Prediksi Harga Bahan Bangunan menggunakan Gradient Boosting Regressor

Abstract

Harga bahan bangunan merupakan salah satu faktor penting yang memengaruhi perencanaan biaya konstruksi. Penelitian ini bertujuan membangun model prediksi harga bahan bangunan menggunakan algoritma Gradient Boosting Regressor berdasarkan atribut jenis bahan, merek, jumlah stok, lokasi distribusi, dan harga jual. Data penelitian terdiri dari 1000 catatan transaksi yang diperoleh dari Toko Bangunan Risky Mandiri di Medan pada tahun 2025. Proses penelitian diawali dengan pengumpulan data, dilanjutkan dengan tahap praproses berupa pembersihan data, pengkodean kategori, dan normalisasi. Analisis data eksploratori dilakukan melalui statistik deskriptif dan visualisasi untuk memahami distribusi serta hubungan antar variabel. Model Gradient Boosting Regressor kemudian diterapkan dengan pembagian data menjadi 80% data latih dan 20% data uji. Hasil penelitian menunjukkan bahwa model menghasilkan nilai koefisien determinasi (R²) sebesar 0,945 pada data latih dan 0,918 pada data uji, dengan tingkat kesalahan prediksi yang relatif kecil. Temuan ini membuktikan bahwa Gradient Boosting Regressor mampu memberikan performa prediksi yang akurat terhadap harga bahan bangunan. Penelitian ini diharapkan dapat menjadi dasar dalam pengambilan keputusan terkait pengadaan dan perencanaan biaya konstruksi agar lebih efisien dan tepat sasaran. The price of building materials is one of the crucial factors influencing construction cost planning. This study aims to develop a predictive model for building material prices using the Gradient Boosting Regressor algorithm, based on attributes such as material type, brand, stock availability, distribution location, and selling price. The dataset consists of 1,000 transaction records collected from Toko Bangunan Risky Mandiri in Medan in 2025. The research process began with data collection, followed by preprocessing steps including data cleaning, categorical encoding, and normalization. Exploratory Data Analysis (EDA) was conducted through descriptive statistics and visualization to examine data distribution and relationships between variables. The Gradient Boosting Regressor model was then applied by splitting the dataset into 80% training data and 20% testing data. The results show that the model achieved a coefficient of determination (R²) of 0.945 on the training set and 0.918 on the testing set, with relatively small prediction errors. These findings demonstrate that the Gradient Boosting Regressor provides accurate performance in predicting building material prices. This study is expected to serve as a foundation for decision-making in procurement and construction cost planning, enabling more efficient and targeted resource allocation.