Scene 1

HOUSE PRICE PREDICTION IN SELANGOR USING MACHINE LEARNING ALGORITHMS

Scene 2

INTRODUCTION LITERATURE REVIEW MATERIAL AND METHOD RESULTS AND DISCUSSION CONCLUSIONS REFERENCES

Scene 3

Data  Data Analysis Prediction Data pattern

Learning methods that are based on input from humans and data are trained using specific algorithms to generate learning models. The machine will use the model to learn about the newly entered data.

Scene 4

UNSUPERVISED ML SUPERVISED ML REINFORCEMNET LEARNING CLASSIFICATIONS REGRESSION DIMENSIONAL REDUCTION CLUSTERING GAME                        FINANCE MANUFACTURING         ROBOTICS

Scene 5

A picture containing clipart

Description automatically generated

Home is a human need,  it is not  only as a basic need but as an  investment (  Husain et al. 2011). House prices are rising and  causing  inflation  that reflects to the rising of  living  standards (  Ong & Chang 2013 ). Home price forecasts are very important especially to buyers in high density areas to plan and make wise decisions

Scene 6

1 Tiada   kajian   ramalan   harga   rumah  di Selangor  pernah   dibuat   bagi   menentukan   ciri-ciri  yang  mempengaruhi   ramalan   harga   rumah .

2 Model  ramalan   harga   rumah   dengan   menggunakan   algoritma   pembelajaran   mesin  yang  berbeza     bagi   menghasilkan  model  ramalan  yang  mempunyai   ketepatan  yang  tinggi .

Scene 7

Membangunkan  dan  membuat   perbandingan   tiga  (3) model  ramalan   harga   rumah  di Selangor  dengan   menggunakan   kaedah   pembelajaran   mesin

Mengenal   pasti   ciri-ciri   penting  yang  mempengaruhi   harga   sesebuah   rumah  di Selangor

Mengenal   pasti  model  ramalan   harga   rumah  yang  terbaik

Scene 8

1 Apakah ciri yang mempengaruhi model ramalan harga rumah di Selangor?

2 Apakah algoritma pembelajaran mesin yang sesuai untuk menghasilkan nilai prestasi regresi terbaik bagi model ramalan harga rumah?

Scene 9

Menggunakan  data-data  dari  JPPH dan  seterusnya   berpandukan   ciri-ciri   pengelasan   rumah   bagi   tujuan   ramalan

Pembangunan model  menggunakan   tiga   algoritma   pembelajaran   mesin

Model  terbaik   dipilih   berdasarkan   prestasi  model

Scene 10

DATA RESOURCES :  NATIONAL PROPERTY INFORMATION CENTRE

STRUCTURED  DATA TERRACE RESIDENTIAL CATEGORY DOES NOT EXCEED 3  FLOORS

RESIDENCE DATA IN SELANGOR       (4  DISTRICTS) YEAR  2015 –  JUNE  2020

Scene 11

Penulis Model  Perbandingan Kajian Rumusan Sifei  Lu et al. (2017)   Lasso dan GBDT   Ramalan   harga   rumah   berdasarkan   ciri-ciri   rumah  dan  lokasi .   GBDT  menghasilkan   keupayaan  model yang  lebih   baik   berbanding  Lasso.  Kualiti  data  penting   dalam   menghasilkan  model yang  baik .   Neelam et al  (2018) Lasso, SVR dan DT   Ramalan   harga   rumah  di India  guna   pembelajaran   mesin .   Model DT paling  baik   dari   segi   keupayaan  dan  ketepatan   Winky  et al. (2020)   SVM, RF dan GBDT   Ramalan   harga   rumah  di Hong Kong   RF dan GBDT  lebih   tepat   dalam   ramalan   harga   rumah   dengan   nilai   ralat  MSE yang  kecil .   Nissan Pow, Emil  Janulewics  & Liu (2015)   SVR, k-NN dan RF   Menentukan   ramalan   harga   hartanah  di  Kanada    k-NN dan RF  menunjukkan   prestasi  yang  sangat   baik   berbanding   regresi  linear. k-NN  adalah  model paling  baik   dengan   kadar   ralat   kuasa   dua  paling  rendah .   Thuraiya , Suraya & Noraini (2019)   RF, PK, Ridge,  Regresi  Linear, Lasso   Mengkaji   keperluan   pemilihan   ciri   boleh   meningkatkan   ketepatan  model  di PJ RF  adalah   algoritma  yang paling  baik   dengan  RMSE paling  rendah .

Scene 12

DATA PURIFICATION PHASE INPUT PHASE MODELING PHASE Identify the problem   Determining the scope, objectives and importance of the study Raw data          Pre-processing Model development Model testing     Literature review   Descriptive analysis of data Model evaluation

Scene 13

MODEL TEST RF Cross validation  (10  folds)   Split percentage   (  75% - 25% ) GB Cross validation  (10  folds) Split percentage  (  75% - 25% ) k-NN Cross validation  (10  folds) Split percentage  (  75% - 25% )

Scene 14

2015 2016 2017 2018 2019 2020 13733 12426 12768 13481 10895 1296

Scene 15

ESSENTIAL ATTRIBUTES DATA  TYPES daerah1 	                      nominal jenis_pegangan 		                     nominal pro_type 	                     n ominal b_tingkat nominal              luas_lot_bgn 	 numeric luas_lot numeric harga_b numeric keadaan_bgn nominal thn_perjanjian numeric

Scene 16

ATTRIBUTES CORRELATION  MATRIX LEVEL OF RELATIONSHIP b_tingkat 	                    0.34 Quite strong luas_lot 		                  0.16 Moderate luas_lot_bgn 	                   0.16 Moderate thn_perjanjian         - 0 No correlation

Level of Attributes Relationship with Home Price Attribute

Scene 17

Chart

Description automatically generated

Chart, box and whisker chart

Description automatically generated

Comparison Box Plot of RF, GBDT and k-NN Algorithms

Heat Map of Correlation Matrix Between Numerical Attributes and House Prices

Scene 18

Chart, scatter chart

Description automatically generated

Graph of Forecast Value and Actual Value  for House  Price  Prediction

MODEL  MSE RF 0.00017549 GBDT 0.00020321 k-NN 0.00022385

*  Cross validation and tuning parameter method

Scene 19

MODEL RF GBDT k-NN RF - 0.0000   0.0000 GBDT 0.0000 - 0.0000 k-NN 0.0000 0.0000 -

T-Test test results  shows  : ?    RF  and   GBDT  are   statistically significant ?    RF  and   k-NN  are statistically significant ?    GBDT  and   k-NN  are statistically significant

Scene 20

Develop and compare three (3) house price prediction models in Selangor using machine learning  method Random Forest   (RF),  Gradient Boost Decision Tree   (GBDT)  and  k-Nearest Neighbours  (k-NN).

Identify important features that influence the price of a house in Selangor 3 important features are  :         bilangan   tingkat          luas  lot         luas  lot  bangunan

Identify the best home price forecast  model Random  Forest (RF)  model  is the best predictive model with  the  MSE value of 0.00017549

Scene 21

Perancangan   untuk   memiliki   hartanah   atau   kediaman   dapat   dibuat   dengan   mengetahui   julat   harga  pada masa  akan   datang   Membantu kerajaan untuk memantau dan mengawal harga rumah di sesuatu kawasan   Maklumat  kepada   pelbagai   pihak  yang  terlibat   secara   langsung   dalam   urusan   hartanah . Merupakan   ilmu   teori  yang  boleh   digunakan   dalam   practical knowledge

Mendapatkan lebih banyak parameter atau atribut lain dari pihak JPPH   Parameter imej rumah di mana ia lebih mempengaruhi prestasi model.

HOUSE PRICE PREDICTION IN SELANGOR USING MACHINE LEARNING ALGORITHMS

Page 1 (0s)

Page 2 (9s)

Page 3 (18s)

Page 4 (34s)

Page 5 (44s)

Page 6 (1m 4s)

Page 7 (1m 18s)

Page 8 (1m 34s)

Page 9 (1m 46s)

Page 10 (2m 0s)

Page 11 (2m 16s)

Page 12 (2m 59s)

Page 13 (3m 12s)

Page 14 (3m 26s)

Page 15 (3m 36s)

Page 16 (3m 50s)

Page 17 (4m 3s)

Page 18 (4m 17s)

Page 19 (4m 33s)

Page 20 (4m 53s)

Page 21 (5m 18s)

Page 22 (5m 43s)