PENINGKATAN AKURASI PREDIKSI HARGA RUMAH DI JAKARTA DAN SEKITARNYA MENGGUNAKAN KOMBINASI MODEL XGBOOST DAN RESNET-18 BERBASIS CITRA SATELIT SENTINEL-2

ANASTASYA, ALIF BIUTI (2026) PENINGKATAN AKURASI PREDIKSI HARGA RUMAH DI JAKARTA DAN SEKITARNYA MENGGUNAKAN KOMBINASI MODEL XGBOOST DAN RESNET-18 BERBASIS CITRA SATELIT SENTINEL-2. S1 thesis, Universitas Mercu Buana Jakarta.

Text (JURNAL MAHASISWA) Jurnal 41522110024 Alif Biuti Anastasya - ALIF BIUTI ANASTASYA.pdf Restricted to Registered users only Download (2MB)

Abstract

Accurate house price forecasting is critical for supporting housing policies and investment decisions in metropolitan regions like Jabodetabek (Jakarta, Bogor, Depok, Tangerang, and Bekasi). Most existing prediction models continue to rely on structured data, therefore they have not taken into account spatial and environmental elements that influence property values. This study presents a machine learning-based multimodal approach that integrates property data with Sentinel-2 satellite imagery into a geospatial analysis framework. Tabular data contains 17 numerical and categorical characteristics, whilst satellite imagery will be processed using the ResNet-18 architecture to extract visual information about the surroundings. These two representations will be integrated using fusion method to create a more precise prediction model. The combined model aims to improve the coefficient of determination (R²) and reduce prediction errors when compared to single-data-based models. This research is expected to help construct a more complete and adaptable geospatial vbased house price forecast system for the Jabodetabek region. Kata kunci: house price prediction, XGBoost, ResNet-18, Sentinel-2 satellite imagery, multimodal fusion. Prediksi harga rumah yang akurat sangat penting untuk mendukung kebijakan perumahan dan keputusan investasi di wilayah urban seperti Jabodetabek (Jakarta, Bogor, Depok, Tangerang, dan Bekasi). Sebagian besar model prediksi yang ada masih bergantung pada data tabular, sehingga belum mempertimbangkan faktor spasial dan lingkungan yang juga berpengaruh terhadap nilai properti. Penelitian ini mengusulkan pendekatan multimodal berbasis pembelajaran mesin yang menggabungkan data properti dengan citra satelit Sentinel-2 dalam kerangka analisis geospasial. Data tabular terdiri dari 17 variabel numerik dan kategorikal, sementara citra satelit akan diolah menggunakan arsitektur ResNet-18 untuk mengekstraksi informasi visual lingkungan sekitar. Kedua representasi tersebut akan digabungkan menggunakan strategi fusion untuk membentuk model prediksi yang lebih akurat. Melalui pendekatan ini, diharapkan model gabungan mampu meningkatkan nilai koefisien determinasi (R²) dan menurunkan tingkat kesalahan prediksi dibandingkan model berbasis data tunggal. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem prediksi harga rumah berbasis geospasial yang lebih komprehensif dan adaptif terhadap kondisi urban di wilayah Jabodetabek. Kata kunci: prediksi harga rumah, XGBoost, ResNet-18, citra satelit Sentinel-2, multimodal fusion.

Item Type:	Thesis (S1)
NIM/NIDN Creators:	41522110024
Uncontrolled Keywords:	prediksi harga rumah, XGBoost, ResNet-18, citra satelit Sentinel-2, multimodal fusion.
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 006 Special Computer Methods/Metode Komputer Tertentu > 006.3 Artificial Intelligence/Kecerdasan Buatan > 006.31 Machine Learning/Pembelajaran Mesin
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	khalimah
Date Deposited:	03 Aug 2026 01:13
Last Modified:	03 Aug 2026 01:13
URI:	http://repository.mercubuana.ac.id/id/eprint/102983

Actions (login required)

View Item