Main Article Content
Abstract
Metode boosting kembali memberikan inovasi dalam langkahnya, seperti XGBoost yang baru ‘lahir’ pada 2016 lalu. Metode yang nampak powerful ini melatarbelakangi pemilihan metode untuk memberikan prediksi yang dalam artikel ini adalah harga rumah. Dalam penulisan ini, keefektifannya akan diujicobakan kemudian dibandingkan dengan pendahulunya, gradient boosting. Melalui aplikasi beberapa data, nantinya akan memberikan sebuah prediksi berdasarkan data yang dimasukkan. Untuk menghasilkan prediksi yang lebih baik berdasarkan estimator tunggal, metode ensemble mengkombinasikan berbagai estimator tunggal dalam memberikan prediksi. Parameter setiap metode juga dapat diatur sedemikian rupa untuk memperkecil nilai error. Dalam penulisan ini, disajikan data percobaan yang kemudian memberikan prediksi harga rumah. Data testing digunakan untuk menilai metode yang paling rendah memberikan nilai error. Diantara metode yang diterapkan, gradient boosting menunjukkan nilai error terkecil US$ 22,766, disusul XGBoost US$ 24,069, sedangkan error terbesar oleh decision tree US$ 35,637.