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 14:14:00 +07:00
parent cf450f94c7
commit a1d20385bd
1 changed files with 4 additions and 8 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

12
README.md
View File

@ -31,12 +31,15 @@ Algoritma yang digunakan:
1. Linear Regression
2. Random Forest Regression
Pada proyek ini dilakukan analisis menggunakan model **Linear Regression** dan **Random Forest Regression**.
Linear Regression berfungsi sebagai model dasar yang memberikan pemahaman mengenai kontribusi masing-masing variabel terhadap target secara langsung. Model ini mengasumsikan bahwa perubahan pada satu variabel fitur akan menyebabkan perubahan proporsional pada variabel output, sehingga cocok digunakan untuk mengidentifikasi hubungan struktural yang bersifat sederhana serta memberikan interpretasi koefisien yang jelas.
Random Forest Regression digunakan untuk meningkatkan akurasi prediktif dengan memanfaatkan kemampuan ensemble learning. Algoritma ini menggabungkan banyak pohon keputusan yang dibangun dari subset data dan fitur yang berbeda, sehingga menghasilkan prediksi yang lebih stabil dan tahan terhadap outlier. Pendekatan ini sangat bermanfaat ketika data memiliki pola interaksi antarvariabel yang tidak dapat dijelaskan secara linear
Random Forest Regression digunakan untuk meningkatkan akurasi prediktif dengan memanfaatkan kemampuan ensemble learning. Algoritma ini menggabungkan banyak pohon keputusan yang dibangun dari subset data dan fitur yang berbeda, sehingga menghasilkan prediksi yang lebih stabil dan tahan terhadap outlier. Pendekatan ini sangat bermanfaat ketika data memiliki pola interaksi antarvariabel yang datanya memiliki pola Non linear.
Dengan mengombinasikan kedua pendekatan tersebut, penelitian ini tidak hanya memperoleh model yang akurat, tetapi juga dapat memahami struktur dasar data secara lebih mendalam. Hasil analisis dari kedua algoritma memungkinkan peneliti untuk mengevaluasi mana model yang paling representatif terhadap kondisi nyata, serta memberikan dasar yang kuat untuk melakukan prediksi produksi beras di masa mendatang. Pendekatan ini juga memperkuat proses pengambilan keputusan berbasis data dalam perencanaan kebijakan pertanian dan pengelolaan ketahanan pangan nasional.
Regresi merupakan bagian dari supervised learning, di mana model mempelajari hubungan antara fitur dan output numerik dari data sebelumnya. Model regresi menghasilkan prediksi yang dapat digunakan untuk pengambilan keputusan dan perencanaan masa depan, terutama dalam konteks ketahanan pangan nasional.
## Alasan:
1. Target berupa nilai kontinu sehingga cocok untuk regresi.
2. Dapat memprediksi jumlah produksi beras di masa depan.
@ -44,13 +47,6 @@ Dengan mengombinasikan kedua pendekatan tersebut, penelitian ini tidak hanya mem
4. Model regresi dapat dievaluasi dengan metrik kuantitatif (R², MSE, RMSE).
5. Mendukung cross validation untuk mengukur konsistensi model.
Pada proyek ini dilakukan analisis menggunakan model **Linear Regression** dan **Random Forest Regression**.
Linear Regression digunakan untuk melihat hubungan secara linear, sedangkan Random Forest digunakan untuk menangkap pola yang lebih kompleks dan non-linear.
Regresi merupakan bagian dari supervised learning, di mana model mempelajari hubungan antara fitur dan output numerik dari data sebelumnya. Model regresi menghasilkan prediksi yang dapat digunakan untuk pengambilan keputusan dan perencanaan masa depan, terutama dalam konteks ketahanan pangan nasional.
Random Forest Regression bekerja dengan membangun banyak decision tree kemudian menggabungkannya untuk menghasilkan prediksi yang lebih stabil dan akurat. Model ini juga tahan terhadap outlier dan cocok ketika data memiliki pola tidak linear.
# 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.