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 14:04:14 +07:00
parent a568ac56d3
commit fe69b18d56
1 changed files with 3 additions and 3 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

4
README.md
View File

@ -50,13 +50,13 @@ Random Forest Regression bekerja dengan membangun banyak decision tree kemudian
# 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 dilakukan untuk membandingkan Linear Regression dan Random Forest Regression sehingga dapat ditentukan model mana yang memberikan performa terbaik.
Model dievaluasi menggunakan:
1. R² Score
2. Mean Squared Error (MSE)
3. Root Mean Squared Error (RMSE)
Evaluasi dilakukan untuk membandingkan Linear Regression dan Random Forest Regression sehingga dapat ditentukan model mana yang memberikan performa terbaik.
# 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.