Pernah nggak sih kamu heran, ada rumah yang ukurannya mirip, bentuknya hampir sama, tapi harganya bisa selisih ratusan juta bahkan milyaran?
Jawabannya: faktor penentu harga properti itu banyak sekali, mulai dari lokasi, luas tanah, luas bangunan, jumlah kamar, sampai jarak ke pusat kota dan fasilitas di sekitarnya.
Nah, di era digital, kita nggak perlu lagi nebak-nebak. Machine learning bisa membantu memprediksi harga rumah dengan akurasi yang lebih baik. Salah satu algoritma yang populer dan andal untuk tugas ini adalah Random Forest.
Apa Itu Random Forest?
Bayangkan ada sekelompok ahli properti, masing-masing memberi tebakan harga rumah. Lalu semua tebakan itu dirata-ratakan untuk menghasilkan prediksi akhir.
Nah, itulah konsep Random Forest:
a → Membuat banyak decision tree (pohon keputusan)
b → Setiap pohon memberi prediksi harga
c → Semua prediksi dirata-ratakan untuk hasil akhir
Keunggulannya? Prediksi jadi lebih stabil dan tidak terlalu terpengaruh oleh data ekstrem.
Data yang Dipakai
Ahmad Fauzi menggunakan data sintetis dari 10.000 properti di berbagai kota di Indonesia. Setiap data memuat:
- Lokasi (kota/wilayah)
- Luas tanah & bangunan (m²)
- Jumlah kamar tidur & kamar mandi
- Jarak ke pusat kota
- Fasilitas terdekat (sekolah, rumah sakit, dll.)
- Tahun dibangun
- Harga properti
Sebelum diproses, data dibersihkan (preprocessing) supaya rapi dan siap dimasukkan ke model.
Seberapa Akurat Prediksinya?
Model diuji menggunakan dua metrik:
- MAE (Mean Absolute Error) → rata-rata selisih harga asli vs prediksi
➤ Hasil: Rp 2,48 miliar - RMSE (Root Mean Squared Error) → mirip MAE, tapi memberi bobot lebih besar pada kesalahan besar
➤ Hasil: Rp 2,89 miliar
Hasil ini menunjukkan model cukup baik dalam mendekati harga asli, apalagi untuk data properti yang faktor penentunya kompleks.
Faktor yang Paling Mempengaruhi Harga
Random Forest juga memberi tahu fitur mana yang paling berpengaruh:
- Jarak ke pusat kota – 22,2%
- Luas bangunan – 20,1%
- Luas tanah – 18,5%
- Tahun dibangun – 15%
- Jumlah kamar tidur – 6,7%
Artinya, lokasi tetap jadi raja dalam menentukan harga rumah di Indonesia.
Visualisasi Hasil
Ketika harga prediksi diplot terhadap harga asli dalam scatter plot, sebagian besar titik berada dekat garis lurus (artinya prediksi mendekati kenyataan). Masih ada beberapa outlier, tapi itu wajar mengingat variasi pasar properti.
Kenapa Penting?
- Bagi calon pembeli → Bisa tahu apakah harga yang ditawarkan wajar
- Bagi developer → Bisa memprediksi harga jual optimal
- Bagi investor → Bisa memilih properti dengan value for money terbaik
- Bagi akademisi → Jadi studi kasus penerapan machine learning di dunia nyata
Apa Langkah Selanjutnya?
Ahmad Fauzi menyarankan beberapa peningkatan:
a → Tambahkan fitur seperti akses transportasi, tren harga tahunan, rencana pembangunan wilayah
b → Coba algoritma lain seperti XGBoost atau deep learning
c → Gunakan data asli pasar properti Indonesia untuk hasil lebih relevan
Penutup
Random Forest membuktikan bahwa teknologi bisa memprediksi harga properti dengan akurasi yang layak digunakan. Lokasi, luas bangunan, dan luas tanah terbukti menjadi faktor dominan.
Jadi, mulai sekarang, prediksi harga rumah bukan lagi soal feeling atau “kata orang”, tapi bisa berbasis data dan analisis.
Karena di dunia properti, data adalah kekuatan
