MODEL PERFORMANCE
Evaluasi Model
Perbandingan performa 4 model regresi pada data uji (20% data, tidak dilihat model saat training)
| MAE | MSE | RMSE | R2 | train_time_sec | cv_best_r2 | |
|---|---|---|---|---|---|---|
| Linear Regression | 283.150 | 162365.445 | 402.946 | 0.890 | 0.152 | NaN |
| Random Forest | 176.192 | 76683.918 | 276.919 | 0.948 | 0.575 | NaN |
| XGBoost | 147.450 | 60859.024 | 246.696 | 0.959 | 9.408 | 0.928 |
| LightGBM | 149.285 | 61155.629 | 247.297 | 0.959 | 0.391 | NaN |
Perbandingan R² Score
Semakin tinggi, semakin baik model menjelaskan variasi harga.
XGBoost
95.9%
LightGBM
95.9%
Random Forest
94.8%
Linear Regression
89.0%
Aktual vs Prediksi — XGBoost
Hyperparameter Tuning & Feature Selection — XGBoost
Model XGBoost dipilih lewat perbandingan 4 algoritma dengan parameter default,
lalu di-tuning lebih lanjut memakai RandomizedSearchCV (25 kombinasi × 5-fold
cross-validation) digabung dengan SelectKBest untuk seleksi fitur.
CV R² terbaik selama pencarian: 0.9285.
| Parameter | Nilai Terbaik |
|---|---|
model__subsample | 0.9 |
model__n_estimators | 400 |
model__max_depth | 4 |
model__learning_rate | 0.03 |
model__colsample_bytree | 0.7 |
feature_selection__k | 17 |
Arti hasil evaluasi bagi pengambilan keputusan:
RMSE XGBoost ≈ 247 juta pada harga rata-rata ≈ Rp 1,890 juta, atau sekitar 13.1% dari harga rata-rata. R² sebesar 0.959 berarti model menjelaskan 95.9% variasi harga. Model ini layak dipakai sebagai estimasi awal, namun untuk transaksi bernilai besar tetap disarankan konfirmasi dari penilai profesional.
RMSE XGBoost ≈ 247 juta pada harga rata-rata ≈ Rp 1,890 juta, atau sekitar 13.1% dari harga rata-rata. R² sebesar 0.959 berarti model menjelaskan 95.9% variasi harga. Model ini layak dipakai sebagai estimasi awal, namun untuk transaksi bernilai besar tetap disarankan konfirmasi dari penilai profesional.