From 184fe471d77cb292c351705667c1897bdedd58c4 Mon Sep 17 00:00:00 2001
From: 202310715132 REGISKA SARI PUTRI PRASETYO
 <202310715132@mhs.ubharajaya.ac.id>
Date: Fri, 9 Jan 2026 15:42:31 +0700
Subject: [PATCH] Update README.md

---
 README.md | 13 ++++++-------
 1 file changed, 6 insertions(+), 7 deletions(-)

diff --git a/README.md b/README.md
index 0391c73..4c0663f 100644
--- a/README.md
+++ b/README.md
@@ -40,6 +40,7 @@ karena variabel target berupa kategori tingkat kemiskinan.
 Algoritma yang digunakan: 
 1. Logistic Regression\
 2. Random Forest Classification
+3. Decision Tree
 
 **Logistic Regression** digunakan sebagai model dasar untuk memahami
 hubungan linier antara variabel fitur dan kelas target. Model ini
@@ -53,6 +54,8 @@ tahan terhadap noise dan overfitting. Model ini mampu menangkap
 interaksi kompleks antar variabel dan sering memberikan performa lebih
 stabil pada dataset kategori.
 
+**Decision Tree** digunakan untuk memodelkan proses pengambilan keputusan secara hierarkis berdasarkan aturan if-then yang mudah dipahami. algoritma ini bekerja dengan membagi data ke dalam beberapa cabang berdasarkan atribut yang paling berpengaruh terhadap variabel target, sehingga menghasilkan struktur pohon keputusan yang merepresentasikan pada pola klasifikasi tingkat.
+
 Dengan mengombinasikan kedua pendekatan tersebut, penelitian ini mampu
 melakukan analisis komprehensif untuk menentukan model mana yang paling
 representatif terhadap pola tingkat kemiskinan di Indonesia. Model
@@ -93,11 +96,7 @@ daripada hanya sekali train-test split.
 # Kesimpulan
 
 Secara keseluruhan, analisis ini menunjukkan bahwa metode klasifikasi,
-khususnya Random Forest Classification, mampu memberikan hasil yang
-lebih akurat dan stabil dalam mengklasifikasikan tingkat kemiskinan di
-Indonesia.\
-Model yang dihasilkan dapat menjadi tools pendukung kebijakan dalam
-mengidentifikasi wilayah prioritas, memonitor perkembangan sosial, dan
-merencanakan strategi penanggulangan kemiskinan yang lebih tepat
-sasaran.
+**Logistic Regression cocok** digunakan untuk analisis awal dan interpretasi hubungan variabel, **Decision Tree** unggul dalam transparansi dan pemahaman aturan klasifikasi, sedangkan **Random Forest** memberikan performa prediksi terbaik dan lebih stabil pada dataset dengan pola non-linear dan kompleks.
+
+