Analisis Komparasi Algoritma Machine Learning untuk Prediksi Harga Sewa Properti Komersial: Comparative Analysis of Machine Learning Algorithms for Predicting Commercial Property Rental Prices

Abstrak

Penentuan harga sewa properti komersial (ruko) di Kota Tangerang Selatan seringkali menghadapi kendala inefisiensi akibat metode penilaian yang subjektif dan heterogenitas pasar. Penelitian ini bertujuan untuk mengembangkan model prediksi harga sewa yang objektif dengan membandingkan tiga algoritma Machine Learning: Random Forest (RF), Extreme Gradient Boosting (XGBoost), dan Support Vector Regression (SVR). Dataset terdiri dari 275 data listing yang dikumpulkan melalui teknik web scraping dari platform Lamudi pada Desember 2025. Fitur yang digunakan meliputi luas bangunan dan lokasi (kecamatan). Hasil evaluasi menggunakan data testing menunjukkan bahwa Random Forest adalah model terbaik dengan skor R-Squared () sebesar 0,6801 dan Mean Absolute Percentage Error (MAPE) sebesar 27,40%. Sebaliknya, XGBoost dan SVR menunjukkan performa buruk dengan nilai   negatif, mengindikasikan ketidakmampuan menangkap pola data secara efektif pada dataset berskala kecil. Analisis fitur penting (feature importance) mengungkapkan bahwa luas bangunan menjadi faktor paling dominan yang memengaruhi harga sewa dibandingkan lokasi. Penelitian ini membuktikan bahwa Random Forest merupakan metode yang robust untuk valuasi properti dalam konteks manajemen aset publik.