Klasifikasi Kelayakan Pembelian Rumah Menggunakan Algoritma Decision Tree
DOI:
https://doi.org/10.62712/juktisi.v5i2.1597Keywords:
Klasifikasi Harga Rumah, Decision Tree, Data Mining, Orange, PythonAbstract
Harga rumah di setiap daerah berbeda-beda sesuai dengan daerah dan kategorinya masing-masing, khususnya harga rumah yang berada di kota Tangerang Selatan. Karena banyaknya variasi karakteristik properti sehingga masyarakat atau calon pembeli sering mengalami kesulitan untuk menentukan apakah harga rumah tersebut termasuk kedalam kategori murah atau mahal. Dalam penelitian ini memberikan solusi untuk mengelompokan dan mengkategorikan harga rumah yang ada di Tangerang Selatan dengan menerapkan pendekatan data mining menggunaka algoritma Decision Tree. Algoritma ini dapat membantu untuk mengklasifikasi harga rumah di Tangerang Selatan dengan atribut yang digunakan terdiri dari 8 variabel, meliputi nomor data, nama rumah, harga dari rumah, luas bangunan, luas tanah, jumlah kamar tidur, jumlah kamar mandi, dan kapasitas mobil dalam garasi. Implementasi model dilakukan menggunakan bantuan software Orange Data Mining serta bahasa pemrograman Python. Hasil penelitian menunjukkan bahwa model Decision Tree yang terbentuk memiliki 39 nodes dan 20 leaves dengan pembagian kelas target berupa "Setuju" dan "tidak". Evaluasi performa model menggunakan metode 5-fold cross-validation menghasilkan Classification Accuracy (CA) sebesar 45% dan AUC sebesar 0.467. Analisis matriks konfusi menunjukkan adanya tingkat misklasifikasi yang tinggi akibat ketimpangan skala antar-fitur data numerik. Melalui klasifikasi ini, diharapkan calon pembeli dapat lebih mudah mengenali potensi penawaran properti secara lebih terstruktur.
Downloads
References
[1] A. Roihan, P. A. Sunarya, and A. S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper,” IJCIT (Indonesian Journal on Computer and Information Technology), vol. 5, no. 1, pp. 75–82, 2020, doi: https://doi.org/10.31294/ijcit.v5i1.7951.
[2] T. Herawan, R. Ghazali, N. M. Nawi, and M. M. Deris, Eds., Recent Advances on Soft Computing and Data Mining, vol. 549. in Advances in Intelligent Systems and Computing, vol. 549. Cham: Springer International Publishing, 2017. doi: https://doi.org/10.1007/978-3-319-51281-5.
[3] J. Han, J. Pei, and H. Tong, Data Mining: Concepts and Techniques (4th ed.). Morgan Kaufmann., vol. 1, no. 1. 2022.
[4] S. Tan, A. Taeihagh, and K. Baxter, “The Risks of Machine Learning Systems,” Apr. 2022, [Online]. Available: http://arxiv.org/abs/2204.09852
[5] B. A. Ghaisani, G. A. Damayanti, R. M. A. Rani, N. Fitri, and W. S. Dharmawan, “Program Studi Sistem Informasi Akuntansi, Fakultas Teknik dan Informatika,” JURNAL INFORMATIKA UPGRIS, vol. 11, no. 2, Dec. 2025, doi: https://doi.org/10.26877/jiu.v11i2.25421.
[6] X. Zhao and X. Nie, “Splitting choice and computational complexity analysis of decision trees,” Entropy, vol. 23, no. 10, Oct. 2021, doi: https://doi.org/10.3390/e23101241.
[7] S. M. R. Aridho, H. A. K. Aswha, T. D. Wahyuni, and A. A. Sari, “Analisis Faktor yang Mempengaruhi Harga Rumah Menggunakan Decision Tree,” Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB), p. 2025, Jul. 2025.
[8] R. A. Saputra and A. Pratama, “IMPLEMENTASI DECISION TREE UNTUK PREDIKSI HARGA RUMAH DI DAERAH TEBET,” Journal of Information System Management (JOISM) e-ISSN, vol. 6, no. 2, pp. 2715–3088, Jan. 2025.
[9] I. A. Subekti, C. B. Andriano, D. Nurdiansyah, and R. Hidayat, “PENERAPAN ALGORITMA C4.5 UNTUK MEMPREDIKSI HARGA RUMAH,” Just IT : Jurnal Sistem Informasi, Teknologi Informasi dan Komputer, vol. 15, no. 2, pp. 350–355, Jan. 2025.
[10] J. Demšar et al., “Orange: Data Mining Toolbox in Python Tomaž Curk Matija Polajnar Laň Zagar,” 2013.
[11] F. Pedregosa et al., “Scikit-learn: Machine Learning in Python Gaël Varoquaux Bertrand Thirion Vincent Dubourg Alexandre Passos PEDREGOSA, VAROQUAUX, GRAMFORT ET AL. Matthieu Perrot,” 2011. doi: https://doi.org/10.1109/tpami.2009.187.
[12] J. D. Rodriguez, A. Perez, and J. A. Lozano, “Sensitivity Analysis of k-Fold Cross Validation in Prediction Error Estimation,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 32, no. 3, pp. 569–575, 2010, doi: https://doi.org/10.1109/TPAMI.2009.187.
[13] C. Schaffer, “Selecting a Classification Method by Cross-Validation,” 1993.
[14] O. Rainio, J. Teuho, and R. Klén, “Evaluation metrics and statistical tests for machine learning,” Sci. Rep., vol. 14, no. 1, Dec. 2024, doi: https://doi.org/10.1038/s41598-024-56706-x.
[15] D. Chicco, N. Tötsch, and G. Jurman, “The matthews correlation coefficient (Mcc) is more reliable than balanced accuracy, bookmaker informedness, and markedness in two-class confusion matrix evaluation,” BioData Min., vol. 14, pp. 1–22, 2021, doi: https://doi.org/10.1186/s13040-021-00244-z.
[16] M. Al-Batah, M. Salem Alzboon, M. Alqaraleh, and F. Ahmad Alzaghoul, “Comparative Analysis of Advanced Data Mining Methods for Enhancing Medical Diagnosis and Prognosis,” Data and Metadata, vol. 3, Jan. 2024, doi: https://doi.org/10.56294/DM2024.465.
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Fitri Yanti, Jaka Sutresna, Ahmad Musyafa, Muhammad Fadhillah Akbar
This work is licensed under a Creative Commons Attribution 4.0 International License.
