Upload files to "/"

README.md

@@ -0,0 +1,22 @@
+Innoval Bagus Wianda L (202310715192)
+Jidan sabilarrosyad(202310715018)
+Laode Faisal Dwi Nanda (202310715217)
+
+PRODUKSI MANGGA DI JAWA BARAT 2013 - 2018
+
+Mangga merupakan salah satu komoditas hortikultura unggulan Indonesia dengan permintaan pasar yang tinggi, baik untuk dikonsumsi segar maupun olahan. Jawa Barat sendiri dikenal sebagai salah satu sentra penting mangga nasional, sehingga pemantauan produksinya menjadi dasar perencanaan agribisnis dan kebijakan pemerintah.
+Dalam dataset terlihat beberapa kabupaten seperti Indramayu, Cirebon, Majalengka, Kuningan, dan Sumedang yang berulang kali muncul dengan volume produksi besar, menunjukkan peran mereka sebagai sentra mangga di Jawa Barat. Periode 2013–2018 memungkinkan analisis tren dan fluktuasi produksi antar tahun sehingga dapat dihubungkan dengan kondisi iklim, teknis budidaya, maupun kebijakan yang berlaku.
+
+ANALISA DATASET
+
+Pada dataset ini digunakan algoritma Regresi Linear sebagai metode pemodelan. Regresi linear merupakan salah satu algoritma supervised learning yang digunakan untuk memodelkan hubungan antara variabel bebas dan variabel terikat dalam bentuk persamaan garis lurus. Variabel bebas yang digunakan adalah tahun, sedangkan variabel terikat adalah jumlah produksi mangga di Jawa Barat. Algoritma ini bertujuan untuk mengetahui apakah terdapat hubungan linier antara waktu dan tingkat produksi mangga.
+
+EVALUASI MODEL
+
+Evaluasi performa model dilakukan menggunakan beberapa metrik, yaitu Mean Squared Error (MSE) dan R² Score (Coefficient of Determination). MSE digunakan untuk mengukur rata-rata kuadrat selisih antara nilai aktual dan nilai prediksi, sehingga memberikan gambaran besarnya kesalahan prediksi yang dihasilkan oleh model. Nilai MSE yang tinggi menunjukkan bahwa kesalahan prediksi masih cukup besar. Selain itu, R² Score digunakan untuk mengukur kemampuan model dalam menjelaskan variasi data.
+Proses evaluasi model belum menerapkan teknik cross validation. Evaluasi dilakukan menggunakan metode hold-out validation, yaitu dengan membagi data menjadi data latih dan data uji menggunakan teknik train-test split. Oleh karena itu, hasil evaluasi model masih bergantung pada satu pembagian data
+
+KESIMPULAN
+
+Berdasarkan hasil pemodelan dan evaluasi yang telah dilakukan, dapat disimpulkan bahwa algoritma regresi linear belum mampu memodelkan hubungan antara tahun dan jumlah produksi mangga di Jawa Barat secara optimal. Hal ini ditunjukkan oleh nilai R² yang bernilai negatif serta nilai Mean Squared Error (MSE) yang cukup besar, yang menandakan bahwa tingkat kesalahan prediksi model masih tinggi. Hasil visualisasi juga menunjukkan bahwa garis regresi tidak mengikuti pola sebaran data dengan baik, sehingga mengindikasikan terjadinya underfitting pada model.
+Meskipun koefisien regresi bernilai positif yang menunjukkan adanya kecenderungan peningkatan produksi mangga dari tahun ke tahun, hubungan tersebut tidak bersifat linier secara kuat. Hal ini mengindikasikan bahwa produksi mangga tidak hanya dipengaruhi oleh faktor waktu, tetapi juga oleh berbagai faktor lain di luar variabel tahun, seperti kondisi iklim, luas lahan, dan faktor teknis pertanian. Oleh karena itu, regresi linear masih dapat digunakan sebagai model dasar (baseline), namun diperlukan pengembangan model lebih lanjut dengan penambahan variabel atau penggunaan metode regresi yang lebih kompleks agar diperoleh hasil prediksi yang lebih akurat.