From df9e0e1b0949170f08c0a3c576612337aeef002c Mon Sep 17 00:00:00 2001
From: 202310715145 SUMIH <202310715145@mhs.ubharajaya.ac.id>
Date: Thu, 22 Jan 2026 23:29:37 +0700
Subject: [PATCH] Update README.md

---
 README.md | 7 +++++--
 1 file changed, 5 insertions(+), 2 deletions(-)

diff --git a/README.md b/README.md
index 1e9c0a0..ca1270a 100644
--- a/README.md
+++ b/README.md
@@ -26,7 +26,7 @@ Atribut yang digunakan dalam dataset ini meliputi:
 
 Atribut input merepresentasikan kondisi kesehatan pasien, seperti jumlah kehamilan, kadar glukosa darah, tekanan darah, kadar insulin, indeks massa tubuh, serta faktor genetik. Sementara itu, atribut target (Outcome) menunjukkan kondisi pasien, yaitu terindikasi diabetes atau tidak.
 
-Pada tahap awal penelitian, dilakukan penyesuaian dataset dengan menghapus atribut yang tidak relevan. Selanjutnya, dataset melalui tahap preprocessing untuk memastikan data yang digunakan memiliki kualitas dan konsistensi yang baik sebelum digunakan dalam proses pemodelan.
+Pada tahap awal penelitian, dilakukan penyesuaian dataset dengan menghapus atribut yang tidak relevan. Selanjutnya, dilakukan tahap preprocessing pada dataset untuk memastikan data yang digunakan memiliki kualitas dan konsistensi yang baik sebelum digunakan dalam proses pemodelan.
 
 # Jenis Metode yang Digunakan
 Penelitian ini menggunakan pendekatan **klasifikasi**, yang bertujuan untuk
@@ -68,4 +68,7 @@ memberikan gambaran performa model yang lebih stabil.
 # Hasil dan Pembahasan
 Berdasarkan pengujian yang dilakukan, setiap algoritma klasifikasi menunjukkan kinerja yang berbeda dalam memprediksi penyakit diabetes. Evaluasi model dilakukan menggunakan confusion matrix serta metrik accuracy, precision, recall, dan F1-score.
 
-Hasil pengujian menunjukkan bahwa algoritma Naïve Bayes dan K-Nearest Neighbor (KNN) mampu melakukan klasifikasi dengan cukup baik, namun memiliki keterbatasan masing-masing, sedangkan algoritma Decision Tree dapat memberikan performa terbaik karena mampu membentuk aturan keputusan dari kombinasi atribut, sehingga menghasilkan klasifikasi yang lebih akurat dan stabil. Penerapan cross validation juga menunjukkan bahwa model memiliki performa yang konsisten, sehingga Decision Tree menjadi algoritma yang paling sesuai digunakan dalam penelitian ini.
\ No newline at end of file
+Hasil pengujian menunjukkan bahwa algoritma Naïve Bayes dan K-Nearest Neighbor (KNN) mampu melakukan klasifikasi dengan cukup baik, namun memiliki keterbatasan masing-masing, sedangkan algoritma Decision Tree dapat memberikan performa terbaik karena mampu membentuk aturan keputusan dari kombinasi atribut, sehingga menghasilkan klasifikasi yang lebih akurat dan stabil. Penerapan cross validation juga menunjukkan bahwa model memiliki performa yang konsisten, sehingga Decision Tree menjadi algoritma yang paling sesuai digunakan dalam penelitian ini.
+
+# Informasi Laporan
+Laporan penelitian beserta berkas pendukung lainnya diunggah dan disusun sesuai dengan ketentuan tugas yang diberikan oleh dosen pengampu mata kuliah Pembelajaran Mesin.
\ No newline at end of file