of 36,98%. The correlation matrix also reveals
that land area and building area are the most influential factors on house prices.
Keywords: house price, random forest, light gradient boosting machine (lightGBM), SEMMA