PANDUAN APLIKASI
Dokumentasi Penggunaan Aplikasi
Panduan menjalankan dan memakai fitur-fitur dashboard
Cara menjalankan aplikasi
pip install -r requirements.txt
uvicorn app.main:app --reloadJalankan dari folder root proyek. Buka http://127.0.0.1:8000 di browser.
Panduan navigasi (sidebar kiri)
| Halaman | Fungsi |
|---|---|
| Halaman Utama | Ringkasan agregat dataset dan tujuan aplikasi |
| Tampilan Dataset | Melihat contoh data, statistik deskriptif, dan kualitas data |
| Visualisasi | Eksplorasi interaktif pola harga berdasarkan tipe, kondisi, lokasi, dan luas |
| Prediksi Harga | Prediksi manual (form) atau batch (upload CSV) |
| Evaluasi Model | Metrik performa dan grafik aktual vs prediksi tiap model |
| Insight | Temuan utama dari analisis data dan model |
| Rekomendasi | Saran keputusan untuk bisnis, pengguna, dan pengembangan lanjutan |
Cara menggunakan fitur prediksi manual
- Buka halaman Prediksi Harga, tab Input Manual.
- Isi seluruh kolom sesuai karakteristik properti yang ingin diestimasi harganya.
- Klik tombol Prediksi Harga.
- Hasil estimasi beserta rentang wajar (± MAE model) akan ditampilkan.
Cara menggunakan fitur prediksi batch (upload CSV)
- Buka halaman Prediksi Harga, tab Upload CSV (Batch).
- (Opsional) Klik Download Template CSV untuk melihat format kolom yang dibutuhkan.
- Upload file CSV berisi banyak properti sekaligus.
- Aplikasi otomatis memvalidasi & membersihkan data yang kosong/tidak valid (lihat pesan peringatan jika ada), lalu menampilkan hasil prediksi untuk semua baris.
- Klik Download Hasil Prediksi (CSV) untuk menyimpan hasilnya.
Catatan teknis
- Model dan metrik dimuat dari folder
models/(file.pkl,.csv,.json) yang dihasilkan olehsrc/train_model.py— aplikasi tidak melakukan training ulang setiap kali dijalankan, sehingga tetap responsif. - Missing value pada fitur diisi otomatis oleh KNN Imputer di dalam pipeline (bukan dihapus barisnya), termasuk untuk data baru yang diunggah lewat fitur batch.
- Untuk melatih ulang model (mis. setelah data diperbarui), jalankan:
cd src python train_model.py