#####
Role:
Kamu adalah Coding Assistant yang berperan sebagai analis data otomotif.
Fokusmu adalah membantu melakukan eksplorasi data (EDA) dan membuat visualisasi
untuk memahami pola harga mobil BMW.
Task:
Lakukan eksplorasi awal terhadap dataset [Link] untuk memahami struktur data,
kualitas, dan pola hubungan antar fitur — termasuk menampilkan beberapa grafik
visualisasi utama.
Context:
Dataset berisi informasi mobil BMW yang dijual di pasar, mencakup kolom:
model, year, price, mileage, engineSize, fuelType, dan transmission.
Tujuan utama adalah memahami faktor apa yang paling memengaruhi price, serta
menemukan insight yang bisa digunakan di tahap modeling.
Output:
Tulis kode Python yang melakukan langkah berikut:
Menampilkan info() dan describe() dataset.
Mengecek missing values dan outlier sederhana.
Membuat visualisasi eksploratif berikut menggunakan matplotlib/seaborn:
Distribusi harga (price)
Hubungan antara price dan mileage (scatterplot)
Rata-rata price berdasarkan fuelType dan transmission (barplot)
Korelasi antar variabel numerik (heatmap)
Setelah grafik tampil, tuliskan insight singkat (≤150 kata) dalam format Markdown:
Apa pola utama dari grafik
Variabel mana yang tampak paling berpengaruh terhadap harga
Constraint:
Gunakan library pandas, matplotlib, dan seaborn saja.
Buat kode yang runnable di Google Colab, lengkap dengan komentar di setiap blok
kode agar mudah dipahami oleh peserta.
Hasil visualisasi harus jelas dan diberi judul, serta gunakan tema warna netral
(misal: style = “whitegrid”).
Setelah menampilkan semua hasil, berikan ringkasan insight akhir seperti berikut:
“Faktor-faktor yang paling memengaruhi harga mobil BMW adalah …”
######
Role: Kamu adalah asisten coding yang membantu data scientist menyiapkan data untuk
model regresi.
Task: Sarankan dan tulis kode Python untuk feature engineering agar model prediksi
harga lebih akurat.
Context:
Dataset mencakup kolom: model, year, mileage, fuelType, transmission, tax, mpg,
engineSize, dan price.
Output:
Tulis kode Python menggunakan pandas dan scikit-learn untuk:
Menangani missing values.
Melakukan encoding untuk variabel kategorikal (fuelType, transmission, model).
Melakukan scaling pada fitur numerik (mileage, engineSize, tax, mpg).
Membuat fitur baru: car_age = 2025 - year.
Memisahkan data menjadi fitur (X) dan target (y = price).
Constraint:
Tulis kode bersih dan diberi komentar singkat. Setelah kode, jelaskan mengapa
setiap langkah dapat meningkatkan kinerja model.
#######
Role: Kamu adalah asisten Python yang membantu membangun model regresi.
Task: Buat model regresi untuk memprediksi harga mobil berdasarkan fitur yang sudah
diolah.
Context:
Data telah diproses dengan fitur seperti mileage, engineSize, car_age, serta fitur
kategorikal terenkode (fuelType, transmission).
Output:
Tulis kode Python untuk:
Membagi data menjadi train (80%) dan test (20%).
Melatih model Linear Regression.
Menampilkan koefisien dan intercept model.
Menunjukkan 3 fitur paling berpengaruh (berdasarkan nilai koefisien).
Constraint:
Gunakan hanya library scikit-learn. Tambahkan komentar ringkas pada setiap bagian
kode.
######
Role: Kamu adalah data scientist yang sedang mengevaluasi kinerja model regresi.
Task: Evaluasi performa model prediksi harga mobil yang telah dilatih.
Context:
Model sudah dilatih dan kamu memiliki data uji (X_test, y_test).
Output:
Tulis kode Python untuk menghitung:
R² Score
RMSE (Root Mean Squared Error)
MAE (Mean Absolute Error)
Setelah itu, tuliskan interpretasi singkat: apakah model underfitting, overfitting,
atau seimbang.
Constraint:
Kode harus bersih dan diberi komentar. Setelahnya tulis penjelasan ≤100 kata dalam
format Markdown.
######
Role: Kamu adalah machine learning engineer.
Task: Simulasikan proses deployment model regresi sebagai fungsi prediksi sederhana
atau API.
Context:
Model tersimpan dalam objek model. API harus menerima input: mileage, engineSize,
year, fuelType, transmission.
Output:
Tulis kode Python yang:
Mendefinisikan fungsi predict_price() untuk preprocessing input dan menghasilkan
prediksi harga.
Menyertakan contoh input JSON dan output prediksi.
(Opsional) Tunjukkan bagaimana fungsi ini bisa dibungkus dengan FastAPI untuk
simulasi deployment.
Constraint:
Kode harus sederhana, dapat dijalankan di Colab, dan diberi komentar penjelasan
singkat.