Eigen analysis and correlation matrix of Housing dataset
Ummul Khoirro’ Syari
2025-02-22
Prediksi Harga Rumah Menggunakan Model Regresi
Dataset yang digunakan dalam proyek ini berasal dari penelitian yang dilakukan oleh Harrison dan Rubinfeld tahun 1978. https://www.kaggle.com/datasets/yasserh/housing-prices-dataset.
Proyek ini bertujuan untuk memprediksi harga rumah berdasarkan beberapa faktor, seperti area, bedrooms, bathrooms, guestroom, parking, dll.
Proyek ini berfokus pada pemahaman data, pemrosesan data, serta penerapan model regresi untuk mendapatkan prediksi yang akurat.
# menampilkan struktur data
str(data)## 'data.frame': 545 obs. of 13 variables:
## $ price : int 13300000 12250000 12250000 12215000 11410000 10850000 10150000 10150000 9870000 9800000 ...
## $ area : int 7420 8960 9960 7500 7420 7500 8580 16200 8100 5750 ...
## $ bedrooms : int 4 4 3 4 4 3 4 5 4 3 ...
## $ bathrooms : int 2 4 2 2 1 3 3 3 1 2 ...
## $ stories : int 3 4 2 2 2 1 4 2 2 4 ...
## $ mainroad : chr "yes" "yes" "yes" "yes" ...
## $ guestroom : chr "no" "no" "no" "no" ...
## $ basement : chr "no" "no" "yes" "yes" ...
## $ hotwaterheating : chr "no" "no" "no" "no" ...
## $ airconditioning : chr "yes" "yes" "no" "yes" ...
## $ parking : int 2 3 2 3 2 2 2 0 2 1 ...
## $ prefarea : chr "yes" "no" "yes" "yes" ...
## $ furnishingstatus: chr "furnished" "furnished" "semi-furnished" "furnished" ...# menentukan kolom numerik
numerik_data <- data[sapply(data, is.numeric)]
(numerik_data)## price area bedrooms bathrooms stories parking
## 1 13300000 7420 4 2 3 2
## 2 12250000 8960 4 4 4 3
## 3 12250000 9960 3 2 2 2
## 4 12215000 7500 4 2 2 3
## 5 11410000 7420 4 1 2 2
## 6 10850000 7500 3 3 1 2
## 7 10150000 8580 4 3 4 2
## 8 10150000 16200 5 3 2 0
## 9 9870000 8100 4 1 2 2
## 10 9800000 5750 3 2 4 1
## 11 9800000 13200 3 1 2 2
## 12 9681000 6000 4 3 2 2
## 13 9310000 6550 4 2 2 1
## 14 9240000 3500 4 2 2 2
## 15 9240000 7800 3 2 2 0
## 16 9100000 6000 4 1 2 2
## 17 9100000 6600 4 2 2 1
## 18 8960000 8500 3 2 4 2
## 19 8890000 4600 3 2 2 2
## 20 8855000 6420 3 2 2 1
## 21 8750000 4320 3 1 2 2
## 22 8680000 7155 3 2 1 2
## 23 8645000 8050 3 1 1 1
## 24 8645000 4560 3 2 2 1
## 25 8575000 8800 3 2 2 2
## 26 8540000 6540 4 2 2 2
## 27 8463000 6000 3 2 4 0
## 28 8400000 8875 3 1 1 1
## 29 8400000 7950 5 2 2 2
## 30 8400000 5500 4 2 2 1
## 31 8400000 7475 3 2 4 2
## 32 8400000 7000 3 1 4 2
## 33 8295000 4880 4 2 2 1
## 34 8190000 5960 3 3 2 1
## 35 8120000 6840 5 1 2 1
## 36 8080940 7000 3 2 4 2
## 37 8043000 7482 3 2 3 1
## 38 7980000 9000 4 2 4 2
## 39 7962500 6000 3 1 4 2
## 40 7910000 6000 4 2 4 1
## 41 7875000 6550 3 1 2 0
## 42 7840000 6360 3 2 4 0
## 43 7700000 6480 3 2 4 2
## 44 7700000 6000 4 2 4 2
## 45 7560000 6000 4 2 4 1
## 46 7560000 6000 3 2 3 0
## 47 7525000 6000 3 2 4 1
## 48 7490000 6600 3 1 4 3
## 49 7455000 4300 3 2 2 1
## 50 7420000 7440 3 2 1 0
## 51 7420000 7440 3 2 4 1
## 52 7420000 6325 3 1 4 1
## 53 7350000 6000 4 2 4 1
## 54 7350000 5150 3 2 4 2
## 55 7350000 6000 3 2 2 1
## 56 7350000 6000 3 1 2 1
## 57 7343000 11440 4 1 2 1
## 58 7245000 9000 4 2 4 1
## 59 7210000 7680 4 2 4 1
## 60 7210000 6000 3 2 4 1
## 61 7140000 6000 3 2 2 1
## 62 7070000 8880 2 1 1 1
## 63 7070000 6240 4 2 2 1
## 64 7035000 6360 4 2 3 2
## 65 7000000 11175 3 1 1 1
## 66 6930000 8880 3 2 2 1
## 67 6930000 13200 2 1 1 1
## 68 6895000 7700 3 2 1 2
## 69 6860000 6000 3 1 1 1
## 70 6790000 12090 4 2 2 2
## 71 6790000 4000 3 2 2 0
## 72 6755000 6000 4 2 4 0
## 73 6720000 5020 3 1 4 0
## 74 6685000 6600 2 2 4 0
## 75 6650000 4040 3 1 2 1
## 76 6650000 4260 4 2 2 0
## 77 6650000 6420 3 2 3 0
## 78 6650000 6500 3 2 3 0
## 79 6650000 5700 3 1 1 2
## 80 6650000 6000 3 2 3 0
## 81 6629000 6000 3 1 2 1
## 82 6615000 4000 3 2 2 1
## 83 6615000 10500 3 2 1 1
## 84 6580000 6000 3 2 4 0
## 85 6510000 3760 3 1 2 2
## 86 6510000 8250 3 2 3 0
## 87 6510000 6670 3 1 3 0
## 88 6475000 3960 3 1 1 2
## 89 6475000 7410 3 1 1 2
## 90 6440000 8580 5 3 2 2
## 91 6440000 5000 3 1 2 0
## 92 6419000 6750 2 1 1 2
## 93 6405000 4800 3 2 4 0
## 94 6300000 7200 3 2 1 3
## 95 6300000 6000 4 2 4 1
## 96 6300000 4100 3 2 3 2
## 97 6300000 9000 3 1 1 1
## 98 6300000 6400 3 1 1 1
## 99 6293000 6600 3 2 3 0
## 100 6265000 6000 4 1 3 0
## 101 6230000 6600 3 2 1 0
## 102 6230000 5500 3 1 3 1
## 103 6195000 5500 3 2 4 1
## 104 6195000 6350 3 2 3 0
## 105 6195000 5500 3 2 1 2
## 106 6160000 4500 3 1 4 0
## 107 6160000 5450 4 2 1 0
## 108 6125000 6420 3 1 3 0
## 109 6107500 3240 4 1 3 1
## 110 6090000 6615 4 2 2 1
## 111 6090000 6600 3 1 1 2
## 112 6090000 8372 3 1 3 2
## 113 6083000 4300 6 2 2 0
## 114 6083000 9620 3 1 1 2
## 115 6020000 6800 2 1 1 2
## 116 6020000 8000 3 1 1 2
## 117 6020000 6900 3 2 1 0
## 118 5950000 3700 4 1 2 0
## 119 5950000 6420 3 1 1 0
## 120 5950000 7020 3 1 1 2
## 121 5950000 6540 3 1 1 2
## 122 5950000 7231 3 1 2 0
## 123 5950000 6254 4 2 1 1
## 124 5950000 7320 4 2 2 0
## 125 5950000 6525 3 2 4 1
## 126 5943000 15600 3 1 1 2
## 127 5880000 7160 3 1 1 2
## 128 5880000 6500 3 2 3 0
## 129 5873000 5500 3 1 3 1
## 130 5873000 11460 3 1 3 2
## 131 5866000 4800 3 1 1 0
## 132 5810000 5828 4 1 4 0
## 133 5810000 5200 3 1 3 0
## 134 5810000 4800 3 1 3 0
## 135 5803000 7000 3 1 1 2
## 136 5775000 6000 3 2 4 0
## 137 5740000 5400 4 2 2 2
## 138 5740000 4640 4 1 2 1
## 139 5740000 5000 3 1 3 0
## 140 5740000 6360 3 1 1 2
## 141 5740000 5800 3 2 4 0
## 142 5652500 6660 4 2 2 1
## 143 5600000 10500 4 2 2 1
## 144 5600000 4800 5 2 3 0
## 145 5600000 4700 4 1 2 1
## 146 5600000 5000 3 1 4 0
## 147 5600000 10500 2 1 1 1
## 148 5600000 5500 3 2 2 1
## 149 5600000 6360 3 1 3 0
## 150 5600000 6600 4 2 1 0
## 151 5600000 5136 3 1 2 0
## 152 5565000 4400 4 1 2 2
## 153 5565000 5400 5 1 2 0
## 154 5530000 3300 3 3 2 0
## 155 5530000 3650 3 2 2 2
## 156 5530000 6100 3 2 1 2
## 157 5523000 6900 3 1 1 0
## 158 5495000 2817 4 2 2 1
## 159 5495000 7980 3 1 1 2
## 160 5460000 3150 3 2 1 0
## 161 5460000 6210 4 1 4 0
## 162 5460000 6100 3 1 3 0
## 163 5460000 6600 4 2 2 0
## 164 5425000 6825 3 1 1 0
## 165 5390000 6710 3 2 2 1
## 166 5383000 6450 3 2 1 0
## 167 5320000 7800 3 1 1 2
## 168 5285000 4600 2 2 1 2
## 169 5250000 4260 4 1 2 0
## 170 5250000 6540 4 2 2 0
## 171 5250000 5500 3 2 1 0
## 172 5250000 10269 3 1 1 1
## 173 5250000 8400 3 1 2 2
## 174 5250000 5300 4 2 1 0
## 175 5250000 3800 3 1 2 1
## 176 5250000 9800 4 2 2 2
## 177 5250000 8520 3 1 1 2
## 178 5243000 6050 3 1 1 0
## 179 5229000 7085 3 1 1 2
## 180 5215000 3180 3 2 2 2
## 181 5215000 4500 4 2 1 2
## 182 5215000 7200 3 1 2 1
## 183 5145000 3410 3 1 2 0
## 184 5145000 7980 3 1 1 1
## 185 5110000 3000 3 2 2 0
## 186 5110000 3000 3 1 2 0
## 187 5110000 11410 2 1 2 0
## 188 5110000 6100 3 1 1 0
## 189 5075000 5720 2 1 2 0
## 190 5040000 3540 2 1 1 0
## 191 5040000 7600 4 1 2 2
## 192 5040000 10700 3 1 2 0
## 193 5040000 6600 3 1 1 0
## 194 5033000 4800 2 1 1 0
## 195 5005000 8150 3 2 1 0
## 196 4970000 4410 4 3 2 2
## 197 4970000 7686 3 1 1 0
## 198 4956000 2800 3 2 2 1
## 199 4935000 5948 3 1 2 0
## 200 4907000 4200 3 1 2 1
## 201 4900000 4520 3 1 2 0
## 202 4900000 4095 3 1 2 0
## 203 4900000 4120 2 1 1 1
## 204 4900000 5400 4 1 2 0
## 205 4900000 4770 3 1 1 0
## 206 4900000 6300 3 1 1 2
## 207 4900000 5800 2 1 1 0
## 208 4900000 3000 3 1 2 0
## 209 4900000 2970 3 1 3 0
## 210 4900000 6720 3 1 1 0
## 211 4900000 4646 3 1 2 2
## 212 4900000 12900 3 1 1 2
## 213 4893000 3420 4 2 2 2
## 214 4893000 4995 4 2 1 0
## 215 4865000 4350 2 1 1 0
## 216 4830000 4160 3 1 3 0
## 217 4830000 6040 3 1 1 2
## 218 4830000 6862 3 1 2 2
## 219 4830000 4815 2 1 1 0
## 220 4795000 7000 3 1 2 0
## 221 4795000 8100 4 1 4 2
## 222 4767000 3420 4 2 2 0
## 223 4760000 9166 2 1 1 2
## 224 4760000 6321 3 1 2 1
## 225 4760000 10240 2 1 1 2
## 226 4753000 6440 2 1 1 3
## 227 4690000 5170 3 1 4 0
## 228 4690000 6000 2 1 1 1
## 229 4690000 3630 3 1 2 2
## 230 4690000 9667 4 2 2 1
## 231 4690000 5400 2 1 2 0
## 232 4690000 4320 3 1 1 0
## 233 4655000 3745 3 1 2 0
## 234 4620000 4160 3 1 1 0
## 235 4620000 3880 3 2 2 2
## 236 4620000 5680 3 1 2 1
## 237 4620000 2870 2 1 2 0
## 238 4620000 5010 3 1 2 0
## 239 4613000 4510 4 2 2 0
## 240 4585000 4000 3 1 2 1
## 241 4585000 3840 3 1 2 1
## 242 4550000 3760 3 1 1 2
## 243 4550000 3640 3 1 2 0
## 244 4550000 2550 3 1 2 0
## 245 4550000 5320 3 1 2 0
## 246 4550000 5360 3 1 2 2
## 247 4550000 3520 3 1 1 0
## 248 4550000 8400 4 1 4 3
## 249 4543000 4100 2 2 1 0
## 250 4543000 4990 4 2 2 0
## 251 4515000 3510 3 1 3 0
## 252 4515000 3450 3 1 2 1
## 253 4515000 9860 3 1 1 0
## 254 4515000 3520 2 1 2 0
## 255 4480000 4510 4 1 2 2
## 256 4480000 5885 2 1 1 1
## 257 4480000 4000 3 1 2 2
## 258 4480000 8250 3 1 1 0
## 259 4480000 4040 3 1 2 1
## 260 4473000 6360 2 1 1 1
## 261 4473000 3162 3 1 2 1
## 262 4473000 3510 3 1 2 0
## 263 4445000 3750 2 1 1 0
## 264 4410000 3968 3 1 2 0
## 265 4410000 4900 2 1 2 0
## 266 4403000 2880 3 1 2 0
## 267 4403000 4880 3 1 1 2
## 268 4403000 4920 3 1 2 1
## 269 4382000 4950 4 1 2 0
## 270 4375000 3900 3 1 2 0
## 271 4340000 4500 3 2 3 1
## 272 4340000 1905 5 1 2 0
## 273 4340000 4075 3 1 1 2
## 274 4340000 3500 4 1 2 2
## 275 4340000 6450 4 1 2 0
## 276 4319000 4032 2 1 1 0
## 277 4305000 4400 2 1 1 1
## 278 4305000 10360 2 1 1 1
## 279 4277000 3400 3 1 2 2
## 280 4270000 6360 2 1 1 0
## 281 4270000 6360 2 1 2 0
## 282 4270000 4500 2 1 1 2
## 283 4270000 2175 3 1 2 0
## 284 4270000 4360 4 1 2 0
## 285 4270000 7770 2 1 1 1
## 286 4235000 6650 3 1 2 0
## 287 4235000 2787 3 1 1 0
## 288 4200000 5500 3 1 2 0
## 289 4200000 5040 3 1 2 0
## 290 4200000 5850 2 1 1 2
## 291 4200000 2610 4 3 2 0
## 292 4200000 2953 3 1 2 0
## 293 4200000 2747 4 2 2 0
## 294 4200000 4410 2 1 1 1
## 295 4200000 4000 4 2 2 0
## 296 4200000 2325 3 1 2 0
## 297 4200000 4600 3 2 2 1
## 298 4200000 3640 3 2 2 0
## 299 4200000 5800 3 1 1 2
## 300 4200000 7000 3 1 1 3
## 301 4200000 4079 3 1 3 0
## 302 4200000 3520 3 1 2 0
## 303 4200000 2145 3 1 3 1
## 304 4200000 4500 3 1 1 0
## 305 4193000 8250 3 1 1 3
## 306 4193000 3450 3 1 2 1
## 307 4165000 4840 3 1 2 1
## 308 4165000 4080 3 1 2 2
## 309 4165000 4046 3 1 2 1
## 310 4130000 4632 4 1 2 0
## 311 4130000 5985 3 1 1 0
## 312 4123000 6060 2 1 1 1
## 313 4098500 3600 3 1 1 0
## 314 4095000 3680 3 2 2 0
## 315 4095000 4040 2 1 2 1
## 316 4095000 5600 2 1 1 0
## 317 4060000 5900 4 2 2 1
## 318 4060000 4992 3 2 2 2
## 319 4060000 4340 3 1 1 0
## 320 4060000 3000 4 1 3 2
## 321 4060000 4320 3 1 2 2
## 322 4025000 3630 3 2 2 2
## 323 4025000 3460 3 2 1 1
## 324 4025000 5400 3 1 1 3
## 325 4007500 4500 3 1 2 0
## 326 4007500 3460 4 1 2 0
## 327 3990000 4100 4 1 1 0
## 328 3990000 6480 3 1 2 1
## 329 3990000 4500 3 2 2 0
## 330 3990000 3960 3 1 2 0
## 331 3990000 4050 2 1 2 0
## 332 3920000 7260 3 2 1 3
## 333 3920000 5500 4 1 2 0
## 334 3920000 3000 3 1 2 0
## 335 3920000 3290 2 1 1 1
## 336 3920000 3816 2 1 1 2
## 337 3920000 8080 3 1 1 2
## 338 3920000 2145 4 2 1 0
## 339 3885000 3780 2 1 2 0
## 340 3885000 3180 4 2 2 0
## 341 3850000 5300 5 2 2 0
## 342 3850000 3180 2 2 1 2
## 343 3850000 7152 3 1 2 0
## 344 3850000 4080 2 1 1 0
## 345 3850000 3850 2 1 1 0
## 346 3850000 2015 3 1 2 0
## 347 3850000 2176 2 1 2 0
## 348 3836000 3350 3 1 2 0
## 349 3815000 3150 2 2 1 0
## 350 3780000 4820 3 1 2 0
## 351 3780000 3420 2 1 2 1
## 352 3780000 3600 2 1 1 0
## 353 3780000 5830 2 1 1 2
## 354 3780000 2856 3 1 3 0
## 355 3780000 8400 2 1 1 1
## 356 3773000 8250 3 1 1 2
## 357 3773000 2520 5 2 1 1
## 358 3773000 6930 4 1 2 1
## 359 3745000 3480 2 1 1 0
## 360 3710000 3600 3 1 1 1
## 361 3710000 4040 2 1 1 0
## 362 3710000 6020 3 1 1 0
## 363 3710000 4050 2 1 1 0
## 364 3710000 3584 2 1 1 0
## 365 3703000 3120 3 1 2 0
## 366 3703000 5450 2 1 1 0
## 367 3675000 3630 2 1 1 0
## 368 3675000 3630 2 1 1 0
## 369 3675000 5640 2 1 1 0
## 370 3675000 3600 2 1 1 0
## 371 3640000 4280 2 1 1 2
## 372 3640000 3570 3 1 2 0
## 373 3640000 3180 3 1 2 0
## 374 3640000 3000 2 1 2 0
## 375 3640000 3520 2 2 1 0
## 376 3640000 5960 3 1 2 0
## 377 3640000 4130 3 2 2 2
## 378 3640000 2850 3 2 2 0
## 379 3640000 2275 3 1 3 0
## 380 3633000 3520 3 1 1 2
## 381 3605000 4500 2 1 1 0
## 382 3605000 4000 2 1 1 0
## 383 3570000 3150 3 1 2 0
## 384 3570000 4500 4 2 2 2
## 385 3570000 4500 2 1 1 0
## 386 3570000 3640 2 1 1 0
## 387 3535000 3850 3 1 1 2
## 388 3500000 4240 3 1 2 0
## 389 3500000 3650 3 1 2 0
## 390 3500000 4600 4 1 2 0
## 391 3500000 2135 3 2 2 0
## 392 3500000 3036 3 1 2 0
## 393 3500000 3990 3 1 2 0
## 394 3500000 7424 3 1 1 0
## 395 3500000 3480 3 1 1 0
## 396 3500000 3600 6 1 2 1
## 397 3500000 3640 2 1 1 1
## 398 3500000 5900 2 1 1 1
## 399 3500000 3120 3 1 2 1
## 400 3500000 7350 2 1 1 1
## 401 3500000 3512 2 1 1 1
## 402 3500000 9500 3 1 2 3
## 403 3500000 5880 2 1 1 0
## 404 3500000 12944 3 1 1 0
## 405 3493000 4900 3 1 2 0
## 406 3465000 3060 3 1 1 0
## 407 3465000 5320 2 1 1 1
## 408 3465000 2145 3 1 3 0
## 409 3430000 4000 2 1 1 0
## 410 3430000 3185 2 1 1 2
## 411 3430000 3850 3 1 1 0
## 412 3430000 2145 3 1 3 0
## 413 3430000 2610 3 1 2 0
## 414 3430000 1950 3 2 2 0
## 415 3423000 4040 2 1 1 0
## 416 3395000 4785 3 1 2 1
## 417 3395000 3450 3 1 1 2
## 418 3395000 3640 2 1 1 0
## 419 3360000 3500 4 1 2 2
## 420 3360000 4960 4 1 3 0
## 421 3360000 4120 2 1 2 0
## 422 3360000 4750 2 1 1 0
## 423 3360000 3720 2 1 1 0
## 424 3360000 3750 3 1 1 0
## 425 3360000 3100 3 1 2 0
## 426 3360000 3185 2 1 1 2
## 427 3353000 2700 3 1 1 0
## 428 3332000 2145 3 1 2 0
## 429 3325000 4040 2 1 1 1
## 430 3325000 4775 4 1 2 0
## 431 3290000 2500 2 1 1 0
## 432 3290000 3180 4 1 2 0
## 433 3290000 6060 3 1 1 0
## 434 3290000 3480 4 1 2 1
## 435 3290000 3792 4 1 2 0
## 436 3290000 4040 2 1 1 0
## 437 3290000 2145 3 1 2 0
## 438 3290000 5880 3 1 1 1
## 439 3255000 4500 2 1 1 0
## 440 3255000 3930 2 1 1 0
## 441 3234000 3640 4 1 2 0
## 442 3220000 4370 3 1 2 0
## 443 3220000 2684 2 1 1 1
## 444 3220000 4320 3 1 1 1
## 445 3220000 3120 3 1 2 0
## 446 3150000 3450 1 1 1 0
## 447 3150000 3986 2 2 1 1
## 448 3150000 3500 2 1 1 0
## 449 3150000 4095 2 1 1 2
## 450 3150000 1650 3 1 2 0
## 451 3150000 3450 3 1 2 0
## 452 3150000 6750 2 1 1 0
## 453 3150000 9000 3 1 2 2
## 454 3150000 3069 2 1 1 1
## 455 3143000 4500 3 1 2 0
## 456 3129000 5495 3 1 1 0
## 457 3118850 2398 3 1 1 0
## 458 3115000 3000 3 1 1 0
## 459 3115000 3850 3 1 2 0
## 460 3115000 3500 2 1 1 0
## 461 3087000 8100 2 1 1 1
## 462 3080000 4960 2 1 1 0
## 463 3080000 2160 3 1 2 0
## 464 3080000 3090 2 1 1 0
## 465 3080000 4500 2 1 2 1
## 466 3045000 3800 2 1 1 0
## 467 3010000 3090 3 1 2 0
## 468 3010000 3240 3 1 2 2
## 469 3010000 2835 2 1 1 0
## 470 3010000 4600 2 1 1 0
## 471 3010000 5076 3 1 1 0
## 472 3010000 3750 3 1 2 0
## 473 3010000 3630 4 1 2 3
## 474 3003000 8050 2 1 1 0
## 475 2975000 4352 4 1 2 1
## 476 2961000 3000 2 1 2 0
## 477 2940000 5850 3 1 2 1
## 478 2940000 4960 2 1 1 0
## 479 2940000 3600 3 1 2 1
## 480 2940000 3660 4 1 2 0
## 481 2940000 3480 3 1 2 1
## 482 2940000 2700 2 1 1 0
## 483 2940000 3150 3 1 2 0
## 484 2940000 6615 3 1 2 0
## 485 2870000 3040 2 1 1 0
## 486 2870000 3630 2 1 1 0
## 487 2870000 6000 2 1 1 0
## 488 2870000 5400 4 1 2 0
## 489 2852500 5200 4 1 3 0
## 490 2835000 3300 3 1 2 1
## 491 2835000 4350 3 1 2 1
## 492 2835000 2640 2 1 1 1
## 493 2800000 2650 3 1 2 1
## 494 2800000 3960 3 1 1 0
## 495 2730000 6800 2 1 1 0
## 496 2730000 4000 3 1 2 1
## 497 2695000 4000 2 1 1 0
## 498 2660000 3934 2 1 1 0
## 499 2660000 2000 2 1 2 0
## 500 2660000 3630 3 3 2 0
## 501 2660000 2800 3 1 1 0
## 502 2660000 2430 3 1 1 0
## 503 2660000 3480 2 1 1 1
## 504 2660000 4000 3 1 1 0
## 505 2653000 3185 2 1 1 0
## 506 2653000 4000 3 1 2 0
## 507 2604000 2910 2 1 1 0
## 508 2590000 3600 2 1 1 0
## 509 2590000 4400 2 1 1 0
## 510 2590000 3600 2 2 2 1
## 511 2520000 2880 3 1 1 0
## 512 2520000 3180 3 1 1 0
## 513 2520000 3000 2 1 2 0
## 514 2485000 4400 3 1 2 0
## 515 2485000 3000 3 1 2 0
## 516 2450000 3210 3 1 2 0
## 517 2450000 3240 2 1 1 1
## 518 2450000 3000 2 1 1 1
## 519 2450000 3500 2 1 1 0
## 520 2450000 4840 2 1 2 0
## 521 2450000 7700 2 1 1 0
## 522 2408000 3635 2 1 1 0
## 523 2380000 2475 3 1 2 0
## 524 2380000 2787 4 2 2 0
## 525 2380000 3264 2 1 1 0
## 526 2345000 3640 2 1 1 0
## 527 2310000 3180 2 1 1 0
## 528 2275000 1836 2 1 1 0
## 529 2275000 3970 1 1 1 0
## 530 2275000 3970 3 1 2 0
## 531 2240000 1950 3 1 1 0
## 532 2233000 5300 3 1 1 0
## 533 2135000 3000 2 1 1 0
## 534 2100000 2400 3 1 2 0
## 535 2100000 3000 4 1 2 0
## 536 2100000 3360 2 1 1 1
## 537 1960000 3420 5 1 2 0
## 538 1890000 1700 3 1 2 0
## 539 1890000 3649 2 1 1 0
## 540 1855000 2990 2 1 1 1
## 541 1820000 3000 2 1 1 2
## 542 1767150 2400 3 1 1 0
## 543 1750000 3620 2 1 1 0
## 544 1750000 2910 3 1 1 0
## 545 1750000 3850 3 1 2 0Plot untuk setiap variabel numerik
## Warning: `aes_string()` was deprecated in ggplot2 3.0.0.
## ℹ Please use tidy evaluation idioms with `aes()`.
## ℹ See also `vignette("ggplot2-in-packages")` for more information.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
1. Covariant Matriks
covariant matriks menunjukkan hubungan yang linier antara variable numerik
# Kovarian matriks
cov_matrix <- cov(numerik_data)
print("Covariance Matrix:")## [1] "Covariance Matrix:"print(cov_matrix)## price area bedrooms bathrooms stories
## price 3.498544e+12 2.175676e+09 5.059464e+05 4.864093e+05 6.826446e+05
## area 2.175676e+09 4.709512e+06 2.432321e+02 2.113466e+02 1.581294e+02
## bedrooms 5.059464e+05 2.432321e+02 5.447383e-01 1.386738e-01 2.615893e-01
## bathrooms 4.864093e+05 2.113466e+02 1.386738e-01 2.524757e-01 1.421715e-01
## stories 6.826446e+05 1.581294e+02 2.615893e-01 1.421715e-01 7.525432e-01
## parking 6.194673e+05 6.599897e+02 8.856247e-02 7.684161e-02 3.404277e-02
## parking
## price 6.194673e+05
## area 6.599897e+02
## bedrooms 8.856247e-02
## bathrooms 7.684161e-02
## stories 3.404277e-02
## parking 7.423300e-01misalkan variabel price dengan area.semakin luas area, maka akan semakin mahal price dari rumah tersebut.
2. Correlation Matriks
korelasi mendekati 1 → hubungan positif yang kuat
korelasi mendekati -1 → hubungan negatif yang kuat
korelasi mendekati 0 → tidak ada hubungan yang signifikan
# Korelasi matriks
cor_matrix <- cor(numerik_data)
print("Correlation Matrix:")## [1] "Correlation Matrix:"print(cor_matrix)## price area bedrooms bathrooms stories parking
## price 1.0000000 0.53599735 0.3664940 0.5175453 0.42071237 0.38439365
## area 0.5359973 1.00000000 0.1518585 0.1938195 0.08399605 0.35298048
## bedrooms 0.3664940 0.15185849 1.0000000 0.3739302 0.40856424 0.13926990
## bathrooms 0.5175453 0.19381953 0.3739302 1.0000000 0.32616471 0.17749582
## stories 0.4207124 0.08399605 0.4085642 0.3261647 1.00000000 0.04554709
## parking 0.3843936 0.35298048 0.1392699 0.1774958 0.04554709 1.00000000# Heatmap Korelasi
library(ggplot2)
library(reshape2)
cor_melted <- melt(cor_matrix)
ggplot(data = cor_melted, aes(x = Var1, y = Var2, fill = value)) +
geom_tile(color = "white") +
geom_text(aes(label = round(value, 2)), size = 4, fontface = "bold") +
scale_fill_gradientn(colors = c("blue", "white", "yellow", "red"),
values = scales::rescale(c(-1, 0, 0.5, 1)),
limits = c(-1, 1),
name = "Correlation") +
theme_minimal() +
xlab("") + ylab("") +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
ggtitle("Heatmap Korelasi Antar Variabel")
area → price memiliki korelasi 0.53599735, artinya luas rumah memiliki pengaruh cukup kuat terhadap harga.
bathrooms → price memiliki korelasi 0.5175453, yang juga cukup tinggi.
3. Eigen value
semakin besar nilai eigen, maka akan semakin banyak informasi yang didapatkan
# Menghitung Eigen value dengan Rumus |A - λI| = 0
I <- diag(ncol(cov_matrix))
lambda_values <- eigen(cov_matrix)$values
print("Eigen Values:")## [1] "Eigen Values:"print(lambda_values)## [1] 3.498546e+12 3.356500e+06 7.345801e-01 5.958731e-01 3.626262e-01
## [6] 1.677009e-013.498546e+12 merupakan nilai eigen yang paling tinggi. berarti hal tersebut memiliki informasi tertinggi tentang variabilitas data
4. Eigen Vektor
Eigen vektor tertinggi akan menunjukkan fitur atau faktor yang paling berkontribusi terhadap harga rumah.
# Menghitung Eigen vector dengan (A - λI)v = 0
eigenvectors <- eigen(cov_matrix)$vectors
print("Eigen Vectors:")## [1] "Eigen Vectors:"print(eigenvectors)## [,1] [,2] [,3] [,4] [,5]
## [1,] 9.999998e-01 6.218809e-04 2.350022e-07 2.360030e-07 -1.896406e-08
## [2,] 6.218809e-04 -9.999998e-01 -1.068146e-04 4.693651e-05 1.227917e-05
## [3,] 1.446162e-07 2.127405e-05 -4.831235e-01 -3.524835e-01 -7.742078e-01
## [4,] 1.390319e-07 2.715391e-05 -1.156247e-01 -7.418855e-02 -1.559105e-01
## [5,] 1.951224e-07 7.936672e-05 -7.760615e-01 -2.230034e-01 5.897316e-01
## [6,] 1.770643e-07 -8.185750e-05 3.885243e-01 -9.058261e-01 1.688515e-01
## [,6]
## [1,] 1.167426e-07
## [2,] -2.065080e-05
## [3,] 2.072422e-01
## [4,] -9.781712e-01
## [5,] 1.465063e-02
## [6,] -4.137110e-03variabel area, bathrooms, dan stories memiliki kontribusi yang tinggi terhadap variabel utama
# Mengambil Eigen Value terbesar
max_eigen_index <- which.max(lambda_values)
max_eigenvectors <- eigenvectors[, max_eigen_index]
print(lambda_values[max_eigen_index])## [1] 3.498546e+12print("Eigen Value Terbesar:")## [1] "Eigen Value Terbesar:"print("Eigen Vector maksimal:")## [1] "Eigen Vector maksimal:"print(max_eigenvectors)## [1] 9.999998e-01 6.218809e-04 1.446162e-07 1.390319e-07 1.951224e-07
## [6] 1.770643e-07eigen value tertinggi yaitu sebesar 3.498546e+12 yang menunjukkan bahwa komponen pertama (PC1) mendominasi varians dalam data
eigen vektor terbesar menunjukkan bahwa price memiliki bobot tertinggi sehingga menjadi faktor dominan dalam prediksi harga rumah
5. Regresi linear
# Model regresi
model <- lm(price ~ area + bedrooms + bathrooms + stories + parking, data = numerik_data)
summary(model)##
## Call:
## lm(formula = price ~ area + bedrooms + bathrooms + stories +
## parking, data = numerik_data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3396744 -731825 -64056 601486 5651126
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -145734.5 246634.5 -0.591 0.5548
## area 331.1 26.6 12.448 < 2e-16 ***
## bedrooms 167809.8 82932.7 2.023 0.0435 *
## bathrooms 1133740.2 118828.3 9.541 < 2e-16 ***
## stories 547939.8 68894.5 7.953 1.07e-14 ***
## parking 377596.3 66804.1 5.652 2.57e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1244000 on 539 degrees of freedom
## Multiple R-squared: 0.5616, Adjusted R-squared: 0.5575
## F-statistic: 138.1 on 5 and 539 DF, p-value: < 2.2e-16variabel yang paling signifikan dalam memprediksi harga rumah : a). Bathrooms(1,133,740.2) : jika jumlah kamar mandi bertambah, maka harga rumah juga ikut naik b). Stories(547,939.8) : jika jumlah lantai lebih tinggi, maka korelasi dengan price juga semakin tinggi c). Parking(377,596.3) : semakin banyak parkir juga dapat mempengaruhi harga rumah
6. RMSE
mengukur seberapa akurat model dalam memprediksi harga rumah.
# Menghitung RMSE
predicted_prices <- predict(model, numerik_data)
actual_prices <- numerik_data$price
rmse <- sqrt(mean((predicted_prices - actual_prices)^2))
print(paste("RMSE:", rmse))## [1] "RMSE: 1237339.30781674"model saat ini memiliki RMSE sebesar 1,237,339 yang menunjukkan masih ada peluang untuk meningkatkan akurasi
kesimpulan
# Menampilkan prediksi harga rumah tertinggi
numerik_data$predicted_price <- predicted_prices
max_price_data <- numerik_data[which.max(numerik_data$predicted_price), ]
# Visualisasi
library(ggplot2)
ggplot(numerik_data, aes(x = area, y = predicted_price)) +
geom_point(color = "blue", alpha = 0.5) +
geom_point(data = max_price_data, aes(x = area, y = predicted_price), color = "red", size = 3) +
ggtitle("Prediksi Price Tertinggi") +
xlab("Luas Area") + ylab("Price Prediksi") + theme_minimal()
hasil dari pemodelan regresi, didapatkan bahwa faktor yang paling dominan dalam memprediksi harga rumah adalah bathrooms, parking, dan juga stories.
dengan nilai RMSE sebesar 1,237,339 , model ini dapat digunakan sebagai dasar prediksi, tetapi masih dapat ditingkatkan dengan metode pemodelan yang lebih kompleks