Potensi riil pendapatan lelang kendaraan dinas roda empat dapat dihitung setelah
diketahui nilai wajar atau harga pasarnya. Proses penilaiannya dilakukan oleh
Kantor Pelayanan Kekayaan Negara dan Lelang (KPKNL) selaku penilai dan
perantara lelang. Proses penilaian tersebut sering kali membutuhkan waktu yang
relatif lama sehingga Pemerintah Kota Cilegon kesulitan menentukan potensi
pendapatan yang akan dimasukkan ke dalam APBD tahun berikutnya. Penelitian
ini bertujuan untuk membuat sebuah model machine learning untuk mempercepat
prediksi harga mobil bekas secara akurat yang dapat digunakan untuk menghitung
potensi riil pendapatan lelang kendaraan dinas roda empat di Pemerintah Kota
Cilegon. Penulis menggunakan pendekatan predictive analytics dengan metode
CRISP-DM dalam mengembangkan model machine learning pada penelitian ini.
Teknik data engineering dengan metode web scraping digunakan untuk
mengekstraksi data dari olx.co.id, mobil123.com, dan carmudi.co.id yang
menghasilkan raw dataset 97.905 baris dan clean dataset 67.862 baris. Clean
dataset ini kemudian diproses dan digunakan untuk mengembangkan model
machine learning menggunakan algoritma Random Forest, KNN, DNN, dan
XGBoost. Hasil dari setiap algoritma dibandingkan menggunakan metrik MSE dan
R2 untuk mendapatkan akurasi dan performa terbaik. Pada tahap pemodelan, hasil
penelitian menunjukkan bahwa model XGBoost memiliki performa terbaik dengan
nilai MSE sebesar 26.438.813.044 (ekuivalen dengan selisih Rp.162.600 terhadap
nilai riil) pada data training dan 61.455.596.592 (ekuivalen Rp.247.902) pada data
testing. Selain itu model XGBoost memiliki nilai akurasi (R2

) yang sangat tinggi
yaitu 99,64% pada data training dan 99.16% pada data testing. Pada tahap
pengujian dan penggunaan, model XGBoost mampu menghitung potensi
pendapatan lelang dengan total nilai error sebesar 9,32%, yang masuk dalam
kategori “Sangat Akurat” (error < 10%).
Kata Kunci: CRISP-DM, DNN, KNN, Predictive Analytics, Random Forest, Web
Scraping, XGBoost