Analisis Kinerja Model Random Forest dan Logistic Regression untuk Memprediksi Pengaruh Lingkungan terhadap Zona Nilai Tanah (ZNT) di Kota Gorontalo

Irnawati Dau, Isran K. Hasan, Armayani Arsal

Abstract


Zona Nilai Tanah (ZNT) merupakan indikator penting dalam menentukan nilai ekonomi suatu wilayah yang dipengaruhi oleh berbagai faktor lingkungan dan spasial. Penelitian ini bertujuan untuk membandingkan kinerja model Regresi Logistik Ordinal dan Random Forest dalam mengklasifikasikan ZNT berdasarkan variabel lingkungan di Kota Gorontalo. Data yang digunakan merupakan data sekunder berbasis spasial yang berasal dari Peta ZNT tahun 2023 dan 2024 dengan total 560 sampel. Variabel prediktor meliputi topografi, jarak terhadap sumber daya alam, jarak terhadap ruang terbuka hijau, jarak terhadap fasilitas umum, jarak terhadap kawasan pencemar, dan penggunaan lahan, sedangkan variabel respon berupa klasifikasi ZNT ke dalam kategori rendah, sedang, dan tinggi. Tahapan analisis meliputi pra-pemrosesan data, transformasi variabel, pembagian data latih dan data uji dengan proporsi 80:20, serta pemodelan menggunakan Regresi Logistik Ordinal dan Random Forest. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kedua model menghasilkan kinerja klasifikasi yang setara dengan nilai accuracy sebesar 96,43\%, precision sebesar 96,52\%, recall sebesar 96,43\%, dan F1-score sebesar 96,43\%. Pada model Regresi Logistik Ordinal, variabel jarak terhadap fasilitas umum merupakan variabel yang signifikan terhadap klasifikasi ZNT, sedangkan pada model Random Forest variabel jarak terhadap fasilitas umum dan penggunaan lahan menunjukkan kontribusi prediktif yang relatif lebih tinggi dibandingkan variabel lainnya.

Keywords


Zona Nilai Tanah; Regresi Logistik Ordinal; Random Forest; Faktor Lingkungan; Machine Learning

Full Text:

PDF

References


[1] A. Sutawijaya, “Tanah sebagai dasar penilaian nilai jual obyek pajak di kota semarang,” Jurnal Ekonomi Pembangunan, vol. 9, no. 1, pp. 65–78, 2004. doi: 10.20885/vol9iss1aa625.

[2] D. Arisanty et al., Geografi Ekonomi. MNC Publishing, 2024. Available online.

[3] K. M. Wibowo, I. Kanedi, and J. Jumadi, “Sistem informasi geografis untuk penentuan lokasi pertambangan,” Jurnal Sistem Informasi, vol. 11, no. 1, pp. 51–60, 2015. Available online.

[4] S. Ningsih and H. Dukalang, “Penerapan metode suksesif interval pada analisis regresi linier,” Jambura Journal of Mathematics, vol. 1, no. 1, pp. 43–53, 2019. doi: 10.34312/jjom.v1i1.1742.

[5] M. Čeh, M. Kilibarda, A. Lisec, and B. Bajat, “Random forest versus multiple regression for apartment price prediction,” ISPRS International Journal of Geo-Information, vol. 7, no. 5, 2018. doi: 10.3390/ijgi7050168.

[6] L. Breiman, “Random forests,” Machine Learning, vol. 45, no. 1, pp. 5–32, 2001. doi: 10.1023/A:1010933404324.

[7] B. Tanuwijaya, “Perbandingan regresi logistik dan random forest,” Indonesian Journal of Data Science, vol. 1, no. 3, pp. 68–78, 2020. Available online.

[8] C. Yulianto, “Mass land valuation using random forest,” Jurnal Pertanahan, pp. 26–39, 2024. doi: 10.53686/jp.v14i1.204.

[9] A. Soltani and C. L. Lee, “Non-linear dynamics of housing markets,” Applied Geography, vol. 166, 2024. doi: 10.1016/j.apgeog.2024.103248

[10] A. Saiful, “Prediksi harga rumah menggunakan machine learning,” JATISI, vol. 8, no. 1, pp. 41–50, 2021. doi: 10.35957/jatisi.v8i1.701.

[11] Sutaryono et al., Tata Ruang dan Perencanaan Wilayah. STPN Press, 2020. Available online.

[12] M. Pacione, Progress in Urban Geography. Croom Helm, 1982. Available online.

[13] D. Faisal, “Analisis permintaan dan penawaran properti residensial,” Ph.D. dissertation, PKN STAN, 2022. Available online.

[14] D. W. Hosmer, S. Lemeshow, and R. X. Sturdivant, Applied Logistic Regression. Wiley, 2013. doi: 10.1002/9781118548387.

[15] G. A. M. Ashfania, T. Prahasto, A. Widodo, and T. Warsokusumo, “Random forest untuk klasifikasi efisiensi energi,” Rotasi, vol. 24, no. 3, pp. 14–21, 2022. doi: 10.14710/rotasi.24.3.14-21.

[16] M. Sokolova and G. Lapalme, “Performance measures for classification tasks,” Information Processing and Management, vol. 45, no. 4, pp. 427–437, 2009. doi: 10.1016/j.ipm.2009.03.002.




DOI: https://doi.org/10.18860/jrmm.v5i5.43715

Refbacks

  • There are currently no refbacks.