Analisis Komparatif Stacked Regression Berbasis Random Forest, XGBoost, dan LightGBM dengan Regresi Linear Berganda pada Prediksi Harga Berlian

Abstract

Prediksi harga berlian merupakan permasalahan regresi yang kompleks karena dipengaruhi oleh karakteristik fisik dan kualitas berlian termasuk atribut 4C (carat, cut, color, dan clarity) serta dimensi fisik berlian. Penelitian ini membandingkan performa Regresi Linear Berganda dengan transformasi Box-Cox dan Stacked Regression dalam memprediksi harga berlian menggunakan Diamonds Dataset dari Kaggle. Setelah tahap preprocessing, sebanyak 53.920 amatan digunakan dalam pemodelan. Tahapan preprocessing meliputi penghapusan data tidak valid, encoding peubah kategorik, dan transformasi Box-Cox pada peubah respon. Dataset dibagi menjadi data training dan testing menggunakan stratified split 80:20. Model Stacked Regression menggunakan Random Forest, XGBoost, dan LightGBM sebagai base learner, serta Regresi Linear sebagai meta learner. Evaluasi dilakukan menggunakan MAE, RMSE, MAPE, dan . Hasil penelitian menunjukkan bahwa Stacked Regression menghasilkan performa terbaik dengan MAE sebesar 266,70, RMSE USD 552,67, MAPE 6,13%, dan   sebesar 0,9809.