1. Mendefenisikan Permasalahan

Suatu hari, Xander ingin memprediksi harga dari suatu rumah dengan beberapa fasilitas yang memumpuni seperti:

ID - ID
Date - Tanggal
Price - Harga
Bedrooms - Jumalh Kamar Tidur
Bathrooms - Jumlah Kamar Mandi
Sqft Living - Luas Bangunan (in foot)
Sqft Lot - Luas Tanah (in foot)
Floors - Jumlah Lantai
Waterfront - Bersebelahan dengan Air seperti danau.
View - Gazing/ Pemandangan
Condition - KondisiRumah
Grade - Grade Bangunan
Sqft Above - Luas Bangunan Di Atas Tanah
Sqft Basement - Luas Basement
Year Built - Tahun Dibangun
Year Renovated - Tahun Direnovasi terakhir
Zipcode - Kode Pos
Latitude - Lintang
Longitude - Bujur
Sqft Living15 - Luas Ruang Hunian pada 2015 (dalam kaki persegi)
Sqft Lot15 - Luas Lahan pada 2015 (dalam kaki persegi).

Maka dari itu, Xander akan mengerjakan perhitungannya dibantu oleh aplikasi R Studio, dengan nama house house_house.csv. Yuk lihat perhitungannya!

2. house_data Preparation

library(tidyverse)  # library utk manipulasi dan visualisasi house
library(readr)      # library utk membaca house CSV

# membaca house
house <- read_csv("house_data.csv")

# melihat 6 baris pertama
head(house)

## # A tibble: 6 × 21
##           id date                  price bedrooms bathrooms sqft_living sqft_lot
##        <dbl> <dttm>                <dbl>    <dbl>     <dbl>       <dbl>    <dbl>
## 1 7129300520 2014-10-13 00:00:00  221900        3      1           1180     5650
## 2 6414100192 2014-12-09 00:00:00  538000        3      2.25        2570     7242
## 3 5631500400 2015-02-25 00:00:00  180000        2      1            770    10000
## 4 2487200875 2014-12-09 00:00:00  604000        4      3           1960     5000
## 5 1954400510 2015-02-18 00:00:00  510000        3      2           1680     8080
## 6 7237550310 2014-05-12 00:00:00 1225000        4      4.5         5420   101930
## # ℹ 14 more variables: floors <dbl>, waterfront <dbl>, view <dbl>,
## #   condition <dbl>, grade <dbl>, sqft_above <dbl>, sqft_basement <dbl>,
## #   yr_built <dbl>, yr_renovated <dbl>, zipcode <dbl>, lat <dbl>, long <dbl>,
## #   sqft_living15 <dbl>, sqft_lot15 <dbl>

3. Exploratory Data Analysis (EDA)

# Statistik ringkasan
summary(house)

##        id                 date                            price        
##  Min.   :1.000e+06   Min.   :2014-05-02 00:00:00.00   Min.   :  75000  
##  1st Qu.:2.123e+09   1st Qu.:2014-07-22 00:00:00.00   1st Qu.: 321950  
##  Median :3.905e+09   Median :2014-10-16 00:00:00.00   Median : 450000  
##  Mean   :4.580e+09   Mean   :2014-10-29 04:38:01.96   Mean   : 540088  
##  3rd Qu.:7.309e+09   3rd Qu.:2015-02-17 00:00:00.00   3rd Qu.: 645000  
##  Max.   :9.900e+09   Max.   :2015-05-27 00:00:00.00   Max.   :7700000  
##     bedrooms        bathrooms      sqft_living       sqft_lot      
##  Min.   : 0.000   Min.   :0.000   Min.   :  290   Min.   :    520  
##  1st Qu.: 3.000   1st Qu.:1.750   1st Qu.: 1427   1st Qu.:   5040  
##  Median : 3.000   Median :2.250   Median : 1910   Median :   7618  
##  Mean   : 3.371   Mean   :2.115   Mean   : 2080   Mean   :  15107  
##  3rd Qu.: 4.000   3rd Qu.:2.500   3rd Qu.: 2550   3rd Qu.:  10688  
##  Max.   :33.000   Max.   :8.000   Max.   :13540   Max.   :1651359  
##      floors        waterfront            view          condition    
##  Min.   :1.000   Min.   :0.000000   Min.   :0.0000   Min.   :1.000  
##  1st Qu.:1.000   1st Qu.:0.000000   1st Qu.:0.0000   1st Qu.:3.000  
##  Median :1.500   Median :0.000000   Median :0.0000   Median :3.000  
##  Mean   :1.494   Mean   :0.007542   Mean   :0.2343   Mean   :3.409  
##  3rd Qu.:2.000   3rd Qu.:0.000000   3rd Qu.:0.0000   3rd Qu.:4.000  
##  Max.   :3.500   Max.   :1.000000   Max.   :4.0000   Max.   :5.000  
##      grade          sqft_above   sqft_basement       yr_built   
##  Min.   : 1.000   Min.   : 290   Min.   :   0.0   Min.   :1900  
##  1st Qu.: 7.000   1st Qu.:1190   1st Qu.:   0.0   1st Qu.:1951  
##  Median : 7.000   Median :1560   Median :   0.0   Median :1975  
##  Mean   : 7.657   Mean   :1788   Mean   : 291.5   Mean   :1971  
##  3rd Qu.: 8.000   3rd Qu.:2210   3rd Qu.: 560.0   3rd Qu.:1997  
##  Max.   :13.000   Max.   :9410   Max.   :4820.0   Max.   :2015  
##   yr_renovated       zipcode           lat             long       
##  Min.   :   0.0   Min.   :98001   Min.   :47.16   Min.   :-122.5  
##  1st Qu.:   0.0   1st Qu.:98033   1st Qu.:47.47   1st Qu.:-122.3  
##  Median :   0.0   Median :98065   Median :47.57   Median :-122.2  
##  Mean   :  84.4   Mean   :98078   Mean   :47.56   Mean   :-122.2  
##  3rd Qu.:   0.0   3rd Qu.:98118   3rd Qu.:47.68   3rd Qu.:-122.1  
##  Max.   :2015.0   Max.   :98199   Max.   :47.78   Max.   :-121.3  
##  sqft_living15    sqft_lot15    
##  Min.   : 399   Min.   :   651  
##  1st Qu.:1490   1st Qu.:  5100  
##  Median :1840   Median :  7620  
##  Mean   :1987   Mean   : 12768  
##  3rd Qu.:2360   3rd Qu.: 10083  
##  Max.   :6210   Max.   :871200

# Distribusi Histogram
house %>%
  keep(is.numeric) %>%
  gather(key = "variables", value = "values") %>%
  ggplot(aes(x = values)) +
  geom_histogram(bins = 30, fill = "blue", color = "black") +
  facet_wrap(~variables, scales = "free_x")

# Megecek NA
colSums(is.na(house))

##            id          date         price      bedrooms     bathrooms 
##             0             0             0             0             0 
##   sqft_living      sqft_lot        floors    waterfront          view 
##             0             0             0             0             0 
##     condition         grade    sqft_above sqft_basement      yr_built 
##             0             0             0             0             0 
##  yr_renovated       zipcode           lat          long sqft_living15 
##             0             0             0             0             0 
##    sqft_lot15 
##             0

Catatan:

Berikut adalah penjelasan singkat untuk setiap variabel penting , sebagai berikut:

. Harga (Price)

summary(house$price)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   75000  321950  450000  540088  645000 7700000

Harga mulai dari 75.000 USD Sampai 7.700.000 USD Dengan Mean senilai 540.088 USD

. Kamar Tidur (Bedrooms)

summary (house$bedrooms)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   3.000   3.000   3.371   4.000  33.000

Tersedia dari 0 sampai 33 Kamar dengan Mean sekitar 3-4 Kamar.

. Kamar Mandi (Bathrooms)

summary (house$bathrooms)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   1.750   2.250   2.115   2.500   8.000

Mulai dari 0-8 kamar Mandi dengan rata-rata memiliki 2-3 Kamar Mandi.

Luas Bangunan

summary (house$sqft_living)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     290    1427    1910    2080    2550   13540

Luas Bangunan dimuali dari 290 sqft sampai 13.540 sqft dengan Mean sebesar 2.080 SQFT.

Luas Tanah (Sqft Lot)

summary (house$sqft_lot)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     520    5040    7618   15107   10688 1651359

Luas Tanah Dimulai dari 520 SQFT sampai 1.651.359 SQFT (Yallah Luas Sekali) dengan Mean Luas Tanah 15.107 SQFT.

** Lantai (Floors)**

summary (house$floors)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   1.000   1.000   1.500   1.494   2.000   3.500

Rumah yang dijual memiliki 1 sampai 3,5 Lantai dengan Rata-rata kebanyakan memiliki 1-2 Lantai.

Waterfront

library(dplyr)
house %>% count(waterfront)

## # A tibble: 2 × 2
##   waterfront     n
##        <dbl> <int>
## 1          0 21450
## 2          1   163

Sebanyak 21430 Rumah tidak memiliki view Danau,hanya sekitar 163 yang memilikinya.

View

library(dplyr)
house %>% count(view)

## # A tibble: 5 × 2
##    view     n
##   <dbl> <int>
## 1     0 19489
## 2     1   332
## 3     2   963
## 4     3   510
## 5     4   319

Kebanyakan rumah memili view yang jelek (0) dibandingkan dengan Kategori 1-4.

Kondisi (Condition)

library(dplyr)
house %>% count(condition)

## # A tibble: 5 × 2
##   condition     n
##       <dbl> <int>
## 1         1    30
## 2         2   172
## 3         3 14031
## 4         4  5679
## 5         5  1701

Diketahui bahwa Rata-rata Bangunan kebanyakan berstatus Okay sampai Sangat Bagus jika mengacu bahwa Variabel Kondisi emnggunakan Skala Likert.

Kualitas Konstruksi (Grade)

library(dplyr)
house %>% count(grade)

## # A tibble: 12 × 2
##    grade     n
##    <dbl> <int>
##  1     1     1
##  2     3     3
##  3     4    29
##  4     5   242
##  5     6  2038
##  6     7  8981
##  7     8  6068
##  8     9  2615
##  9    10  1134
## 10    11   399
## 11    12    90
## 12    13    13

Diketahui bahwa Rata-rata Bangunan kebanyakan berstatus Okay sampai Sangat Bagus jika mengacu bahwa Variabel Kondisi emnggunakan Skala Likert.

Luas Bangunan Utama (Sqft Above)

summary(house$sqft_above)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     290    1190    1560    1788    2210    9410

Luas Bangunan dari 290-9410 SQFT Dengan Mean 1.788 SQFT.

Luas Basement (Sqft Basement)

summary(house$sqft_basement)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     0.0     0.0     0.0   291.5   560.0  4820.0

Keterangan: Luas basement dari 0 (Tidak ada) hingga 4.820 kaki persegi. Degan Mean 291.5 SQFT

Tahun Dibangun (Year Built)

library(dplyr)
house %>% count(yr_built)

## # A tibble: 116 × 2
##    yr_built     n
##       <dbl> <int>
##  1     1900    87
##  2     1901    29
##  3     1902    27
##  4     1903    46
##  5     1904    45
##  6     1905    74
##  7     1906    92
##  8     1907    65
##  9     1908    86
## 10     1909    94
## # ℹ 106 more rows

Keterangan: Tahun properti dibangun berkisar dari tahun 1900 hingga 2015.

Tahun Direnovasi (Year Renovated)

library(dplyr)
house %>% count(yr_renovated)

## # A tibble: 70 × 2
##    yr_renovated     n
##           <dbl> <int>
##  1            0 20699
##  2         1934     1
##  3         1940     2
##  4         1944     1
##  5         1945     3
##  6         1946     2
##  7         1948     1
##  8         1950     2
##  9         1951     1
## 10         1953     3
## # ℹ 60 more rows

Kebanyakan Rumah Tidak Pernah Di Renovasi.

Kode Pos (Zipcode)

library(dplyr)
house %>% count(zipcode)

## # A tibble: 70 × 2
##    zipcode     n
##      <dbl> <int>
##  1   98001   362
##  2   98002   199
##  3   98003   280
##  4   98004   317
##  5   98005   168
##  6   98006   498
##  7   98007   141
##  8   98008   283
##  9   98010   100
## 10   98011   195
## # ℹ 60 more rows

ZipCode menunjukkan Banyaknya Rumah DIjual di Daerah Kode Pos TErsedebut.

Luas Hunian di 2015 (Sqft Living15)

summary(house$sqft_living15)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     399    1490    1840    1987    2360    6210

Keterangan: Menunjukkan luas hunian seperti yang tercatat pada tahun 2015, dari 399 hingga 6210 kaki persegi. Dengan Mean 1987

Luas Tanah di 2015 (Sqft Lot15)

summary(house$sqft_lot15)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     651    5100    7620   12768   10083  871200

Keterangan: Menunjukkan luas tanah seperti yang tercatat pada tahun 2015, dari 651 hingga 871,200 kaki persegi. Dengan Mean 12.768

4. Data Preprocessing

# mengecek dan menangani nilai yang hilang - dan mengisi nilai yang hilang dengan median
house <- house %>% 
  mutate_if(is.numeric, ~ifelse(is.na(.), median(., na.rm = TRUE), .))

# Mengubah data house menjadi Distribusi Normal - Contoh menggunakan penskalaan min-max
house <- house %>%
  mutate_if(is.numeric, ~(. - min(.)) / (max(.) - min(.)))

5. Model Building (Perbandingan 5 model)

library(nnet)
library(rpart)
library(class)
library(stats)

# Menyiapkan house untuk model
house <- na.omit(house)  # menghilangkan baris yang NA

# Membagi house menjadi house latihan dan house uji
set.seed(123)
indices <- sample(1:nrow(house), size = 0.75 * nrow(house))
train_house <- house[indices, ]
test_house <- house[-indices, ]

# Model Linear Regresi (Linear Model)
linmod <- lm(price ~ .-id -zipcode ,  train_house)

# Decision Tree
model_tree <- rpart(price ~ .-id,  train_house)

# Neural Network (used in Non-Linear)
model_nnet <- nnet(price ~ .-id, train_house, size = 10, linout = TRUE, decay = 5e-4, maxit = 200)

## # weights:  211
## initial  value 50147.412481 
## iter  10 value 37.095647
## iter  20 value 37.094518
## final  value 37.094505 
## converged

Linear Model

summary(linmod)

## 
## Call:
## lm(formula = price ~ . - id - zipcode, data = train_house)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.15997 -0.01281 -0.00125  0.01003  0.57472 
## 
## Coefficients: (1 not defined because of singularities)
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   -3.645e-01  3.014e-02 -12.093  < 2e-16 ***
## date           1.980e-10  2.118e-11   9.350  < 2e-16 ***
## bedrooms      -1.384e-01  9.407e-03 -14.715  < 2e-16 ***
## bathrooms      4.809e-02  3.942e-03  12.200  < 2e-16 ***
## sqft_living    2.444e-01  8.818e-03  27.715  < 2e-16 ***
## sqft_lot       2.328e-02  1.235e-02   1.885   0.0595 .  
## floors         1.765e-04  1.358e-03   0.130   0.8966    
## waterfront     7.411e-02  2.570e-03  28.834  < 2e-16 ***
## view           2.446e-02  1.274e-03  19.192  < 2e-16 ***
## condition      1.832e-02  1.413e-03  12.970  < 2e-16 ***
## grade          1.577e-01  3.893e-03  40.510  < 2e-16 ***
## sqft_above     3.733e-02  6.014e-03   6.208 5.50e-10 ***
## sqft_basement         NA         NA      NA       NA    
## yr_built      -3.775e-02  1.245e-03 -30.326  < 2e-16 ***
## yr_renovated   5.374e-03  1.114e-03   4.825 1.41e-06 ***
## lat            4.537e-02  9.798e-04  46.307  < 2e-16 ***
## long          -1.815e-02  2.168e-03  -8.374  < 2e-16 ***
## sqft_living15  2.094e-02  3.011e-03   6.954 3.68e-12 ***
## sqft_lot15    -4.213e-02  9.780e-03  -4.307 1.66e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.02624 on 16191 degrees of freedom
## Multiple R-squared:  0.6994, Adjusted R-squared:  0.6991 
## F-statistic:  2216 on 17 and 16191 DF,  p-value: < 2.2e-16

Model Linear menggunakan Semua Variabel sebagai Prediktor menghasilkan Model Linear dengan nilai R-SQuared sebesar 69,91% dengan kebanyakan variabel memiliki hubungan yang signifikan dengan Harga.

Decision Tree

model_tree

## n= 16209 
## 
## node), split, n, deviance, yval
##       * denotes terminal node
## 
##  1) root 16209 37.0945000 0.06095083  
##    2) grade< 0.625 13033  8.6908710 0.04764066  
##      4) lat< 0.6087341 5479  1.3503030 0.03154457 *
##      5) lat>=0.6087341 7554  4.8914500 0.05931534  
##       10) sqft_living< 0.1271698 4847  1.6937420 0.05053339 *
##       11) sqft_living>=0.1271698 2707  2.1545680 0.07503978 *
##    3) grade>=0.625 3176 16.6197900 0.11557030  
##      6) sqft_living< 0.2939623 2739  6.0694770 0.10085710  
##       12) lat< 0.5932122 597  0.4461721 0.06380461 *
##       13) lat>=0.5932122 2142  4.5752560 0.11118410  
##         26) long>=0.2761628 1207  0.8365521 0.09567946 *
##         27) long< 0.2761628 935  3.0739860 0.13119910  
##           54) sqft_living< 0.2071698 549  0.9026689 0.10712130 *
##           55) sqft_living>=0.2071698 386  1.4003590 0.16544450 *
##      7) sqft_living>=0.2939623 437  6.2410500 0.20778850  
##       14) sqft_living< 0.5343396 423  3.8821340 0.19722510  
##         28) long>=0.2645349 246  0.9381754 0.15802350 *
##         29) long< 0.2645349 177  2.0404990 0.25170860  
##           58) lat< 0.5887888 19  0.1050947 0.11518760 *
##           59) lat>=0.5887888 158  1.5386980 0.26812570 *
##       15) sqft_living>=0.5343396 14  0.8855854 0.52695360 *

node, split, n, deviance, yval: Menunjukkan struktur pohon keputusan dengan split berdasarkan variabel, jumlah sampel pada node (16209), standard deviance (ukuran ketidakseragaman house di node), dan nilai prediksi (yval) untuk node tersebut. Misalnya, node yang membagi house berdasarkan grade < 0.609 memiliki 13905 sampel dengan deviasi 37,09 dan ketepatan prediksi 0.0609.

Neural Network

model_nnet

## a 19-10-1 network with 211 weights
## inputs: date bedrooms bathrooms sqft_living sqft_lot floors waterfront view condition grade sqft_above sqft_basement yr_built yr_renovated zipcode lat long sqft_living15 sqft_lot15 
## output(s): price 
## options were - linear output units  decay=5e-04

weights: Jumlah bobot/neuron pada model, yaitu 211. serta 19-10-1 network: Menunjukkan anatomi jaringan dengan 19 input variable, 10 neuron di hidden layer, dan 1 outputvariable.

6. Model Evaluation

actual <- test_house$price
predictions_lm <- predict(linmod, test_house)
predictions_tree <- predict(model_tree, test_house)
predictions_nnet <- predict(model_nnet, test_house, type = "raw")


calc_rmse <- function(predictions, actual) {
  sqrt(mean((predictions - actual)^2))
}

calc_r_squared <- function(predictions, actual) {
  1 - sum((predictions - actual)^2) / sum((actual - mean(actual))^2)
}

# Calculate RMSE
rmse_lm <- calc_rmse(predictions_lm, actual)
rmse_tree <- calc_rmse(predictions_tree, actual)
rmse_nnet <- calc_rmse(predictions_nnet, actual)

# Calculate R-squared
r_squared_lm <- calc_r_squared(predictions_lm, actual)
r_squared_tree <- calc_r_squared(predictions_tree, actual)
r_squared_nnet <- calc_r_squared(predictions_nnet, actual)

# Print results
cat("RMSE for Linear Model: ", rmse_lm, "\n")

## RMSE for Linear Model:  0.02739963

cat("RMSE for Tree Model: ", rmse_tree, "\n")

## RMSE for Tree Model:  0.02823536

cat("RMSE for Neural Network: ", rmse_nnet, "\n")

## RMSE for Neural Network:  0.04905994

cat("R-squared for Linear Model: ", r_squared_lm, "\n")

## R-squared for Linear Model:  0.6880816

cat("R-squared for Tree Model: ", r_squared_tree, "\n")

## R-squared for Tree Model:  0.6687635

cat("R-squared for Neural Network: ", r_squared_nnet, "\n")

## R-squared for Neural Network:  -1.307348e-05

R-Squared

Nilai R-Squared :

Linear Model = 68,8%. Mampu menjelaskan hampir cukup signifikan variasi dalam house. Ini menandakan bahwa model linear cukup efektif dalam memprediksi house price yang digunakan.
Decison Tree Model = 66.87%. Decision Tree Juga mampu menjelaskan dengan baik variabel Price dengan menggunakan prediktor lain (KEcuali ID) . Dibandingkan dengan model linear, model pohon keputusan menunjukkan efektivitas yang sama dalam menjelaskan house price yang ada.
Neural Network: -1.037e-05. Model ini performanya sangat buruk. Nilai Negatif menjelskan bahwa Neural Network sangat gagal dalam melakukan Preidction.

ANOVA

# Assuming 'house' is your house set and 'train_house' is prepared houseset for training
# Fit all models as linear models for compatibility with ANOVA
linmod <- lm(price ~ . - id,  train_house)
model_tree <- glm(price ~ . - id, train_house, family = gaussian(link = "identity"))
model_nnet <- glm(price ~ . - id,  train_house, family = gaussian())  # Using glm as an approximation

# Perform ANOVA
anova_results <- anova(linmod, model_tree, model_nnet)
print(anova_results)

## Analysis of Variance Table
## 
## Model 1: price ~ (id + date + bedrooms + bathrooms + sqft_living + sqft_lot + 
##     floors + waterfront + view + condition + grade + sqft_above + 
##     sqft_basement + yr_built + yr_renovated + zipcode + lat + 
##     long + sqft_living15 + sqft_lot15) - id
## Model 2: price ~ (id + date + bedrooms + bathrooms + sqft_living + sqft_lot + 
##     floors + waterfront + view + condition + grade + sqft_above + 
##     sqft_basement + yr_built + yr_renovated + zipcode + lat + 
##     long + sqft_living15 + sqft_lot15) - id
## Model 3: price ~ (id + date + bedrooms + bathrooms + sqft_living + sqft_lot + 
##     floors + waterfront + view + condition + grade + sqft_above + 
##     sqft_basement + yr_built + yr_renovated + zipcode + lat + 
##     long + sqft_living15 + sqft_lot15) - id
##   Res.Df    RSS Df   Sum of Sq F Pr(>F)
## 1  16190 10.998                        
## 2  16190 10.998  0 -6.7502e-14         
## 3  16190 10.998  0  0.0000e+00

Semua Model Disimpulkan memiliki Nilai Signifikansi yang sama, padahal seharusnya NEural Network tidak sepowerful itu dfalam data ini.

7. Conclusion

Berdasarkan R-squared beserta RMSE dari tiga model yang diuji,
* Linear Model = 68,8%. Mampu menjelaskan hampir cukup signifikan variasi dalam house. Ini menandakan bahwa model linear cukup efektif dalam memprediksi house price yang digunakan. dengan RMSE atau error paling rendsah. yaitu 2,7%

Decison Tree Model = 66.87%. Decision Tree Juga mampu menjelaskan dengan baik variabel Price dengan menggunakan prediktor lain (KEcuali ID) . Dibandingkan dengan model linear, model pohon keputusan menunjukkan efektivitas yang sama dalam menjelaskan house price yang ada. Dengan Error Rate 2,82%
Neural Network: -1.037e-05. Model ini performanya sangat buruk. Nilai Negatif menjelskan bahwa Neural Network sangat gagal dalam melakukan Preidction.

Tugas Ekonometrika Week 10

Ferdinand Nathaniel

2024-04-19