Predictive Analytics Project

Proyek Submission Coding Camp DBS Foundation

Deskripsi Proyek ini merupakan hasil kerja saya dalam program Coding Camp Machine Learning 2024 oleh DBS Foundation. Proyek ini berfokus pada pengembangan model Predictive Analytics untuk Prediksi Nilai Property & Harga Sewa.

Tujuan

1. Mengembangkan model Machine Learning yang akurat untuk prediksi.
2. Menganalisis faktor-faktor yang mempengaruhi hasil prediksi.
3. Membuat visualisasi data untuk mempermudah pemahaman.

Summary of Findings: Property Value & Rental Price Prediction

Project Overview: Proyek ini bertujuan untuk membangun model prediktif yang akurat untuk menentukan estimasi harga jual dan harga sewa properti berdasarkan berbagai fitur fisik dan lokasi. Dengan menggunakan alur kerja Data Science yang komprehensif, proyek ini memberikan insight bagi investor atau penyedia layanan properti dalam pengambilan keputusan berbasis data.

Key Insights & Results:

Feature Correlation: Berdasarkan analisis korelasi, variabel seperti Sales Estimate Price dan Rent Estimate Price, Bedroom and Floar Area. terbukti memiliki pengaruh paling signifikan terhadap kenaikan nilai properti. Data Quality: Melalui tahap preprocessing (penanganan outliers dan scaling), integritas data dioptimalkan sehingga mengurangi bias pada model prediksi. Model Performance: Model final yang dikembangkan menggunakan Random Forest yang berhasil mencapai tingkat akurasi sebesar 99.999% dengan metrik evaluasi yang minimal pada skor error (MAE/RMSE). Business Recommendation: Model ini dapat digunakan untuk mengotomatisasi penilaian properti secara real-time, meminimalkan kesalahan manusia dalam estimasi harga, dan membantu strategi penetapan harga sewa yang kompetitif di pasar.

Teknologi dan Bahasa

1. Bahasa pemrograman: Python
2. Library: Pandas, NumPy, Scikit-learn, TensorFlow
3. Algoritma: Random Forest, K-Nearest Neighbors
4. Visualisasi: Matplotlib, Seaborn

Struktur Proyek

1. data/: Berisi dataset yang digunakan
2. notebook/: Berisi notebook Jupyter untuk eksplorasi data dan pengembangan model
3. model/: Berisi kode untuk pengembangan model
4. visualization/: Berisi kode untuk visualisasi data

Cara Menjalankan

1. Clone repository ini ke lokal.
2. Jalankan notebook Jupyter untuk melihat proses pengembangan model.

Hasil

1. Model prediksi dengan akurasi R² 0.99.
2. Analisis faktor-faktor yang mempengaruhi hasil prediksi.
3. Visualisasi data yang mempermudah pemahaman.

Kontak

• Nama: Rusdiana
• Email: mrusdiana07@gmail.com
• LinkedIn: Rusdiana