IMPLEMENTASI MODEL ARTIFICIAL NEURAL NETWORK UNTUK PREDIKSI HARGA RUMAH BERBASIS WEB SEBAGAI PENDUKUNG PENGAMBILAN KEPUTUSAN PADA SAPPHIRE RESIDENCE TEGAL

Daffa, Nandya Muhammad (2026) IMPLEMENTASI MODEL ARTIFICIAL NEURAL NETWORK UNTUK PREDIKSI HARGA RUMAH BERBASIS WEB SEBAGAI PENDUKUNG PENGAMBILAN KEPUTUSAN PADA SAPPHIRE RESIDENCE TEGAL. Other thesis, UNIVERSITAS HARKAT NEGERI.

[img] Text (COVER)
Cover 2.pdf
Download (1MB)
[img] Text (BAB I)
BAB I.pdf
Download (203kB)
[img] Text (BAB II)
BAB II.pdf
Download (246kB)
[img] Text (BAB III)
BAB III.pdf
Restricted to Registered users only
Download (440kB) | Request a copy
[img] Text (BAB IV)
BAB IV.pdf
Restricted to Registered users only
Download (1MB) | Request a copy
[img] Text (BAB V)
BAB V.pdf
Download (277kB)
[img] Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA.pdf
Download (173kB)
[img] Text (DAFTAR LAMPIRAN)
DAFTAR LAMPIRAN.pdf
Download (2MB)

Abstract

Penelitian ini bertujuan untuk membangun Sistem Pendukung Keputusan berbasis web menggunakan Artificial Neural Network (ANN) untuk memprediksi harga properti di Sapphire Residence Tegal secara objektif berdasarkan enam fitur utama: luas bangunan, luas tanah, kamar tidur, kamar mandi, nama blok, dan tahap pembangunan. Menggunakan metode Research and Development dengan pendekatan eksperimental, arsitektur Multilayer Perceptron (MLP) dilatih menggunakan tiga algoritma optimasi—Adam, Stochastic Gradient Descent (SGD), dan L-BFGS—serta diterapkan (deployed) menggunakan framework Flask. Hasil penelitian menunjukkan bahwa L-BFGS merupakan optimizer paling unggul dengan tingkat akurasi tertinggi, mencatatkan Mean Absolute Error (MAE) sebesar Rp 143.443 dan R-Squared sebesar 99,99%, sedangkan SGD mengalami kegagalan akibat exploding gradient. Selain itu, sistem yang dibangun berhasil menyajikan estimasi harga secara real-time yang terintegrasi dengan analisis kelayakan kredit menggunakan ambang batas Debt Service Ratio (DSR) sebesar 30%. Dapat disimpulkan bahwa arsitektur MLP 6-64-32-16-1 dengan optimasi L-BFGS merupakan model paling presisi untuk penerapan operasional perumahan, dengan rekomendasi pengembangan di masa depan berupa integrasi data geospasial dan validasi pendapatan otomatis berbasis OCR. Kata Kunci: Artificial Neural Network, L-BFGS, Prediksi Harga, Debt Service Ratio, Flask.

Item Type: Thesis (Other)
Subjects: T Technology
Depositing User: NANDYA MUHAMMAD DAFFA
Date Deposited: 16 Oct 2026 03:26
Last Modified: 16 Oct 2026 03:26
URI: http://repository.harkatnegeri.ac.id/id/eprint/8709

Actions (login required)

View Item View Item