PERBANDINGAN KINERJA ALGORITME NAÏVE BAYES DAN K-NEAREST NEIGHBOR (KNN) UNTUK PREDIKSI HARGA RUMAH

Sari

Rumah adalah bangunan yang berfungsi sebagai tempat tinggal/hunian dan sarana pembinaan keluarga, sehingga rumah merupakan salah satu kebutuhan dasar manusia. Seiring dengan berjalannya waktu, terjadi banyak perubahan yang berpengaruh terhadap kebutuhan akan rumah. Nilai–nilai dari setiap rumah pun beragam, seperti luas tanah, lokasi rumah, jumlah kamar, jumlah kamar mandi, luas ruang tamu, fasilitas yang ada di linkungan rumah, dan lain sebagainya. Dikarenakan adanya beragam nilai dari setiap rumah, hal tersebutlah yang membuat harga - harga rumah  semakin bervariasi. Dengan machine learning, pembeli dapat memprediksi harga rumah dengan data rumah yang diberikan. Dalam pembuatan machine learning tersebut, dibutuhkan pembangunan model, dan selama proses pelatihan, diperlukan adanya suatu algoritma untuk membangun model yang disebut sebagai algoritma pelatihan (learning algorithm). Berdasarkan cara pelatihan, algoritma klasifikasi dibagi menjadi dua macam yaitu eager learner dan lazy learner. Namun, Dalam hal ini, peneliti termotivasi untuk melakukan analisis untuk membandingkan kinerja dari eager learning dan lazy learning dalam memprediksi harga rumah dikarenakan  studi yang telah mengevaluasi dan membahas secara komprehensif kedua jenis pembelajaran tersebut masih sedikit.. Dalam penelitian ini, prediksi harga rumah dengan machine learning menggunakan algoritma Naïve Bayes sebagai perwakilan metode pembelajaran eager learning dan K-Nearest Neighbor mewakili metode pembelajaran lazy learning. Berdasarkan hasil penelitian yang dilakukan, model pembelajaran lazy learning memiliki kinerja yang lebih unggul dalam nilai accuracy score serta kecepatan waktu dalam proses training data dibandingkan model pembelajaran eager learning. Serta berdasarkan penelitian ini, kedua algoritma yang digunakan pada penelitian ini dapat dikatakan bahwa algoritma yang digunakan kurang bisa memprediksi harga rumah dengan baik, dikarenakan nilai mean absolute error percentage (MAPE) termasuk kategori “cukup”, bukan “sangat baik”.