Penelitian ini bertujuan untuk memprediksi harga apartemen di Jakarta, Surabaya, dan kota-kota utama di Malaysia dengan pendekatan kuantitatif-prediktif menggunakan algoritma machine learning, yaitu Extreme Gradient Boosting (XGBoost), K-Means Clustering, dan Isolation Forest. Variabel yang digunakan meliputi luas unit, jumlah kamar tidur dan mandi, lokasi, jenis sertifikat, serta kondisi perabotan. XGBoost digunakan sebagai model utama prediksi karena kemampuannya dalam menangani data non-linear dan outlier, K-Means clustering untuk klasterisasi segmen harga, dan Isolation Forest untuk deteksi anomali. Data dikumpulkan melalui web scraping website properti dan diperkuat dengan data statistik sekunder. Dari web scraping menghasilkan total 1.680 data apartemen Jakarta dan 919 data apartemen Surabaya diambil dari website rumah123. Hasil penelitian menunjukkan bahwa XGBoost mampu menghasilkan performa prediksi dengan nilai korelasi (R) tertinggi mencapai 95.11% RMSE, MAE, dan MAPE terendah 22.58%, menandakan kemampuan generalisasi yang baik. Variabel luas bangunan dan lokasi teridentifikasi sebagai prediktor paling dominan. Temuan ini memberikan kontribusi praktis bagi investor, pengembang, dan pemerintah dalam merancang strategi harga serta kebijakan perumahan berbasis data. Secara teoretis, penelitian ini memperkuat relevansi model machine learning dalam studi properti lintas negara, khususnya pada kawasan berkembang di Asia Tenggara.