PEMANFAATAN TEKNOLOGI MACHINE LEARNING DALAM PERENCANAAN DAN REHABILITASI RUMAH LAYAK HUNI - PERSPEKTIF ARSITEKTUR

Aug 3, 2026

Unggah oleh Eden

Penelitian ini membahas penerapan machine learning, khususnya model XGBoost, untuk membantu seleksi dan rehabilitasi rumah tidak layak huni (RTLH) dengan pendekatan arsitektur. Program RTLH bertujuan meningkatkan kualitas hunian masyarakat berpenghasilan rendah, namun keputusan prioritas sering menghadapi keterbatasan objektivitas dan efisiensi karena masih bergantung pada survei manual. Model mengolah faktor arsitektural dan sosial-ekonomi seperti kondisi struktural, tata letak ruang, material bangunan, jumlah penghuni, serta kesejahteraan ekonomi. Hasil menunjukkan prediksi akurat untuk rehabilitasi, mendukung pengambilan keputusan berbasis data, serta memungkinkan integrasi GIS agar pemetaan RTLH lebih tepat. Secara arsitektural, temuan menekankan ergonomi, ventilasi alami, efisiensi energi, dan material berkelanjutan untuk menciptakan arsitektur adaptif sesuai kebutuhan penghuni dan kondisi lingkungan.

BahasaIndonesian

KategoriPenelitian & Laporan

FormatPDF

Halaman10

Waktu Membaca15 mnt

AksesGratis untuk diunduh

Daftar Isi

Pendahuluan

Metode dan Model Machine Learning

Penerapan XGBoost untuk Seleksi RTLH

Faktor yang Dianalisis (Arsitektural dan Sosial-Ekonomi)

Implikasi dari Perspektif Arsitektur

Desain Ergonomis, Ventilasi Alami, Efisiensi Energi, Material Berkelanjutan

Integrasi dengan GIS dan Pengambilan Keputusan

Kesimpulan

PEMANFAATAN TEKNOLOGI MACHINE LEARNING DALAMPERENCANAAN DAN REHABILITASI RUMAH LAYAK HUNI: PERSPEKTIFARSITEKTUR Rosyd Rosyadi1, Ari Wibowo2*, Susanto 1)Prodi Arsitektur-Universitas Subang, 2)Prodi Arsitektur-Universitas Subang. E-mail:1)[rdrosyadi@unsub.ac.id](rdrosyadi@unsub.ac.id),2 *)[ariwibowo@unsub.co.id](ariwibowo@unsub.co.id) Informasi Naskah: Diterima: 13 Januari 2025 Direvisi: 24 Februari 2025 Disetujui terbit: 16 Maret 2025 Diterbitkan: Cetak: 29 Maret 2025 Online 29 Maret 2025 Abstract: This study discusses the application of machine learning, specifically the XGBoost model, in the selection and rehabilitation of uninhabitable houses (RTLH) from an architectural perspective. The RTLH rehabilitation program aims to improve housing quality for low-income communities, yet the main challenge is determining which houses require rehabilitation in an objective and efficient manner. By utilizing machine learning algorithms, this research analyzes architectural and socio-economic factors such as structural conditions, spatial layout, building materials, number of occupants, and economic well-being. This model enables a more accurate selection of aid recipients, reduces subjectivity, and enhances program effectiveness. From an architectural perspective, this study emphasizes the importance of ergonomic house design, natural ventilation, energy efficiency, and the use of sustainable materials. The results show that the XGBoost model provides accurate predictions for housing rehabilitation, supports datadriven decision-making, and can be integrated with GIS technology for mapping uninhabitable houses. This technological integration supports the development of adaptive architecture tailored to the needs of residents and environmental conditions. Keyword: Architecture, RTLH, Housing Planning, Machine learning, XGBoost Abstrak: Penelitian ini membahas penerapan machine learning , khususnya model XGBoost, dalam seleksi dan rehabilitasi rumah tidak layak huni (RTLH) dengan pendekatan arsitektural. Program rehabilitasi RTLH bertujuan meningkatkan kualitas hunian bagi masyarakat berpenghasilan rendah, namun tantangan utama adalah menentukan rumah yang paling membutuhkan rehabilitasi secara objektif dan efisien. Dengan memanfaatkan algoritma machine learning , penelitian ini menganalisis faktor arsitektural dan sosial-ekonomi, seperti kondisi struktural, tata letak ruang, material bangunan, jumlah penghuni, serta kesejahteraanekonomi. Model ini memungkinkan seleksi penerima bantuan secara lebih akurat , mengurangisubjektivitas, dan meningkatkan efektivitas program. Dari aspek arsitektur, penelitian ini menekankan pentingnya desain rumah ergonomis, ventilasi alami, efisiensi energi, dan penggunaan material yang berkelanjutan. Hasil penelitian menunjukkan bahwa model XGBoost memberikan prediksi akurat dalam rehabilitasi rumah, mendukung pengambilan keputusan berbasis data, serta dapat dikombinasikan dengan teknologi GIS untuk pemetaan rumah tidak layak huni. Integrasi teknologi ini mendukung pengembangan arsitektur yang adaptif terhadap kebutuhan penghuni dan kondisi lingkungan. Kata Kunci: Arsitektur, RTLH, Perencanaan Rumah, Machine learning , XGBoost. PENDAHULUAN Perumahan yang layak huni merupakan kebutuhandasar manusia yang berperan penting dalam meningkatkan kesejahteraan sosial, kesehatan, dankualitas hidup penghuninya (Jois, M. , et al. , 2024) . Dalam bidang arsitektur, perencanaan rumah yang baik tidak hanya mempertimbangkan aspek fungsional, tetapi juga keberlanjutan, estetika, sertaketahanan bangunan terhadap kondisi lingkungan (Faqih , N. , et al. 2024) Sayangnya, di banyak negara berkembang, termasuk Indonesia, masih banyak rumah yang masuk dalam kategori tidak layak huni. Permasalahan ini tidak hanya terkait dengan faktorekonomi, tetapi juga dengan keterbatasan sumber daya dan kurangnya perencanaan berbasis data dalam program rehabilitasi rumah (Rohendi, G. F. , et al. 2023) . Sebaga

Pertanyaan Umum

Apa tujuan penerapan machine learning dalam program RTLH pada penelitian ini?

Tujuannya membantu seleksi dan memprioritaskan rumah yang paling membutuhkan rehabilitasi secara lebih objektif dan efisien, sehingga meningkatkan efektivitas program.

Mengapa model XGBoost digunakan dalam seleksi dan rehabilitasi rumah?

XGBoost dipakai untuk memprediksi kebutuhan rehabilitasi dengan lebih akurat melalui analisis pola dari data historis dan berbagai faktor arsitektural serta sosial-ekonomi.

Faktor apa saja yang dianalisis untuk menentukan prioritas rehabilitasi RTLH?

Penelitian menganalisis kondisi struktural, tata letak ruang, material bangunan, jumlah penghuni, serta kesejahteraan ekonomi.

Bagaimana integrasi GIS membantu penerapan model dalam pemetaan RTLH?

Integrasi GIS memungkinkan pemetaan rumah tidak layak huni yang lebih terarah, mendukung pengambilan keputusan berbasis data dan pengembangan solusi arsitektur yang adaptif.

Aug 3, 2026

Unggah oleh Eden