202310715132-REGISKA-SARI-PUTRI-PRASETYO/Project_Machine_Learning_Kelompok_3
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Update README.md

Browse Source
This commit is contained in:
202310715132 REGISKA SARI PUTRI PRASETYO 2026-01-09 15:42:31 +07:00
parent 0948a00ff9
commit 184fe471d7
1 changed files with 6 additions and 7 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

13
README.md
View File

@ -40,6 +40,7 @@ karena variabel target berupa kategori tingkat kemiskinan.
Algoritma yang digunakan: Algoritma yang digunakan:
1. Logistic Regression\ 1. Logistic Regression\
2. Random Forest Classification 2. Random Forest Classification
3. Decision Tree
**Logistic Regression** digunakan sebagai model dasar untuk memahami **Logistic Regression** digunakan sebagai model dasar untuk memahami
hubungan linier antara variabel fitur dan kelas target. Model ini 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 interaksi kompleks antar variabel dan sering memberikan performa lebih
stabil pada dataset kategori. 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 Dengan mengombinasikan kedua pendekatan tersebut, penelitian ini mampu
melakukan analisis komprehensif untuk menentukan model mana yang paling melakukan analisis komprehensif untuk menentukan model mana yang paling
representatif terhadap pola tingkat kemiskinan di Indonesia. Model representatif terhadap pola tingkat kemiskinan di Indonesia. Model
@ -93,11 +96,7 @@ daripada hanya sekali train-test split.
# Kesimpulan # Kesimpulan
Secara keseluruhan, analisis ini menunjukkan bahwa metode klasifikasi, Secara keseluruhan, analisis ini menunjukkan bahwa metode klasifikasi,
khususnya Random Forest Classification, mampu memberikan hasil yang **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.
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.