Pemodelan Klasifikasi Kategori Harga Rumah Menggunakan Algoritma Decision Tree dengan Pendekatan CRISP-DM

Abstract

Prediksi harga rumah yang akurat merupakan informasi krusial bagi berbagai pemangku kepentingan di pasar properti, termasuk pembeli, penjual, dan investor, untuk pengambilan keputusan strategis. Penelitian ini bertujuan untuk merancang dan mengimplementasikan model machine learning menggunakan Algoritma Decision Tree, yang dikenal karena kemudahan interpretasinya, untuk mengklasifikasikan harga rumah ke dalam tiga kategori: rendah, sedang, dan tinggi. Metodologi yang diterapkan mengadopsi kerangka kerja CRISP-DM (Cross-Industry Standard Process for Data Mining), yang meliputi tahapan pemahaman data, persiapan data, pemodelan, evaluasi, hingga deployment. Algoritma Decision Tree digunakan sebagai model prediktif utama, dan kinerjanya diukur menggunakan metrik akurasi klasifikasi. Sebagai tahap akhir, model yang telah dilatih sistem aplikasi web interaktif menggunakan Streamlit, sebuah framework modern berbasis Python yang mempercepat proses deployment. Hasil penelitian menunjukkan bahwa model Decision Tree mampu mengklasifikasikan kategori harga rumah dengan tingkat akurasi sebesar 81,74%. Implementasi menggunakan Streamlit terbukti berhasil menyediakan antarmuka yang efektif, intuitif, dan praktis, memungkinkan pengguna non-teknis untuk berinteraksi langsung dengan model prediktif.