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 14:19:51 +07:00
parent a1d20385bd
commit 0d77817935
1 changed files with 5 additions and 3 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

8
README.md
View File

@ -48,15 +48,17 @@ Regresi merupakan bagian dari supervised learning, di mana model mempelajari hub
5. Mendukung cross validation untuk mengukur konsistensi model. 5. Mendukung cross validation untuk mengukur konsistensi model.
# Evaluasi Model # Evaluasi Model
Evaluasi model dilakukan secara sistematis menggunakan metrik R² Score, Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE) guna mengukur kualitas prediksi secara kuantitatif. Hasil evaluasi tersebut memberikan dasar empiris untuk membandingkan kinerja kedua model dan menentukan pendekatan yang paling sesuai dengan karakteristik data. Evaluasi model dilakukan untuk memastikan bahwa algoritma yang digunakan mampu memberikan prediksi yang akurat dan sesuai dengan pola data produksi beras yang sebenarnya. Dalam penelitian ini digunakan tiga metrik utama, yaitu R² Score, MSE, dan RMSE, yang masing-masing memiliki fungsi berbeda dalam menilai kualitas prediksi dengan membandingkan Linear Regression dan Random Forest Regression sehingga dapat ditentukan model mana yang memberikan performa terbaik.
Evaluasi dilakukan untuk membandingkan Linear Regression dan Random Forest Regression sehingga dapat ditentukan model mana yang memberikan performa terbaik.
Model dievaluasi menggunakan: Model dievaluasi menggunakan:
1. R² Score 1. R² Score
2. Mean Squared Error (MSE) 2. Mean Squared Error (MSE)
3. Root Mean Squared Error (RMSE) 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.
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
Cross validation digunakan untuk menguji konsistensi model pada beberapa pembagian data. 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. 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.