import pandas as pd
import numpy as np

# Fungsi untuk menghitung koefisien Regresi Linier secara manual
def linear_regression(X_train, y_train):
    # Menambahkan kolom satu untuk intercept
    X_train = np.column_stack((np.ones(len(X_train)), X_train))
    # Menghitung koefisien menggunakan rumus normal equation
    coef = np.linalg.inv(X_train.T @ X_train) @ X_train.T @ y_train
    return coef

# Fungsi untuk melakukan prediksi
def predict(X_test, coef):
    # Menambahkan kolom satu untuk intercept
    X_test = np.column_stack((np.ones(len(X_test)), X_test))
    # Menghitung prediksi menggunakan koefisien yang telah dihitung
    y_pred = X_test @ coef
    return y_pred

# Data fiktif yang berhubungan dengan pajak
data = {
    'Income': [50000, 60000, 55000, 70000, 65000],  # Pendapatan
    'Expenses': [20000, 25000, 23000, 28000, 26000],  # Pengeluaran
    'Tax Rate': [0.15, 0.15, 0.15, 0.20, 0.20],  # Tarif Pajak
    'Tax Amount': [4500, 5400, 4950, 14000, 13000],  # Jumlah Pajak
}

# Konversi ke DataFrame
df = pd.DataFrame(data)

# Membagi data menjadi fitur dan target
X = df.drop(columns=['Tax Amount'])
y = df['Tax Amount']

# Proporsi data latih dan data uji
train_size = 0.8
test_size = 1 - train_size
split_index = int(len(X) * train_size)

# Membagi data menjadi data latih dan data uji secara manual
X_train, X_test = X[:split_index], X[split_index:]
y_train, y_test = y[:split_index], y[split_index:]

# Menghitung koefisien Regresi Linier
coef = linear_regression(X_train, y_train)

# Prediksi jumlah pajak untuk data uji
y_pred = predict(X_test, coef)

# Output prediksi jumlah pajak untuk data uji
print("Prediksi jumlah pajak untuk data uji:")
print(y_pred)

# Misalnya, dapat menghitung rata-rata error kuadrat untuk mengevaluasi model
mse = np.mean((y_pred - y_test) ** 2)
print("Mean Squared Error:", mse)