From cf450f94c7147f798dd481edc4fad5c7465ea2f9 Mon Sep 17 00:00:00 2001 From: 202310715254 RIZKY NOOR FAZILA <202310715254@mhs.ubharajaya.ac.id> Date: Fri, 21 Nov 2025 14:09:36 +0700 Subject: [PATCH] Update README.md --- README.md | 6 +++++- 1 file changed, 5 insertions(+), 1 deletion(-) diff --git a/README.md b/README.md index 02d648e..2e47749 100644 --- a/README.md +++ b/README.md @@ -31,7 +31,11 @@ Algoritma yang digunakan: 1. Linear Regression 2. Random Forest Regression -Dua algoritma ini digunakan untuk memodelkan pola hubungan antara variabel fitur dan total produksi beras. Linear Regression memberikan gambaran keterkaitan linear antarvariabel, sedangkan Random Forest Regression mampu menangkap hubungan yang lebih kompleks melalui ensemble banyak decision tree. Kombinasi kedua model tersebut memungkinkan analisis yang komprehensif, baik dari sisi interpretabilitas maupun akurasi prediksi. +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 + +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. ## Alasan: 1. Target berupa nilai kontinu sehingga cocok untuk regresi.