diff --git a/README.md/README.md b/README.md/README.md
deleted file mode 100644
index 8a4f29c..0000000
--- a/README.md/README.md
+++ /dev/null
@@ -1,103 +0,0 @@
-# Proyek Machine Learning
-
-Anggota Kelompok: \
-1. Eva Yusfika Hidayah (20231075012)
-2. Rahmad Syarif (202310715168) 
-3. Regiska Sari Putri Prasetyo (202310715132)
-
-# Ketentuan Tugas
-
-1.  Mencari dataset yang terdapat pada website https://www.kaggle.com/\
-2.  Tentukan algoritma (klasifikasi, regresi, atau klastering) yang paling cocok untuk data tersebut\
-3.  Lakukan evaluasi model pada data yang sudah ada\
-4.  Lakukan juga cross validation untuk memastikan bahwa hasil prediksi model tidak jauh berbeda dari pola asli dalam data\
-5.  Lakukan push atau penyimpanan laporan pada website https://git.lab.ubharajaya.ac.id/
-
-# Klasifikasi Tingkat Kemiskinan di Indonesia
-
-Sumber dataset: https://www.kaggle.com/
-
-Tingkat kemiskinan di Indonesia merupakan salah satu indikator penting
-dalam menentukan keberhasilan pembangunan sosial dan ekonomi. Data
-kemiskinan memberikan gambaran mengenai kondisi kesejahteraan masyarakat
-di berbagai wilayah, termasuk faktor-faktor yang mempengaruhi meningkat
-atau menurunnya angka kemiskinan. Analisis berbasis data diperlukan
-untuk memahami pola kemiskinan, mengidentifikasi wilayah rentan, dan
-mendukung pemerintah dalam merumuskan kebijakan pengentasan kemiskinan
-yang lebih tepat sasaran.
-    
-Dengan melakukan klasifikasi tingkat kemiskinan menggunakan metode
-machine learning, kita dapat memprediksi kategori kemiskinan suatu
-daerah berdasarkan variabel-variabel yang tersedia dalam dataset.
-Pendekatan ini dapat membantu dalam mengambil keputusan yang lebih
-berbasis data, serta mengidentifikasi faktor utama yang berpengaruh
-terhadap tingkat kemiskinan di Indonesia.
-
-# Analisis Dataset: Classification
-
-Algoritma yang paling cocok untuk dataset ini adalah **Klasifikasi**,
-karena variabel target berupa kategori tingkat kemiskinan.
-Algoritma yang digunakan: 
-1. Logistic Regression\
-2. Random Forest Classification
-
-**Logistic Regression** digunakan sebagai model dasar untuk memahami
-hubungan linier antara variabel fitur dan kelas target. Model ini
-sederhana, mudah diinterpretasikan, dan menjadi baseline yang baik untuk
-membandingkan kinerja model lain.
-
-**Random Forest Classification** digunakan untuk meningkatkan akurasi
-prediksi, terutama ketika data memiliki pola non-linear. Random Forest
-memanfaatkan banyak pohon keputusan (ensemble learning) sehingga lebih
-tahan terhadap noise dan overfitting. Model ini mampu menangkap
-interaksi kompleks antar variabel dan sering memberikan performa lebih
-stabil pada dataset kategori.
-
-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
-klasifikasi ini juga dapat digunakan dalam perencanaan kebijakan sosial
-serta monitoring perkembangan kesejahteraan masyarakat.
-
-# Evaluasi Model
-
-Evaluasi model dilakukan untuk memastikan bahwa algoritma mampu
-melakukan klasifikasi dengan akurat.\
-Metrik yang digunakan:
-
-1.  Accuracy\
-2.  Precision\
-3.  Recall\
-4.  F1-Score
-
-Accuracy memberikan gambaran umum mengenai ketepatan model dalam
-mengklasifikasikan data dengan benar.\
-Precision dan recall memberikan informasi mengenai seberapa baik model
-mengidentifikasi kelas positif tanpa banyak salah klasifikasi.\
-F1-score merupakan metrik harmonisasi antara precision dan recall
-sehingga cocok digunakan pada dataset yang tidak seimbang.
-
-# Cross Validation
-
-Cross validation, khususnya **K-Fold Cross Validation**, digunakan untuk
-menguji konsistensi model terhadap banyak skenario pembagian data.\
-Metode ini memberikan gambaran yang lebih stabil mengenai performa model
-daripada hanya sekali train-test split.
-
-# Keuntungan Menggunakan Cross Validation
-
-1.  Hasil evaluasi lebih stabil dan tidak tergantung pada satu kali pembagian data.\
-2.  Membantu mendeteksi overfitting.\
-3.  Memberikan gambaran performa model yang lebih dapat digeneralisasikan.
-
-# 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.
-