PENERAPAN WEB SCRAPING DAN MACHINE LEARNING UNTUK PREDIKSI HARGA RUMAH DI JAKARTA MENGGUNAKAN ALGORITMA RANDOM FOREST

NUGRAHA, ALIFIANDY (2024) PENERAPAN WEB SCRAPING DAN MACHINE LEARNING UNTUK PREDIKSI HARGA RUMAH DI JAKARTA MENGGUNAKAN ALGORITMA RANDOM FOREST. S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01 COVER.pdf Download (214kB) | Preview
Preview	Text (ABSTRAK) 02 ABSTRAK.pdf Download (32kB) | Preview
	Text (BAB I) 03 BAB 1.pdf Restricted to Registered users only Download (34kB)
	Text (BAB II) 04 BAB 2.pdf Restricted to Registered users only Download (143kB)
	Text (BAB III) 05 BAB 3.pdf Restricted to Registered users only Download (162kB)
	Text (BAB IV) 06 BAB 4.pdf Restricted to Registered users only Download (319kB)
	Text (BAB V) 07 BAB 5.pdf Restricted to Registered users only Download (30kB)
	Text (DAFTAR PUSTAKA) 08 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (136kB)
	Text (LAMPIRAN) 09 LAMPIRAN.pdf Restricted to Registered users only Download (302kB)

Abstract

This research examines web scraping and machine learning techniques to predict house prices in Jakarta using the random forest algorithm. Web scraping technique is used to collect data and random forest algorithm is a model for machine learning prediction. The main focus of this research is to identify parameters that affect house prices in Jakarta and provide guidance on house price prediction results that can be adjusted based on the desired house specifications. The method used is observation on property buying and selling sites and web scraping techniques to collect data on houses in Jakarta. The data collected is then used to train the random forest algorithm model. The results showed that the web scraping technique was very effective for collecting data by successfully collecting 1272 house data in Jakarta in dataset 1 and 1492 house data in Jakarta in dataset 2. The evaluation results of the random forest algorithm using R-squared are 0.59 on dataset 1 and 0.90 on dataset 2. The conclusion of this research is that web scraping and machine learning techniques are a combination that can be used to create a prediction system. Web scraping is used to retrieve data on the internet and machine learning to create a prediction model. However, making a system with a combination of these techniques must be selective in data collection and machine learning model selection because data collection will affect the performance of the machine learning model. It is proven that in dataset 1 and dataset 2 there is a significant difference in data variation, so that in the R-Squared metric there is a significant difference in accuracy results. Keywords: web scraping, machine learning, random forest, prediction system Penelitian ini mengkaji tentang teknik web scraping dan machine learning untuk memprediksi harga rumah di Jakarta menggunakan algoritma random forest. Teknik web scraping digunakan untuk melakukan pengumpulan data dan algoritma random forest adalah model untuk prediksi machine learning. Fokus utama penelitian ini adalah mengidentifikasi parameter-parameter yang mempengaruhi harga rumah di Jakarta serta memberikan panduan hasil prediksi harga rumah yang dapat disesuaikan berdasarkan spesifikasi rumah yang diinginkan. Metode yang digunakan adalah observasi pada situs jual beli properti dan teknik web scraping untuk mengumpulkan data rumah di Jakarta. Data yang dikumpulkan kemudian digunakan untuk melatih model algoritma random forest. Hasil penelitian menunjukkan bahwa teknik web scraping sangat efektif untuk mengumpulkan data dengan berhasil mengumpulkan 1272 data rumah di Jakarta pada dataset 1 dan 1492 data rumah di Jakarta pada dataset 2. Hasil evaluasi algoritma random forest menggunakan R-squared sebesar 0.59 pada dataset 1 dan pada dataset 2 sebesar 0.90. Kesimpulan penelitian ini adalah teknik web scraping dan machine learning adalah kombinasi yang dapat digunakan untuk membuat suatu sistem prediksi. Web scraping digunakan untuk mengambil data di internet dan machine learning untuk membuat model prediksi. Namun membuat suatu sistem dengan kombinasi teknik tersebut harus selektif pada pengumpulan data dan pemilihan model machine learning karena pengumpulan data akan mempengaruhi kinerja model machine learning. Terbukti pada dataset 1 dan dataset 2 terdapat perbedaan variasi data yang cukup signifikan, sehingga pada metrik R-Squared terdapat selisih hasil akurasi yang juga signifikan. Kata Kunci : web scraping, machine learning, random forest, sistem prediksi

Item Type:	Thesis (S1)
Call Number CD:	FIK/INFO. 24 088
NIM/NIDN Creators:	41519110163
Uncontrolled Keywords:	web scraping, machine learning, random forest, sistem prediksi
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 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 > 006.7 Multimedia Systems/Sistem-sistem Multimedia > 006.75 Social Multimedia/Multimedia Social > 006.752 Blogs/Blog, Web Blog 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 518 Numerical Analysis/Analisis Numerik, Analisa Numerik > 518.1 Algorithms/Algoritma
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	khalimah
Date Deposited:	04 May 2024 03:54
Last Modified:	04 May 2024 03:54
URI:	http://repository.mercubuana.ac.id/id/eprint/88458

Actions (login required)

View Item