202310715254-RIZKY-NOOR-FAZILA/Proyek_Machine_Learning_F5A2
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Update README.md

Browse Source
This commit is contained in:
202310715254 RIZKY NOOR FAZILA 2025-11-21 14:24:55 +07:00
parent 0d77817935
commit 9cb0754eb7
1 changed files with 7 additions and 2 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

9
README.md
View File

@ -55,13 +55,18 @@ Model dievaluasi menggunakan:
2. Mean Squared Error (MSE)
3. Root Mean Squared Error (RMSE)
R² Score digunakan untuk mengukur sejauh mana model dapat menjelaskan variasi data. Nilai R² yang semakin mendekati 1 menunjukkan bahwa model mampu menjelaskan sebagian besar pola pada data, sehingga baik digunakan untuk menilai kesesuaian model secara keseluruhan.
R² Score digunakan untuk mengukur sejauh mana model dapat menjelaskan variasi data. Nilai R² yang semakin mendekati 1 menunjukkan bahwa model mampu menjelaskan sebagian besar pola pada data, sehingga baik digunakan untuk menilai kesesuaian model secara keseluruhan.
Mean Squared Error (MSE) dan Root Mean Squared Error (RMSE) digunakan untuk mengukur besarnya kesalahan prediksi. MSE memberikan gambaran rata-rata kesalahan kuadrat, sedangkan RMSE merupakan akar dari MSE dan lebih mudah diinterpretasikan karena berada pada satuan yang sama dengan data asli. Nilai MSE dan RMSE yang lebih kecil menandakan bahwa model memiliki tingkat error prediksi yang rendah.
Mean Squared Error (MSE) dan Root Mean Squared Error (RMSE) digunakan untuk mengukur besarnya kesalahan prediksi. MSE memberikan gambaran rata-rata kesalahan kuadrat, sedangkan RMSE merupakan akar dari MSE dan lebih mudah diinterpretasikan karena berada pada satuan yang sama dengan data asli. Nilai MSE dan RMSE yang lebih kecil menandakan bahwa model memiliki tingkat error prediksi yang rendah.
# Cross Validation
Cross validation digunakan untuk menguji konsistensi model pada beberapa pembagian data.
Metode yang digunakan adalah **K-Fold Cross Validation**, sehingga performa model tidak hanya bergantung pada satu kali train-test split dan hasil evaluasi menjadi lebih akurat.Penerapan juga memberikan jaminan bahwa kinerja model tidak hanya berlaku pada satu subset data tertentu, melainkan konsisten pada berbagai skenario pembagian data. Metode ini penting untuk mengurangi risiko overfitting serta memastikan model memiliki kemampuan generalisasi yang baik.
# keuntungan menggunakan Cross Validation
1. model dievaluasi pada banyak kombinasi data sehingga hasilnya lebih stabil dan tidak bergantung pada satu kali train-test split.
2. metode ini membantu mengidentifikasi apakah model mengalami overfittingatau kondisi model bekerja sangat baik pada data pelatihan tetapi buruk pada data pengujian.
3. Cross validation memastikan bahwa performa model dapat digeneralisasikan ke data baru yang belum pernah dilihat sebelumnya.
# Kesimpulan
Secara keseluruhan, analisis ini menegaskan bahwa metode regresi, khususnya Random Forest Regression, memberikan hasil yang lebih stabil dalam menangkap variasi antarprovinsi. Model yang dibangun berpotensi menjadi alat pendukung keputusan dalam perencanaan distribusi sumber daya pertanian dan evaluasi kebijakan peningkatan produktivitas padi dalam menjaga ketahanan pangan nasional, terutama dalam menghadapi dinamika produksi pangan di masa mendatang.