##EVALUASI:

Performa dari prediksi akan dievaluasi menggunakan metric weighted mean absolute error. Tiap baris dalam data test akan di-weighted menggunakan nilai pada kolom weight. Nilai weight ini dihitung berdasarkan akar atas jeda waktu dari perdagangan terakhir, nilai akar tersebut di scaled sehingga mean dari seluruh weight adalah 1.

Untuk menggunakan metric yang sama, silahkan gunakan metric mean absolute error yang disediakan library sklearn, namun sertakan kolom weight pada argument sample_weight metric tersebut.
```
mean_absolute_error(y_true, y_pred, sample_weight=test_df[‘weight’])
```

##SUBMISSION:

Data yang disubmit adalah data dalam format csv yang terdiri dari 2 kolom yakni ‘id’ dan ‘trade_price’. 
```
"id","trade_price"
762679,100
762680,100
```
Pada section data kompetisi ini, diberikan contoh file yang dapat digunakan untuk template format data submisi. Jika setelah mensubmit data ternyata Kaggle menghasilkan error, silahkan cek format data submisi. Kemungkinan terdapat perbedaan dengan contoh data submisi yang diberikan.

File contoh submisi juga akan diupload dan menjadi nilai benchmark performa prediksi. Prediksi pada contoh submisi adalah prediksi menggunakan linear regression dengan default hyperparameter dan preprocessing sederhana (input missing dengan angka 0)

## PRIZE

Nilai evaluasi performa akan dibagi menjadi 2 yakni public leaderboard dan private leaderboard. Public leaderboard berisi nilai performa prediksi atas 30% data test yang diuji. Sedangkan private leaderboard berisi nilai performa prediksi atas 70% data test. Public leaderboard akan selalu dapat diakses selama kompetisi, sedangkan private leaderboard akan terbuka setelah kompetisi ditutup.

Pemenang dan urutan peserta akan Tiap peserta dapat memilih 2 submisi hasil prediksi untuk dimasukan dan ditandingkan pada private leaderboard. Dari hasil leaderboard, 5 besar urutan pemenang akan diberikan souvernir dari pusdiklat KU.