202310715168-RAHMAD-SYARIF/Project_Machine_Learning
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Update README.md/README.md

Browse Source
This commit is contained in:
202310715168 RAHMAD SYARIF 2025-11-23 23:36:06 +07:00
parent 8229cb4b74
commit 6848810b37
1 changed files with 8 additions and 12 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

20
README.md/README.md
View File

@ -8,19 +8,16 @@ Anggota Kelompok: \
# 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\
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/
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
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
@ -28,7 +25,8 @@ 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
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
@ -88,11 +86,9 @@ daripada hanya sekali train-test split.
# 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.\
3. Memberikan gambaran performa model yang lebih dapat
digeneralisasikan.
3. Memberikan gambaran performa model yang lebih dapat digeneralisasikan.
# Kesimpulan