ABSTRAK
Penelitian ini bertujuan untuk membangun model estimasi harga mobil bekas menggunakan metode Regresi Linear dan K-Nearest Neighbor (KNN), membandingkan tingkat akurasi kedua metode, serta menentukan metode yang memberikan hasil estimasi terbaik berdasarkan spesifikasi kendaraan. Data yang digunakan merupakan data sekunder yang diperoleh dari platform OLX wilayah Palembang sebanyak 302 data yang telah melalui proses preprocessing. Tahapan penelitian meliputi pengecekan data, data cleaning dan transformasi data, encoding, normalisasi, pembagian data menjadi data latih dan data uji dengan perbandingan 80:20, pembangunan model menggunakan metode Regresi Linear dan KNN, serta evaluasi model menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Koefisien Determinasi (R²). Hasil penelitian menunjukkan bahwa metode Regresi Linear memperoleh nilai MAE sebesar 64.308.630,68, RMSE sebesar 107.461.250,96, dan R² sebesar 0,5608, sedangkan metode KNN memperoleh nilai MAE sebesar 44.043.442,62, RMSE sebesar 64.977.731,68, dan R² sebesar 0,8394. Berdasarkan hasil tersebut, metode KNN menghasilkan tingkat kesalahan yang lebih rendah dan nilai koefisien determinasi yang lebih tinggi dibandingkan metode Regresi Linear. Dengan demikian, metode KNN memiliki tingkat akurasi yang lebih baik dalam mengestimasi harga mobil bekas berdasarkan spesifikasi kendaraan pada dataset yang digunakan.
Kata kunci: Estimasi harga mobil bekas, Regresi Linear, K-Nearest Neighbor, MAE, RMSE, R².

ABSTRACT
This study aims to build a used car price estimation model using Linear Regression and K-Nearest Neighbor (KNN) methods, compare the accuracy levels of both methods, and determine the method that provides the best estimation results based on vehicle specifications. The data used are secondary data obtained from the OLX platform in the Palembang region, totaling 302 data that have gone through a preprocessing process. The research stages include data checking, data cleaning and data transformation, encoding, normalization, data division into training data and test data with a ratio of 80:20, model development using Linear Regression and KNN methods, and model evaluation using the Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and Coefficient of Determination (R²) metrics. The results of the study show that the Linear Regression method obtained an MAE value of 64,38,630.68, an RMSE of 107,461,250.96, and an R² of 0.5608, while the KNN method obtained an MAE value of 44,043,442.62, an RMSE of 64,977,731.68, and an R² of 0.8394. Based on these results, the KNN method produces a lower error rate and a higher coefficient of determination value than the Linear Regression method. Thus, the KNN method has a better level of accuracy in estimating used car prices based on vehicle specifications in the dataset used.

Keywords: Used car price estimation, Linear Regression, K-Nearest Neighbor, MAE, RMSE, R²