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 15:46:45 +07:00
parent fa841c251f
commit 2017188fc1
1 changed files with 6 additions and 6 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

12
README.md
View File

@ -38,7 +38,7 @@ terhadap tingkat kemiskinan di Indonesia.
Algoritma yang paling cocok untuk dataset ini adalah **Klasifikasi**, Algoritma yang paling cocok untuk dataset ini adalah **Klasifikasi**,
karena variabel target berupa kategori tingkat kemiskinan. 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 3. Decision Tree
@ -74,23 +74,23 @@ Metrik yang digunakan:
4. F1-Score 4. F1-Score
Accuracy memberikan gambaran umum mengenai ketepatan model dalam Accuracy memberikan gambaran umum mengenai ketepatan model dalam
mengklasifikasikan data dengan benar.\ mengklasifikasikan data dengan benar.
Precision dan recall memberikan informasi mengenai seberapa baik model Precision dan recall memberikan informasi mengenai seberapa baik model
mengidentifikasi kelas positif tanpa banyak salah klasifikasi.\ mengidentifikasi kelas positif tanpa banyak salah klasifikasi.
F1-score merupakan metrik harmonisasi antara precision dan recall F1-score merupakan metrik harmonisasi antara precision dan recall
sehingga cocok digunakan pada dataset yang tidak seimbang. sehingga cocok digunakan pada dataset yang tidak seimbang.
# Cross Validation # Cross Validation
Cross validation, khususnya **K-Fold Cross Validation**, digunakan untuk Cross validation, khususnya **K-Fold Cross Validation**, digunakan untuk
menguji konsistensi model terhadap banyak skenario pembagian data.\ menguji konsistensi model terhadap banyak skenario pembagian data.
Metode ini memberikan gambaran yang lebih stabil mengenai performa model Metode ini memberikan gambaran yang lebih stabil mengenai performa model
daripada hanya sekali train-test split. daripada hanya sekali train-test split.
# Keuntungan Menggunakan Cross Validation # Keuntungan Menggunakan Cross Validation
1. Hasil evaluasi lebih stabil dan tidak tergantung pada satu kali pembagian data.\ 1. Hasil evaluasi lebih stabil dan tidak tergantung pada satu kali pembagian data.
2. Membantu mendeteksi overfitting.\ 2. Membantu mendeteksi overfitting.
3. Memberikan gambaran performa model yang lebih dapat digeneralisasikan. 3. Memberikan gambaran performa model yang lebih dapat digeneralisasikan.
# Kesimpulan # Kesimpulan