Prediksi Harga Rumah Menggunakan General Regression Neural Network
Rumah merupakan salah satu kebutuhan manusia selain sandang dan pangan. Hirarki Kebutuhan Maslow menyebutkan bahwa rumah adalah salah satu Physiological Needs. Dewasa ini, kebutuhan akan rumah sering dijadikan sebagai sumber investasi bagi pengusaha properti yang tentunya menghasilkan investasi yang...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
Universitas Bina Sarana Informatika, LPPM
2021-04-01
|
| Series: | Jurnal Informatika |
| Online Access: | https://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/9036 |
| _version_ | 1819079912436269056 |
|---|---|
| author | Evi Febrion Rahayuningtyas Feny Novia Rahayu Yufis Azhar |
| author_facet | Evi Febrion Rahayuningtyas Feny Novia Rahayu Yufis Azhar |
| author_sort | Evi Febrion Rahayuningtyas |
| collection | DOAJ |
| description | Rumah merupakan salah satu kebutuhan manusia selain sandang dan pangan. Hirarki Kebutuhan Maslow menyebutkan bahwa rumah adalah salah satu Physiological Needs. Dewasa ini, kebutuhan akan rumah sering dijadikan sebagai sumber investasi bagi pengusaha properti yang tentunya menghasilkan investasi yang tidak dapat diremehkan. Keuntungan dalam jual beli rumah dijadikan alasan bagi seseorang dalam melakukan transaksi jual beli rumah itu sendiri. Sehingga munculah harga yang tidak terprediksi pada harga rumah yang ada. Penelitian ini menggunakan General Regression Neural Network sebagai pemodelannya. GRNN menggunakan dasar regresi non linear dimana strukturnya terdiri dari 4 layer, yaitu Input Layer, Pattern Layer, Summation Layer dan Output Layer. Variabel dependen yang digunakan berjumlah 6. Terdiri dari tanggal transaksi, jarak rumah dari stasiun MRT, jumlah toko atau minimarket yang dekat dengan rumah, umur rumah, dan letak geografis berupa longitude dan latitude. Variabel independen berupa harga rumah dalam satuan luas Ping yang selanjutnya dikonversi menjadi 10.000 New Dollar Taiwan/Ping. Hasil yang didapatkan berupa data actual dan data predicted yang divisualisasikan dengan line plot. Dilakukan juga uji akurasi dan uji kinerja pemodelan menggunakan 3 jenis evaluasi dengan hasil dari ketiga jenis evaluasi tersebut adalah 58,72 untuk skor MSE, skor 7,66 untuk RMSE dan 5,99 untuk skor MAE. |
| first_indexed | 2024-12-21T19:36:31Z |
| format | Article |
| id | doaj.art-5d17cd4ef0a64331ad1e67f87119941f |
| institution | Directory Open Access Journal |
| issn | 2355-6579 2528-2247 |
| language | Indonesian |
| last_indexed | 2024-12-21T19:36:31Z |
| publishDate | 2021-04-01 |
| publisher | Universitas Bina Sarana Informatika, LPPM |
| record_format | Article |
| series | Jurnal Informatika |
| spelling | doaj.art-5d17cd4ef0a64331ad1e67f87119941f2022-12-21T18:52:36ZindUniversitas Bina Sarana Informatika, LPPMJurnal Informatika2355-65792528-22472021-04-0181596610.31294/ji.v8i1.90364306Prediksi Harga Rumah Menggunakan General Regression Neural NetworkEvi Febrion Rahayuningtyas0Feny Novia Rahayu1Yufis Azhar2Universitas Muhammadiyah MalangUniversitas Muhammadiyah MalangUniversitas Muhammadiyah MalangRumah merupakan salah satu kebutuhan manusia selain sandang dan pangan. Hirarki Kebutuhan Maslow menyebutkan bahwa rumah adalah salah satu Physiological Needs. Dewasa ini, kebutuhan akan rumah sering dijadikan sebagai sumber investasi bagi pengusaha properti yang tentunya menghasilkan investasi yang tidak dapat diremehkan. Keuntungan dalam jual beli rumah dijadikan alasan bagi seseorang dalam melakukan transaksi jual beli rumah itu sendiri. Sehingga munculah harga yang tidak terprediksi pada harga rumah yang ada. Penelitian ini menggunakan General Regression Neural Network sebagai pemodelannya. GRNN menggunakan dasar regresi non linear dimana strukturnya terdiri dari 4 layer, yaitu Input Layer, Pattern Layer, Summation Layer dan Output Layer. Variabel dependen yang digunakan berjumlah 6. Terdiri dari tanggal transaksi, jarak rumah dari stasiun MRT, jumlah toko atau minimarket yang dekat dengan rumah, umur rumah, dan letak geografis berupa longitude dan latitude. Variabel independen berupa harga rumah dalam satuan luas Ping yang selanjutnya dikonversi menjadi 10.000 New Dollar Taiwan/Ping. Hasil yang didapatkan berupa data actual dan data predicted yang divisualisasikan dengan line plot. Dilakukan juga uji akurasi dan uji kinerja pemodelan menggunakan 3 jenis evaluasi dengan hasil dari ketiga jenis evaluasi tersebut adalah 58,72 untuk skor MSE, skor 7,66 untuk RMSE dan 5,99 untuk skor MAE.https://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/9036 |
| spellingShingle | Evi Febrion Rahayuningtyas Feny Novia Rahayu Yufis Azhar Prediksi Harga Rumah Menggunakan General Regression Neural Network Jurnal Informatika |
| title | Prediksi Harga Rumah Menggunakan General Regression Neural Network |
| title_full | Prediksi Harga Rumah Menggunakan General Regression Neural Network |
| title_fullStr | Prediksi Harga Rumah Menggunakan General Regression Neural Network |
| title_full_unstemmed | Prediksi Harga Rumah Menggunakan General Regression Neural Network |
| title_short | Prediksi Harga Rumah Menggunakan General Regression Neural Network |
| title_sort | prediksi harga rumah menggunakan general regression neural network |
| url | https://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/9036 |
| work_keys_str_mv | AT evifebrionrahayuningtyas prediksihargarumahmenggunakangeneralregressionneuralnetwork AT fenynoviarahayu prediksihargarumahmenggunakangeneralregressionneuralnetwork AT yufisazhar prediksihargarumahmenggunakangeneralregressionneuralnetwork |