1 Business Problem

Sebagai seorang penjual properti, kita ingin membuat model yang mana dapat memprediksi harga properti berdasarkan beberapa informasi yang ada pada data.

Tentukan variabel:

  • target: price
  • prediktor: seluruh variabel terkecuali price

2 Data Wrangling & EDA

1. Read data house_data.csv

house <- read.csv("data_input/house_data.csv")
head(house)

2. Cek struktur data

glimpse(house)
#> Rows: 21,613
#> Columns: 9
#> $ price       <int> 221900, 538000, 180000, 604000, 510000, 1225000, 257500, 2~
#> $ bedrooms    <int> 3, 3, 2, 4, 3, 4, 3, 3, 3, 3, 3, 2, 3, 3, 5, 4, 3, 4, 2, 3~
#> $ bathrooms   <dbl> 1.00, 2.25, 1.00, 3.00, 2.00, 4.50, 2.25, 1.50, 1.00, 2.50~
#> $ sqft_living <int> 1180, 2570, 770, 1960, 1680, 5420, 1715, 1060, 1780, 1890,~
#> $ sqft_lot    <int> 5650, 7242, 10000, 5000, 8080, 101930, 6819, 9711, 7470, 6~
#> $ floors      <dbl> 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 2.0, 1.0, 1.0~
#> $ waterfront  <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0~
#> $ grade       <int> 7, 7, 6, 7, 8, 11, 7, 7, 7, 7, 8, 7, 7, 7, 7, 9, 7, 7, 7, ~
#> $ yr_built    <int> 1955, 1951, 1933, 1965, 1987, 2001, 1995, 1963, 1960, 2003~

💡 Hasil pemeriksaan struktur data: Kolom waterfront berupa boolean dan bisa dilakukan perubahan tipe data menjadi factor

unique(house$grade)
#>  [1]  7  6  8 11  9  5 10 12  4  3 13  1
unique(house$waterfront)
#> [1] 0 1

3. Cleansing Data

house$waterfront <- as.factor(house$waterfront)

3. EDA

#persebaran data
boxplot(house$price)

boxplot(house$bedrooms)

boxplot(house$bathrooms)

boxplot(house$sqft_living)

boxplot(house$sqft_lot)

boxplot(house$floors)

boxplot(house$waterfront)

boxplot(house$grade)

boxplot(house$yr_built)

#korelasi
ggcorr(house,label = TRUE )

💡 Insight: - Hampir semua kolom memiliki outliers - Terdapat dua kolom yang memliki korelasi tinggi dengan price yakni sqft_living dan grade

3 Modeling

Buatlah 3 model berdasarkan feature selection yg telah dipelajari 1. model all predictor 2. model selection based on correlation (korelasi > 0.5) 3. model selection hasil stepwise (backward/forward/both)

model_all <- lm(formula = price~.-price,
                data = house)
model_selection <- lm(formula = price ~ sqft_living + grade,
                      data = house)
model_backward <- step(object = model_all ,
                       direction = "backward",
                       trace = F)
house$pred_all <- predict(object = model_all, newdata = house)
house$pred_selection <- predict(object = model_selection, newdata = house)
house$pred_backward <- predict(object = model_backward, newdata = house)

house

4 Evaluasi model

Berdasarkan RMSE model regresi manakah yang terbaik?

RMSE(house$pred_all, house$price)
#> [1] 218864.1
RMSE(house$pred_selection, house$price)
#> [1] 250475.5
RMSE(house$pred_backward, house$price)
#> [1] 218864.1

💡 Kesimpulan : model_all dan model_backward memiliki akurasi paling baik dengan nilai RMSE 218864.1

5 Interpretasi Model Terbaik:

summary(model_all)
#> 
#> Call:
#> lm(formula = price ~ . - price, data = house)
#> 
#> Residuals:
#>      Min       1Q   Median       3Q      Max 
#> -1384206  -112972   -10077    91060  4251811 
#> 
#> Coefficients:
#>                  Estimate    Std. Error t value             Pr(>|t|)    
#> (Intercept) 6999106.70657  121576.94670  57.569 < 0.0000000000000002 ***
#> bedrooms     -41484.20936    2040.73489 -20.328 < 0.0000000000000002 ***
#> bathrooms     51710.08964    3437.50666  15.043 < 0.0000000000000002 ***
#> sqft_living     177.91392       3.29026  54.073 < 0.0000000000000002 ***
#> sqft_lot         -0.23947       0.03679  -6.509      0.0000000000774 ***
#> floors        17283.13337    3426.85939   5.043      0.0000004609553 ***
#> waterfront1  721804.73094   17406.65326  41.467 < 0.0000000000000002 ***
#> grade        128813.92794    2149.93255  59.915 < 0.0000000000000002 ***
#> yr_built      -3963.73577      64.04988 -61.885 < 0.0000000000000002 ***
#> ---
#> Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> 
#> Residual standard error: 218900 on 21604 degrees of freedom
#> Multiple R-squared:  0.6446, Adjusted R-squared:  0.6445 
#> F-statistic:  4898 on 8 and 21604 DF,  p-value: < 0.00000000000000022

1. Interpretasi coefficient untuk prediktor kategorik:

  • Intercept: 6999106.70657, yakni bahwa jika semua variabel bernilai 0 serta tidak terdapat sumber air di depannya, maka harga rumah bernilai 6999106.70657. Namun, bilamanna terdapat sumber air di depannya maka harga meningkat senilai 721804.73094.

2. Interpretasi coefficient untuk prediktor numerik:

3. Signifikansi prediktor:

  • Semua variabel prediktor berpengaruh signifikan terhadap harga rumah

4. Adjusted R Squared:

  • 0.6445, artinya model kita bisa menjelaskan inequality dengan baik sebesar 64.45%