MEMBANGKITKAN DATA PENJUALAN RUMAH
CHANDY ANUGRA PRATAMA
2024-04-04
MEMBANGKITKAN DATA
skenario
luas_tanah : luas tanah dalam meter persegi
luas_bangunan : luas bangunan dalam meter persegi
kamar_tidur : jumlah kamar tidur
kamar_mandi : jumlah kamar mandi
garasi : jumlah garasi
tahun_pembangunan : tahun pembangunan rumah
harga : harga penjualan rumah dalam juta rupiah
variabel luas tanah
luas tanah akan diminta sebanyak seratus data dengan ketentuan minimal 100 meter persegi dan maksimal 300 meter persegi,lalu datanya akan dibulatkan ke kelipatan 5 terdekat dengan perintah pada baris ke 31 dengan code round.
variabel luas bangunan
lalu luas bangunan saya bangkitkan dengan memperhatikan luas tanah yg sudah dibangkitkan, dengan kententuan :
jika luas tanah di bawah 120 maka akan mendapatkan luas bangunan antara 60 - 100
jika luas tanah di bawah 140 maka akan mendapatkan luas bangunan antara 80 - 120
dan selanjutanya setiap luas tanah + 20 ,maka luas maxsimum dan minimum luas bangunan akan naik juga 20 meter persegi
variabel jumlah kamar
lalu jumlah kamar :
diberikan dengan dilakukan pengecekan terhadap selisih antara luas tanah dan luas bangunan.
Jika selisihnya kurang dari atau sama dengan 30, maka jumlah kamar tidur diatur antara 2 dan 3. Jika selisihnya antara 31 dan 60, jumlah kamar tidur diatur antara 3 dan 4, dan seterusnya.
variabel jumlah kamar mandi
lalu jumlah kamar mandi akan diberikan dengan memperhatikan jumlah kamar yg tersedia dan luas tanah :
jika luas tanah kuarang dari 200 meter persegi maka jumlah kamar mandi akan berkurang 1 dari jumlah kamar,dan jika lebih dari 200 meter persegi maka jumlah kamar mandi akan bertambah 1 dari jumlah kamar.
variabel jumlah garasi
lalu jumlah garasi akan dicetak dengan : jika jumlah kamar tidur kurang dari 3 dan luas bangunan kurang dari 150 meter persegi, maka jumlah garasi diatur antara 0 dan 1. Jika luas tanah kurang dari 200, maka jumlah garasi diatur antara 0 dan 2. Jika luas tanah berada di antara 200 dan 249, maka jumlah garasi diatur antara 1 dan 3. Jika luas tanah berada di antara 250 dan 300, maka jumlah garasi diatur antara 2 dan 3. Jika luas tanah lebih dari 300, maka jumlah garasi diatur antara 3 dan 4.
variabel tahun pembuatan
lalu untuk tahun pembuatan dicetak dengan : Jika luas tanah kurang dari 200, maka tahun pembuatan diatur antara 2000 dan 2010.
Jika luas tanah berada di antara 200 dan 249, maka tahun pembuatan diatur antara 1990 dan 2000.
Jika luas tanah berada di antara 250 dan 300, maka tahun pembuatan diatur antara 1980 dan 1990.
Jika luas tanah lebih dari 300, maka tahun pembuatan diatur antara 1970 dan 1980.
variabel harga penjualan
lalu untuk harga penjualan :
Jika luas tanah kurang dari 200, maka harga penjualan diatur dengan mengambil sampel dari rentang harga 400 hingga 600 per meter persegi, kemudian dikalikan dengan luas bangunan dan dibagi 100.
Jika luas tanah berada di antara 200 dan 249, maka harga penjualan diatur dengan mengambil sampel dari rentang harga 600 hingga 800 per meter persegi, kemudian dikalikan dengan luas bangunan dan dibagi 100.
Jika luas tanah berada di antara 250 dan 300, maka harga penjualan diatur dengan mengambil sampel dari rentang harga 800 hingga 1000 per meter persegi, kemudian dikalikan dengan luas bangunan dan dibagi 100.
Jika luas tanah lebih dari 300, maka harga penjualan diatur dengan mengambil sampel dari rentang harga 1000 hingga 1200 per meter persegi, kemudian dikalikan dengan luas bangunan dan dibagi 100.
Membangkitkan 100 data acak untuk luas tanah
set.seed(123)
n <- 100
u <- runif(n)
luas_tanah <- runif(100, min = 100, max = 300)
luas_tanah <- round(luas_tanah/5)*5
print(luas_tanah)## [1] 220 165 200 290 195 280 285 220 180 130 285 160 110 290 245 130 210 290
## [19] 215 180 230 165 160 145 175 295 130 120 130 240 225 280 235 245 205 230
## [37] 265 255 295 190 160 180 100 135 270 145 150 115 150 245 270 200 180 150
## [55] 120 180 215 145 190 145 200 170 230 175 170 205 250 145 185 155 225 135
## [73] 275 250 235 225 175 205 275 215 270 160 240 155 220 195 155 215 285 280
## [91] 155 165 295 225 285 195 180 230 130 215di atas adalah 100 angka acak yang mewakili luas tanah, dan kemudian membulatkannya menjadi kelipatan 5.
membangkitkan data luas bangunan
set.seed(123)
n <- 100
luas_bangunan <- numeric(length(luas_tanah))
for (i in 1:length(luas_tanah)) {
if (luas_tanah[i] < 120) {
luas_bangunan[i] <- seq(60, 100, by = 10)[i %% 5 + 1]
} else if (luas_tanah[i] < 140) {
luas_bangunan[i] <- seq(80, 120, by = 10)[i %% 5 + 1]
} else if (luas_tanah[i] < 160) {
luas_bangunan[i] <- seq(100, 140, by = 10)[i %% 5 + 1]
} else if (luas_tanah[i] < 180) {
luas_bangunan[i] <- seq(120, 160, by = 10)[i %% 5 + 1]
} else if (luas_tanah[i] < 200) {
luas_bangunan[i] <- seq(140, 180, by = 10)[i %% 5 + 1]
} else if (luas_tanah[i] < 220) {
luas_bangunan[i] <- seq(160, 200, by = 10)[i %% 5 + 1]
} else if (luas_tanah[i] < 240) {
luas_bangunan[i] <- seq(180, 220, by = 10)[i %% 5 + 1]
} else if (luas_tanah[i] < 260) {
luas_bangunan[i] <- seq(200, 240, by = 10)[i %% 5 + 1]
} else if (luas_tanah[i] < 280) {
luas_bangunan[i] <- seq(220, 260, by = 10)[i %% 5 + 1]
} else {
luas_bangunan[i] <- seq(240, 280, by = 10)[i %% 5 + 1]
}
}
print(luas_bangunan)## [1] 190 140 190 280 140 250 260 210 180 80 250 140 90 280 200 90 180 270
## [19] 200 140 190 140 150 140 120 250 100 110 120 200 190 260 210 240 160 190
## [37] 240 230 280 140 130 160 90 120 220 110 120 90 140 200 230 180 170 140
## [55] 80 150 180 130 180 100 170 140 210 160 120 170 220 130 180 100 190 100
## [73] 250 240 180 190 140 190 260 160 230 140 230 140 180 150 120 190 280 240
## [91] 110 140 270 220 240 150 160 210 120 160membangkitkan 100 data jumlah kamar
set.seed(123)
n <- 100
selisih <- luas_tanah - luas_bangunan
luas_bangunan <- numeric(length(luas_tanah))
kamar_tidur <- numeric(length(luas_tanah))
for (i in 1:length(luas_tanah)) {
if (luas_tanah[i] < 120) {
luas_bangunan[i] <- seq(60, 100, by = 10)[sample(1:5, 1)]
} else if (luas_tanah[i] < 160) {
luas_bangunan[i] <- seq(80, 120, by = 10)[sample(1:5, 1)]
} else if (luas_tanah[i] < 240) {
luas_bangunan[i] <- seq(140, 180, by = 10)[sample(1:5, 1)]
} else {
luas_bangunan[i] <- seq(200, 240, by = 10)[sample(1:5, 1)]
}
if (abs(luas_tanah[i] - luas_bangunan[i]) <= 30) {
kamar_tidur[i] <- sample(2:3, 1)
} else if (abs(luas_tanah[i] - luas_bangunan[i]) <= 60) {
kamar_tidur[i] <- sample(3:4, 1)
} else {
kamar_tidur[i] <- sample(5:6, 1)
}
}
data_rumah <- data.frame(luas_tanah, luas_bangunan, kamar_tidur)
print(data_rumah)## luas_tanah luas_bangunan kamar_tidur
## 1 220 160 4
## 2 165 160 3
## 3 200 150 4
## 4 290 220 5
## 5 195 170 3
## 6 280 200 6
## 7 285 220 6
## 8 220 180 3
## 9 180 160 2
## 10 130 110 2
## 11 285 200 5
## 12 160 160 3
## 13 110 70 3
## 14 290 210 5
## 15 245 220 3
## 16 130 80 3
## 17 210 180 3
## 18 290 210 5
## 19 215 140 5
## 20 180 150 2
## 21 230 160 6
## 22 165 180 2
## 23 160 180 2
## 24 145 80 6
## 25 175 180 2
## 26 295 230 5
## 27 130 120 3
## 28 120 80 3
## 29 130 100 2
## 30 240 240 2
## 31 225 140 5
## 32 280 210 6
## 33 235 170 6
## 34 245 220 3
## 35 205 140 6
## 36 230 150 5
## 37 265 210 4
## 38 255 240 2
## 39 295 220 5
## 40 190 170 3
## 41 160 140 3
## 42 180 140 3
## 43 100 80 3
## 44 135 110 2
## 45 270 200 6
## 46 145 100 4
## 47 150 120 3
## 48 115 80 3
## 49 150 90 3
## 50 245 240 2
## 51 270 220 4
## 52 200 150 4
## 53 180 170 3
## 54 150 90 4
## 55 120 110 3
## 56 180 140 4
## 57 215 160 4
## 58 145 100 4
## 59 190 140 3
## 60 145 100 3
## 61 200 180 2
## 62 170 150 3
## 63 230 160 6
## 64 175 180 3
## 65 170 180 2
## 66 205 160 4
## 67 250 230 3
## 68 145 110 3
## 69 185 160 2
## 70 155 90 5
## 71 225 150 6
## 72 135 120 2
## 73 275 230 3
## 74 250 230 2
## 75 235 170 5
## 76 225 160 6
## 77 175 170 3
## 78 205 160 3
## 79 275 230 4
## 80 215 170 4
## 81 270 200 6
## 82 160 160 3
## 83 240 220 2
## 84 155 120 3
## 85 220 150 5
## 86 195 180 3
## 87 155 80 6
## 88 215 170 4
## 89 285 210 6
## 90 280 240 3
## 91 155 120 4
## 92 165 180 2
## 93 295 210 5
## 94 225 150 5
## 95 285 240 3
## 96 195 150 3
## 97 180 170 3
## 98 230 150 5
## 99 130 80 3
## 100 215 180 3MEMBANGKITKAN 100 DATA JUMLAH KAMAR MANDI
kamar_mandi <- numeric(length(luas_bangunan))
for (i in 1:length(luas_bangunan)) {
if (luas_tanah[i] < 200) {
kamar_mandi[i] <- kamar_tidur[i] - 1
} else {
kamar_mandi[i] <- kamar_tidur[i] + 1
}
}
data_frame <- data.frame(luas_tanah, luas_bangunan, kamar_tidur, kamar_mandi)
print(data_frame)## luas_tanah luas_bangunan kamar_tidur kamar_mandi
## 1 220 160 4 5
## 2 165 160 3 2
## 3 200 150 4 5
## 4 290 220 5 6
## 5 195 170 3 2
## 6 280 200 6 7
## 7 285 220 6 7
## 8 220 180 3 4
## 9 180 160 2 1
## 10 130 110 2 1
## 11 285 200 5 6
## 12 160 160 3 2
## 13 110 70 3 2
## 14 290 210 5 6
## 15 245 220 3 4
## 16 130 80 3 2
## 17 210 180 3 4
## 18 290 210 5 6
## 19 215 140 5 6
## 20 180 150 2 1
## 21 230 160 6 7
## 22 165 180 2 1
## 23 160 180 2 1
## 24 145 80 6 5
## 25 175 180 2 1
## 26 295 230 5 6
## 27 130 120 3 2
## 28 120 80 3 2
## 29 130 100 2 1
## 30 240 240 2 3
## 31 225 140 5 6
## 32 280 210 6 7
## 33 235 170 6 7
## 34 245 220 3 4
## 35 205 140 6 7
## 36 230 150 5 6
## 37 265 210 4 5
## 38 255 240 2 3
## 39 295 220 5 6
## 40 190 170 3 2
## 41 160 140 3 2
## 42 180 140 3 2
## 43 100 80 3 2
## 44 135 110 2 1
## 45 270 200 6 7
## 46 145 100 4 3
## 47 150 120 3 2
## 48 115 80 3 2
## 49 150 90 3 2
## 50 245 240 2 3
## 51 270 220 4 5
## 52 200 150 4 5
## 53 180 170 3 2
## 54 150 90 4 3
## 55 120 110 3 2
## 56 180 140 4 3
## 57 215 160 4 5
## 58 145 100 4 3
## 59 190 140 3 2
## 60 145 100 3 2
## 61 200 180 2 3
## 62 170 150 3 2
## 63 230 160 6 7
## 64 175 180 3 2
## 65 170 180 2 1
## 66 205 160 4 5
## 67 250 230 3 4
## 68 145 110 3 2
## 69 185 160 2 1
## 70 155 90 5 4
## 71 225 150 6 7
## 72 135 120 2 1
## 73 275 230 3 4
## 74 250 230 2 3
## 75 235 170 5 6
## 76 225 160 6 7
## 77 175 170 3 2
## 78 205 160 3 4
## 79 275 230 4 5
## 80 215 170 4 5
## 81 270 200 6 7
## 82 160 160 3 2
## 83 240 220 2 3
## 84 155 120 3 2
## 85 220 150 5 6
## 86 195 180 3 2
## 87 155 80 6 5
## 88 215 170 4 5
## 89 285 210 6 7
## 90 280 240 3 4
## 91 155 120 4 3
## 92 165 180 2 1
## 93 295 210 5 6
## 94 225 150 5 6
## 95 285 240 3 4
## 96 195 150 3 2
## 97 180 170 3 2
## 98 230 150 5 6
## 99 130 80 3 2
## 100 215 180 3 4MEMBANGKITKAN 100 DATA JUMLAH GARASI
garasi <- numeric(length(luas_bangunan))
for (i in 1:length(luas_bangunan)) {
if (kamar_tidur[i] < 3 && luas_bangunan[i] < 150) {
garasi[i] <- sample(0:1, 1)
} else if (luas_tanah[i] < 200) {
garasi[i] <- sample(0:2, 1)
} else if (luas_tanah[i] >= 200 && luas_tanah[i] < 250) {
garasi[i] <- sample(1:3, 1)
} else if (luas_tanah[i] >= 250 && luas_tanah[i] <= 300) {
garasi[i] <- sample(2:3, 1)
} else {
garasi[i] <- sample(3:4, 1)
}
}
data_frame <- data.frame(luas_tanah, luas_bangunan, kamar_tidur, kamar_mandi, garasi)
print(data_frame)## luas_tanah luas_bangunan kamar_tidur kamar_mandi garasi
## 1 220 160 4 5 3
## 2 165 160 3 2 1
## 3 200 150 4 5 1
## 4 290 220 5 6 3
## 5 195 170 3 2 0
## 6 280 200 6 7 2
## 7 285 220 6 7 2
## 8 220 180 3 4 1
## 9 180 160 2 1 1
## 10 130 110 2 1 0
## 11 285 200 5 6 2
## 12 160 160 3 2 2
## 13 110 70 3 2 1
## 14 290 210 5 6 3
## 15 245 220 3 4 1
## 16 130 80 3 2 0
## 17 210 180 3 4 1
## 18 290 210 5 6 2
## 19 215 140 5 6 1
## 20 180 150 2 1 2
## 21 230 160 6 7 2
## 22 165 180 2 1 1
## 23 160 180 2 1 1
## 24 145 80 6 5 2
## 25 175 180 2 1 0
## 26 295 230 5 6 3
## 27 130 120 3 2 1
## 28 120 80 3 2 0
## 29 130 100 2 1 1
## 30 240 240 2 3 1
## 31 225 140 5 6 1
## 32 280 210 6 7 3
## 33 235 170 6 7 3
## 34 245 220 3 4 1
## 35 205 140 6 7 3
## 36 230 150 5 6 1
## 37 265 210 4 5 3
## 38 255 240 2 3 2
## 39 295 220 5 6 3
## 40 190 170 3 2 1
## 41 160 140 3 2 1
## 42 180 140 3 2 1
## 43 100 80 3 2 2
## 44 135 110 2 1 0
## 45 270 200 6 7 2
## 46 145 100 4 3 0
## 47 150 120 3 2 0
## 48 115 80 3 2 2
## 49 150 90 3 2 0
## 50 245 240 2 3 2
## 51 270 220 4 5 2
## 52 200 150 4 5 2
## 53 180 170 3 2 1
## 54 150 90 4 3 0
## 55 120 110 3 2 0
## 56 180 140 4 3 0
## 57 215 160 4 5 1
## 58 145 100 4 3 2
## 59 190 140 3 2 0
## 60 145 100 3 2 0
## 61 200 180 2 3 1
## 62 170 150 3 2 1
## 63 230 160 6 7 2
## 64 175 180 3 2 2
## 65 170 180 2 1 1
## 66 205 160 4 5 3
## 67 250 230 3 4 2
## 68 145 110 3 2 0
## 69 185 160 2 1 0
## 70 155 90 5 4 0
## 71 225 150 6 7 1
## 72 135 120 2 1 1
## 73 275 230 3 4 2
## 74 250 230 2 3 2
## 75 235 170 5 6 1
## 76 225 160 6 7 3
## 77 175 170 3 2 2
## 78 205 160 3 4 2
## 79 275 230 4 5 2
## 80 215 170 4 5 1
## 81 270 200 6 7 2
## 82 160 160 3 2 1
## 83 240 220 2 3 1
## 84 155 120 3 2 1
## 85 220 150 5 6 1
## 86 195 180 3 2 0
## 87 155 80 6 5 2
## 88 215 170 4 5 3
## 89 285 210 6 7 3
## 90 280 240 3 4 3
## 91 155 120 4 3 0
## 92 165 180 2 1 2
## 93 295 210 5 6 3
## 94 225 150 5 6 1
## 95 285 240 3 4 2
## 96 195 150 3 2 1
## 97 180 170 3 2 0
## 98 230 150 5 6 2
## 99 130 80 3 2 1
## 100 215 180 3 4 2MEMBANGKITKAN 100 DATA TAHUN PEMBUATAN
tahun_pembuatan <- numeric(length(luas_bangunan))
for (i in 1:length(luas_bangunan)) {
if (luas_tanah[i] < 200) {
tahun_pembuatan[i] <- sample(2000:2010, 1)
} else if (luas_tanah[i] >= 200 && luas_tanah[i] < 250) {
tahun_pembuatan[i] <- sample(1990:2000, 1)
} else if (luas_tanah[i] >= 250 && luas_tanah[i] <= 300) {
tahun_pembuatan[i] <- sample(1980:1990, 1)
} else {
tahun_pembuatan[i] <- sample(1970:1980, 1)
}
}
data_frame <- data.frame(luas_tanah, luas_bangunan, kamar_tidur, kamar_mandi, garasi, tahun_pembuatan)
print(data_frame)## luas_tanah luas_bangunan kamar_tidur kamar_mandi garasi tahun_pembuatan
## 1 220 160 4 5 3 1995
## 2 165 160 3 2 1 2002
## 3 200 150 4 5 1 1993
## 4 290 220 5 6 3 1990
## 5 195 170 3 2 0 2010
## 6 280 200 6 7 2 1982
## 7 285 220 6 7 2 1986
## 8 220 180 3 4 1 1992
## 9 180 160 2 1 1 2001
## 10 130 110 2 1 0 2006
## 11 285 200 5 6 2 1982
## 12 160 160 3 2 2 2008
## 13 110 70 3 2 1 2006
## 14 290 210 5 6 3 1988
## 15 245 220 3 4 1 1993
## 16 130 80 3 2 0 2001
## 17 210 180 3 4 1 1995
## 18 290 210 5 6 2 1989
## 19 215 140 5 6 1 1998
## 20 180 150 2 1 2 2010
## 21 230 160 6 7 2 1996
## 22 165 180 2 1 1 2004
## 23 160 180 2 1 1 2010
## 24 145 80 6 5 2 2000
## 25 175 180 2 1 0 2002
## 26 295 230 5 6 3 1981
## 27 130 120 3 2 1 2004
## 28 120 80 3 2 0 2000
## 29 130 100 2 1 1 2002
## 30 240 240 2 3 1 1998
## 31 225 140 5 6 1 1991
## 32 280 210 6 7 3 1985
## 33 235 170 6 7 3 1992
## 34 245 220 3 4 1 1992
## 35 205 140 6 7 3 1998
## 36 230 150 5 6 1 1991
## 37 265 210 4 5 3 1980
## 38 255 240 2 3 2 1985
## 39 295 220 5 6 3 1989
## 40 190 170 3 2 1 2007
## 41 160 140 3 2 1 2009
## 42 180 140 3 2 1 2009
## 43 100 80 3 2 2 2003
## 44 135 110 2 1 0 2005
## 45 270 200 6 7 2 1983
## 46 145 100 4 3 0 2003
## 47 150 120 3 2 0 2008
## 48 115 80 3 2 2 2007
## 49 150 90 3 2 0 2006
## 50 245 240 2 3 2 1999
## 51 270 220 4 5 2 1980
## 52 200 150 4 5 2 1991
## 53 180 170 3 2 1 2007
## 54 150 90 4 3 0 2002
## 55 120 110 3 2 0 2009
## 56 180 140 4 3 0 2006
## 57 215 160 4 5 1 2000
## 58 145 100 4 3 2 2000
## 59 190 140 3 2 0 2001
## 60 145 100 3 2 0 2002
## 61 200 180 2 3 1 1992
## 62 170 150 3 2 1 2005
## 63 230 160 6 7 2 1999
## 64 175 180 3 2 2 2004
## 65 170 180 2 1 1 2003
## 66 205 160 4 5 3 1991
## 67 250 230 3 4 2 1980
## 68 145 110 3 2 0 2000
## 69 185 160 2 1 0 2004
## 70 155 90 5 4 0 2001
## 71 225 150 6 7 1 1991
## 72 135 120 2 1 1 2002
## 73 275 230 3 4 2 1984
## 74 250 230 2 3 2 1985
## 75 235 170 5 6 1 1999
## 76 225 160 6 7 3 1992
## 77 175 170 3 2 2 2010
## 78 205 160 3 4 2 1992
## 79 275 230 4 5 2 1980
## 80 215 170 4 5 1 1997
## 81 270 200 6 7 2 1980
## 82 160 160 3 2 1 2010
## 83 240 220 2 3 1 1993
## 84 155 120 3 2 1 2007
## 85 220 150 5 6 1 1999
## 86 195 180 3 2 0 2009
## 87 155 80 6 5 2 2007
## 88 215 170 4 5 3 1996
## 89 285 210 6 7 3 1981
## 90 280 240 3 4 3 1980
## 91 155 120 4 3 0 2003
## 92 165 180 2 1 2 2010
## 93 295 210 5 6 3 1988
## 94 225 150 5 6 1 1994
## 95 285 240 3 4 2 1990
## 96 195 150 3 2 1 2007
## 97 180 170 3 2 0 2001
## 98 230 150 5 6 2 1994
## 99 130 80 3 2 1 2001
## 100 215 180 3 4 2 1995MEMBANGKITKAN 100 DATA HARGA PENJUALAN
harga <- numeric(length(luas_bangunan))
for (i in 1:length(luas_bangunan)) {
if (luas_tanah[i] < 200) {
harga[i] <- sample(400:600, 1) * luas_bangunan[i] / 100
} else if (luas_tanah[i] >= 200 && luas_tanah[i] < 250) {
harga[i] <- sample(600:800, 1) * luas_bangunan[i] / 100
} else if (luas_tanah[i] >= 250 && luas_tanah[i] <= 300) {
harga[i] <- sample(800:1000, 1) * luas_bangunan[i] / 100
} else {
harga[i] <- sample(1000:1200, 1) * luas_bangunan[i] / 100
}
}
data_frame <- data.frame(luas_tanah, luas_bangunan, kamar_tidur, kamar_mandi, garasi, tahun_pembuatan, harga)
print(data_frame)## luas_tanah luas_bangunan kamar_tidur kamar_mandi garasi tahun_pembuatan
## 1 220 160 4 5 3 1995
## 2 165 160 3 2 1 2002
## 3 200 150 4 5 1 1993
## 4 290 220 5 6 3 1990
## 5 195 170 3 2 0 2010
## 6 280 200 6 7 2 1982
## 7 285 220 6 7 2 1986
## 8 220 180 3 4 1 1992
## 9 180 160 2 1 1 2001
## 10 130 110 2 1 0 2006
## 11 285 200 5 6 2 1982
## 12 160 160 3 2 2 2008
## 13 110 70 3 2 1 2006
## 14 290 210 5 6 3 1988
## 15 245 220 3 4 1 1993
## 16 130 80 3 2 0 2001
## 17 210 180 3 4 1 1995
## 18 290 210 5 6 2 1989
## 19 215 140 5 6 1 1998
## 20 180 150 2 1 2 2010
## 21 230 160 6 7 2 1996
## 22 165 180 2 1 1 2004
## 23 160 180 2 1 1 2010
## 24 145 80 6 5 2 2000
## 25 175 180 2 1 0 2002
## 26 295 230 5 6 3 1981
## 27 130 120 3 2 1 2004
## 28 120 80 3 2 0 2000
## 29 130 100 2 1 1 2002
## 30 240 240 2 3 1 1998
## 31 225 140 5 6 1 1991
## 32 280 210 6 7 3 1985
## 33 235 170 6 7 3 1992
## 34 245 220 3 4 1 1992
## 35 205 140 6 7 3 1998
## 36 230 150 5 6 1 1991
## 37 265 210 4 5 3 1980
## 38 255 240 2 3 2 1985
## 39 295 220 5 6 3 1989
## 40 190 170 3 2 1 2007
## 41 160 140 3 2 1 2009
## 42 180 140 3 2 1 2009
## 43 100 80 3 2 2 2003
## 44 135 110 2 1 0 2005
## 45 270 200 6 7 2 1983
## 46 145 100 4 3 0 2003
## 47 150 120 3 2 0 2008
## 48 115 80 3 2 2 2007
## 49 150 90 3 2 0 2006
## 50 245 240 2 3 2 1999
## 51 270 220 4 5 2 1980
## 52 200 150 4 5 2 1991
## 53 180 170 3 2 1 2007
## 54 150 90 4 3 0 2002
## 55 120 110 3 2 0 2009
## 56 180 140 4 3 0 2006
## 57 215 160 4 5 1 2000
## 58 145 100 4 3 2 2000
## 59 190 140 3 2 0 2001
## 60 145 100 3 2 0 2002
## 61 200 180 2 3 1 1992
## 62 170 150 3 2 1 2005
## 63 230 160 6 7 2 1999
## 64 175 180 3 2 2 2004
## 65 170 180 2 1 1 2003
## 66 205 160 4 5 3 1991
## 67 250 230 3 4 2 1980
## 68 145 110 3 2 0 2000
## 69 185 160 2 1 0 2004
## 70 155 90 5 4 0 2001
## 71 225 150 6 7 1 1991
## 72 135 120 2 1 1 2002
## 73 275 230 3 4 2 1984
## 74 250 230 2 3 2 1985
## 75 235 170 5 6 1 1999
## 76 225 160 6 7 3 1992
## 77 175 170 3 2 2 2010
## 78 205 160 3 4 2 1992
## 79 275 230 4 5 2 1980
## 80 215 170 4 5 1 1997
## 81 270 200 6 7 2 1980
## 82 160 160 3 2 1 2010
## 83 240 220 2 3 1 1993
## 84 155 120 3 2 1 2007
## 85 220 150 5 6 1 1999
## 86 195 180 3 2 0 2009
## 87 155 80 6 5 2 2007
## 88 215 170 4 5 3 1996
## 89 285 210 6 7 3 1981
## 90 280 240 3 4 3 1980
## 91 155 120 4 3 0 2003
## 92 165 180 2 1 2 2010
## 93 295 210 5 6 3 1988
## 94 225 150 5 6 1 1994
## 95 285 240 3 4 2 1990
## 96 195 150 3 2 1 2007
## 97 180 170 3 2 0 2001
## 98 230 150 5 6 2 1994
## 99 130 80 3 2 1 2001
## 100 215 180 3 4 2 1995
## harga
## 1 1076.8
## 2 680.0
## 3 1008.0
## 4 1782.0
## 5 880.6
## 6 1610.0
## 7 2162.6
## 8 1251.0
## 9 886.4
## 10 569.8
## 11 1990.0
## 12 779.2
## 13 388.5
## 14 1818.6
## 15 1559.8
## 16 453.6
## 17 1319.4
## 18 1753.5
## 19 915.6
## 20 783.0
## 21 1150.4
## 22 887.4
## 23 804.6
## 24 327.2
## 25 993.6
## 26 2219.5
## 27 598.8
## 28 403.2
## 29 424.0
## 30 1754.4
## 31 1090.6
## 32 1724.1
## 33 1217.2
## 34 1370.6
## 35 1072.4
## 36 969.0
## 37 2072.7
## 38 2376.0
## 39 1839.2
## 40 974.1
## 41 634.2
## 42 624.4
## 43 434.4
## 44 459.8
## 45 1998.0
## 46 558.0
## 47 625.2
## 48 348.8
## 49 451.8
## 50 1552.8
## 51 2171.4
## 52 1183.5
## 53 911.2
## 54 484.2
## 55 486.2
## 56 719.6
## 57 1211.2
## 58 588.0
## 59 635.6
## 60 588.0
## 61 1369.8
## 62 684.0
## 63 1160.0
## 64 786.6
## 65 869.4
## 66 1059.2
## 67 2237.9
## 68 524.7
## 69 750.4
## 70 490.5
## 71 1093.5
## 72 622.8
## 73 2297.7
## 74 2010.2
## 75 1054.0
## 76 1254.4
## 77 1016.6
## 78 1097.6
## 79 2003.3
## 80 1118.6
## 81 1928.0
## 82 768.0
## 83 1438.8
## 84 639.6
## 85 1150.5
## 86 729.0
## 87 421.6
## 88 1207.0
## 89 2005.5
## 90 1994.4
## 91 537.6
## 92 869.4
## 93 2083.2
## 94 1194.0
## 95 2030.4
## 96 820.5
## 97 899.3
## 98 1183.5
## 99 408.8
## 100 1422.0MEMBUAT PLOT REGRESI UNTUK MASING MASING VARIABEL
model_regresi <- glm(harga ~ luas_tanah + luas_bangunan + kamar_tidur + kamar_mandi + garasi + tahun_pembuatan, data = data_frame)
summary(model_regresi)##
## Call:
## glm(formula = harga ~ luas_tanah + luas_bangunan + kamar_tidur +
## kamar_mandi + garasi + tahun_pembuatan, data = data_frame)
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 48869.708 6072.971 8.047 2.70e-12 ***
## luas_tanah 3.266 1.181 2.765 0.00686 **
## luas_bangunan 4.616 1.006 4.587 1.40e-05 ***
## kamar_tidur -8.576 34.454 -0.249 0.80398
## kamar_mandi -21.162 28.669 -0.738 0.46228
## garasi 38.840 18.767 2.070 0.04126 *
## tahun_pembuatan -24.587 3.018 -8.148 1.66e-12 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 17752.92)
##
## Null deviance: 31598438 on 99 degrees of freedom
## Residual deviance: 1651021 on 93 degrees of freedom
## AIC: 1271
##
## Number of Fisher Scoring iterations: 2data_new <- data.frame(luas_tanah = seq(min(data_frame$luas_tanah), max(data_frame$luas_tanah), length.out = 100),
luas_bangunan = seq(min(data_frame$luas_bangunan), max(data_frame$luas_bangunan), length.out = 100),
kamar_tidur = rep(mean(data_frame$kamar_tidur), 100),
kamar_mandi = rep(mean(data_frame$kamar_mandi), 100),
garasi = rep(mean(data_frame$garasi), 100),
tahun_pembuatan = rep(mean(data_frame$tahun_pembuatan), 100))
prediksi_harga <- predict(model_regresi, newdata = data_new, type = "response")
plot(data_new$luas_tanah, prediksi_harga, type = "l", col = "blue", lwd = 2,
xlab = "Luas Tanah", ylab = "Harga (juta Rupiah)", main = "Regresi Linear Sederhana")
lines(data_frame$luas_tanah, data_frame$harga, col = "red", lwd = 2)
legend("topright", legend = c("Prediksi Harga", "Data Asli"), col = c("blue", "red"), lty = 1, lwd = 2)
plot(data_new$luas_bangunan, prediksi_harga, type = "l", col = "blue", lwd = 2,
xlab = "Luas Bangunan", ylab = "Harga (juta Rupiah)", main = "Regresi Linear Sederhana")
lines(data_frame$luas_bangunan, data_frame$harga, col = "red", lwd = 2)
legend("topright", legend = c("Prediksi Harga", "Data Asli"), col = c("blue", "red"), lty = 1, lwd = 2)
plot(data_new$kamar_tidur, prediksi_harga, type = "l", col = "blue", lwd = 2,
xlab = "Jumlah Kamar Tidur", ylab = "Harga (juta Rupiah)", main = "Regresi Linear Sederhana")
lines(data_frame$kamar_tidur, data_frame$harga, col = "red", lwd = 2)
legend("topright", legend = c("Prediksi Harga", "Data Asli"), col = c("blue", "red"), lty = 1, lwd = 2)
plot(data_new$kamar_mandi, prediksi_harga, type = "l", col = "blue", lwd = 2,
xlab = "Jumlah Kamar Mandi", ylab = "Harga (juta Rupiah)", main = "Regresi Linear Sederhana")
lines(data_frame$kamar_mandi, data_frame$harga, col = "red", lwd = 2)
legend("topright", legend = c("Prediksi Harga", "Data Asli"), col = c("blue", "red"), lty = 1, lwd = 2)
plot(data_new$garasi, prediksi_harga, type = "l", col = "blue", lwd = 2,
xlab = "Jumlah Garasi", ylab = "Harga (juta Rupiah)", main = "Regresi Linear Sederhana")
lines(data_frame$garasi, data_frame$harga, col = "red", lwd = 2)
legend("topright", legend = c("Prediksi Harga", "Data Asli"), col = c("blue", "red"), lty = 1, lwd = 2)
plot(data_new$tahun_pembuatan, prediksi_harga, type = "l", col = "blue", lwd = 2,
xlab = "Tahun Pembuatan", ylab = "Harga (juta Rupiah)", main = "Regresi Linear Sederhana")
lines(data_frame$tahun_pembuatan, data_frame$harga, col = "red", lwd = 2)
legend("topright", legend = c("Prediksi Harga", "Data Asli"), col = c("blue", "red"), lty = 1, lwd = 2)
#### variabel luas tanah
Jika nilai variabel luas tanah naik, maka harga rumah diperkirakan juga akan naik. Hal ini dapat diinterpretasikan dari koefisien regresi yang menyatakan hubungan positif antara luas tanah dengan harga rumah.
Dengan kata lain, setiap peningkatan satu unit luas tanah akan menyebabkan kenaikan harga rumah sebesar nilai koefisien yang terdapat dalam model regresi.
Oleh karena itu, rumah dengan luas tanah yang lebih besar cenderung memiliki harga yang lebih tinggi, dengan asumsi variabel lainnya tetap.
variabel luas bangunan
Jika nilai variabel luas bangunan naik, maka harga rumah diperkirakan juga akan naik. Hal ini dapat diinterpretasikan dari koefisien regresi yang menyatakan hubungan positif antara luas bangunan dengan harga rumah.
Dengan kata lain, setiap peningkatan satu unit luas bangunan akan menyebabkan kenaikan harga rumah sebesar nilai koefisien yang terdapat dalam model regresi.
Oleh karena itu, rumah dengan luas bangunan yang lebih besar cenderung memiliki harga yang lebih tinggi, dengan asumsi variabel lainnya tetap.
variabel jumlah kamar
Jika nilai variabel kamar tidur naik, maka harga rumah diperkirakan juga akan naik. Ini disimpulkan dari koefisien regresi yang menunjukkan hubungan positif antara jumlah kamar tidur dengan harga rumah.
Dengan kata lain, setiap peningkatan satu unit dalam jumlah kamar tidur akan mengakibatkan peningkatan harga rumah sebesar nilai koefisien yang terdapat dalam model regresi.
Oleh karena itu, rumah dengan jumlah kamar tidur yang lebih banyak cenderung memiliki harga yang lebih tinggi, dengan asumsi variabel lainnya tetap.
variabel jumlah kamar mandi
Jika nilai variabel kamar mandi naik, maka harga rumah diperkirakan juga akan naik. Ini dapat ditarik dari koefisien regresi yang menunjukkan hubungan positif antara jumlah kamar mandi dengan harga rumah.
Dengan kata lain, setiap peningkatan satu unit dalam jumlah kamar mandi akan menyebabkan kenaikan harga rumah sebesar nilai koefisien yang terdapat dalam model regresi.
Oleh karena itu, rumah dengan jumlah kamar mandi yang lebih banyak cenderung memiliki harga yang lebih tinggi, dengan asumsi variabel lainnya tetap.
variabel jumlah garasi
Jika nilai variabel garasi naik, maka harga rumah diperkirakan juga akan naik. Hal ini dapat ditarik dari koefisien regresi yang menunjukkan hubungan positif antara jumlah garasi dengan harga rumah.
Dengan kata lain, setiap peningkatan satu unit dalam jumlah garasi akan mengakibatkan kenaikan harga rumah sebesar nilai koefisien yang terdapat dalam model regresi.
Oleh karena itu, rumah dengan jumlah garasi yang lebih banyak cenderung memiliki harga yang lebih tinggi, dengan asumsi variabel lainnya tetap.
variabel tahun pembuatan
Jika nilai variabel tahun pembuatan naik, maka harga rumah diperkirakan juga akan naik.
Ini dapat disimpulkan dari koefisien regresi yang menunjukkan hubungan positif antara tahun pembuatan rumah dengan harga rumah.
Dengan kata lain, setiap peningkatan satu unit dalam tahun pembuatan rumah akan menyebabkan kenaikan harga rumah sebesar nilai koefisien yang terdapat dalam model regresi. Oleh karena itu, rumah yang lebih baru cenderung memiliki harga yang lebih tinggi, dengan asumsi variabel lainnya tetap.