Latar Belakang:
Proyek ini bertujuan untuk melakukan prediksi harga laptop berdasarkan berbagai fitur dan variabel tertentu. Kondisi pasar yang dinamis, termasuk faktor teknologi terkini, merek, spesifikasi, dan ulasan pengguna, membuat prediksi harga menjadi tantangan yang menarik. Solusi dari proyek ini dapat membantu :
- Konsumen: Dengan model prediktif ini, konsumen dapat memperoleh perkiraan harga laptop berdasarkan fitur-fitur tertentu. Ini dapat membantu mereka dalam membuat keputusan pembelian yang lebih baik dan menghindari pembayaran berlebihan.
- Pengecer: Pengecer dapat menggunakan model ini untuk menentukan harga jual produk mereka berdasarkan fitur-fitur yang dimiliki oleh laptop. Ini dapat membantu mereka dalam strategi penetapan harga dan persediaan.
- Produsen: Produsen dapat menggunakan model ini untuk memahami fitur apa yang paling mempengaruhi harga laptop. Informasi ini dapat digunakan untuk merancang produk baru atau memodifikasi produk yang ada untuk memaksimalkan keuntungan.
Solusi prediksi harga laptop ini memiliki dampak positif pada berbagai situasi dan kasus penggunaan. Misalnya, bagi konsumen yang ingin menentukan anggaran belanja laptop, solusi ini memungkinkan mereka untuk merencanakan pembelian sesuai dengan anggaran yang dimiliki. Pengecer juga dapat memanfaatkan model ini untuk menentukan produk apa yang akan dimasukkan ke dalam stok mereka, dengan memprediksi harga produk baru berdasarkan spesifikasi tertentu. Produsen dapat menggunakan solusi ini untuk menentukan harga yang kompetitif, mempertimbangkan spesifikasi produk dan tren pasar.
Analisis pengaruh fitur terhadap harga juga menjadi keuntungan bagi perusahaan, membantu mereka memahami faktor-faktor yang paling memengaruhi penentuan harga laptop. Selain itu, konsumen dapat memanfaatkan solusi ini untuk membandingkan harga antar merek laptop, membantu mereka membuat keputusan pembelian yang lebih informasional. Secara keseluruhan, solusi ini tidak hanya memberikan prediksi harga yang akurat, tetapi juga memberikan wawasan yang berharga bagi semua pemangku kepentingan dalam ekosistem pasar laptop.
- Bagaimana memprediksi harga laptop dengan akurasi tinggi?
- Bagaimana faktor-faktor tertentu mempengaruhi harga laptop?
- Menciptakan model prediktif yang dapat memprediksi harga laptop.
- Mengidentifikasi fitur yang paling berpengaruh terhadap penentuan harga.
- Menggunakan ensemble model yang sudah umum digunakan dan memiliki performa tinggi.
- Menerapkan baseline model yaitu model pertama tanpa pemrosesan terhadap data, hal ini dilakukan untuk melihat seberapa kompleks masalah yang dihadapi. Melalui baseline model ini, dapat dibandingkan dengan model terakhir sebagai tolak ukur.
- Melakukan feature engineering dari korelasi antar variable dalam datasets untuk menciptakan sebuah fitur baru yang lebih representatif untuk model.
- Melakukan hyperparameter tuning untuk melihat sejauh mana model dapat berkembang.
Datasets ini memberikan informasi komprehensif tentang berbagai laptop, menangkap beragam fitur dan spesifikasi. Ini adalah sumber berharga bagi mereka yang tertarik untuk mengeksplorasi dan memprediksi harga laptop berdasarkan karakteristiknya.
Informasi Data:
- Jumlah data : 893
- Kondisi data : tidak ada nilai kosong ataupun duplikat(null value/NaN)
- Sumber data : Laptop Price Prediction Dataset
- Unnamed: 0.1 : Index column
- Unnamed: 0 : Extra column
- brand : Merek atau pabrikan laptop
- name : nama model laptop
- price : harga retail dari laptop
- spec_rating : rating dari keseluruhan spesifikasi laptop
- processor : informasi umum tentang prosesor laptop
- cpu : informasi umum tentang CPU laptop
- Ram : jumlah RAM dalam GB
- Ram_type : tipe dari RAM yang digunakan
- ROM : jumlah dari ROM
- ROM_type : tipe dari ROM yang digunakan
- GPU : informasi umum tentang GPU laptop
- display_size : informasi ukuran tampilan
- resolution_width : informasi lebar resolusi
- resolution_height : informasi tinggi resolusi
- OS : tipe dari OS yang digunakan
- warranty : jumlah garansi yang ditawarkan
Distribusi kolom target :
Gambar 1. Distribusi target
Plot hubungan fitur dengan target :
Gambar 2. Plot hubungan fitur brand dengan target
Gambar 3. Plot hubungan fitur spec rating dengan target
Gambar 4. Plot hubungan fitur processor dengan target
Gambar 5. Plot hubungan fitur CPU dengan target
Gambar 6. Plot hubungan fitur RAM dengan target
Gambar 7. Plot hubungan fitur RAM_type dengan target
Gambar 8. Plot hubungan fitur ROM dengan target
Gambar 9. Plot hubungan fitur ROM_type dengan target
Gambar 10. Plot hubungan fitur GPU dengan target
Gambar 11. Plot hubungan fitur display_size dengan target
Gambar 12. Plot hubungan fitur resolution_width dengan target
Gambar 13. Plot hubungan fitur resolution_height dengan target
Gambar 14. Plot hubungan fitur OS dengan target
Gambar 15. Plot hubungan fitur warranty dengan target
Teknik Data Preparation:
- Encoding fitur kategorik
- Log transfrom pada kolom price
- Splitting dataset dengan proporsi 90% train dan 10% test
Mengapa?:
- Kebanyakan fitur adalah fitur kategorik, agar model dapat memprosesnya diperlukan encoding pada fitur-fitur tersebut.
- Distribusi harga pada kolom target terlihat condong ke kanan (skewed rigth) agar menjadi distribusi yang normal dapat dilakukan log transformation.
- Pemisahan dataset dibuat 90:10 karena jumlah dataset yang cukup kecil, sehingga proporsi test nya tidak butuh terlalu besar agar model dapat memiliki data train yang lebih banyak
Tahapan Pemodelan:
- Melakukan baseline modeling sebagai tolak ukur pertama bagi model nantinya.
- Menggunakan ensemble model yaitu Random Forest yang cukup handal.
- Hyperparameter tuning untuk mencari parameter terbaik model.
Kelebihan dan Kekurangan:
- Kelebihan : Random Forest sendiri adalah sebuah model dengan basis tree dikombinasikan dengan metode ensemble yang membuatnya menjadi cukup kompleks, sehingga handal dalam mengatasi permasalahan yang cukup rumit sekalipun.
- Kelemahan : Karena kompleksitasnya tersebut, model Random Forest rawan terhadap kasus overfitting.
Proses improvement:
- Menggunakan Grid Search untuk mencari kombinasi hyperparameter terbaik.
- Menerapkan hyperparameter terbaik pada model sebagai langkah terakhir.
- Sehingga parameter terakhir yang di dapatkan selama proses modeling adalah
RandomForestRegressor(max_depth=20, min_samples_leaf=2, n_estimators=200, random_state=123).
ACTUAL VS PREDICTION:
Gambar 16. Actual vs Prediction plot
Metrik Evaluasi:
- Mean Squared Error (MSE) untuk mengukur akurasi prediksi harga.
- R-Squared (R2) untuk mengevaluasi seberapa baik model cocok dengan data.
Hasil Proyek:
- MSE final : 0.018179004098177517
- R2 final : 0.9321405131792965
Penjelasan Metrik Evaluasi:
- MSE memberikan ukuran seberapa dekat prediksi dengan nilai sebenarnya. Semakin rendah, semakin baik performa model.
- R2 mengukur seberapa baik model cocok dengan data, dengan nilai mendekati 1 menunjukkan cocok yang sempurna.
Implikasi Praktis dari Hasil Proyek:
-
Ketidakpastian Model:
- Meskipun model Random Forest yang dikembangkan memiliki performa yang tinggi dengan MSE sekitar 0.018 dan R2 sekitar 0.932, penting untuk diingat bahwa semua model memiliki batasan dan ketidakpastian.
- Ketidakpastian dapat berasal dari variasi alamiah dalam data atau kemungkinan perubahan dalam tren pasar dan teknologi. Oleh karena itu, pengguna model sebaiknya mempertimbangkan tingkat ketidakpastian ini dalam pengambilan keputusan.
-
Keputusan Bisnis:
- Model prediksi harga laptop dapat memberikan nilai tambah besar dalam pengambilan keputusan bisnis. Misalnya, produsen dapat menggunakan prediksi harga untuk menentukan harga yang kompetitif, sementara konsumen dapat memanfaatkannya untuk merencanakan pembelian sesuai dengan anggaran.
- Pengecer dapat mengoptimalkan stok mereka dengan mempertimbangkan prediksi harga produk baru, dan analisis pengaruh fitur terhadap harga dapat membantu perusahaan memahami faktor-faktor kunci yang memengaruhi penentuan harga.
-
Penerapan Strategi Pemasaran:
- Dengan mengetahui fitur-fitur yang paling berpengaruh terhadap harga, perusahaan dapat merancang strategi pemasaran yang lebih efektif. Misalnya, fokus pada peningkatan spesifikasi tertentu yang memiliki dampak positif pada harga.
-
Keandalan dan Keterbatasan:
- Model ini dapat diandalkan untuk memberikan estimasi harga laptop dengan akurasi tinggi, terutama ketika digunakan untuk meramalkan harga pada rentang fitur yang dikenal oleh model.
- Namun, model mungkin kurang andal saat dihadapkan dengan situasi ekstrem atau variasi yang tidak diwakili oleh data pelatihan.
-
Pemahaman Risiko:
- Pengguna model harus memahami risiko potensial dan mempertimbangkan ketidakpastian dalam keputusan bisnis. Model ini dapat memberikan perkiraan harga, tetapi perubahan dalam kondisi pasar atau faktor eksternal dapat memengaruhi keakuratannya.
- Melalui implementasi model ini, pengambil keputusan dapat memanfaatkan prediksi harga untuk meningkatkan efisiensi operasional, merencanakan strategi pemasaran yang lebih baik, dan membuat keputusan bisnis yang lebih informasional. Namun, pengguna perlu memahami batasan dan ketidakpastian yang melekat dalam model ini untuk pengambilan keputusan yang lebih bijak.
Referensi dari penelitian pasar, tren teknologi terbaru, dan penelitian harga laptop dapat memberikan wawasan tambahan.
- Fondy, H. W., Fajar, M., & Musdar, I. A. (2019). IMPLEMENTASI TEORI SUPPORT VECTO R MACHINE UNTUK MEMPREDIKSI HARGA PENJUALAN LAPTOP ASUS. KHARISMA Tech, 14(2), 1-9. Retrieved from https://jurnal.kharisma.ac.id/kharismatech/article/view/238
- Syaiful, N. W., Nurmalitasari, N. (2023). Penerapan Regresi Linier Berganda Untuk Memprediksi Harga Laptop Dengan Menggunakan Software Python. Retrived from http://ojs.udb.ac.id/index.php/Senatib/article/view/3211