BAB I PENDAHULUAN

1.1 Latar Belakang

Perkembangan teknologi informasi mendorong pemanfaatan machine learning untuk menganalisis data dan menghasilkan prediksi. Salah satu metode yang dapat digunakan adalah Random Forest. Metode ini termasuk ensemble learning yang menggabungkan banyak pohon keputusan (decision trees) untuk menghasilkan prediksi yang lebih stabil. Pada permasalahan regresi, hasil prediksi akhir diperoleh dari rata-rata prediksi seluruh pohon yang dibentuk.

Kinerja Random Forest Regression dipengaruhi oleh beberapa parameter, di antaranya mtry dan num.trees. Parameter mtry menunjukkan jumlah variabel prediktor yang dipertimbangkan secara acak pada setiap pemisahan simpul, sedangkan num.trees menunjukkan jumlah pohon yang dibangun. Perbedaan nilai parameter dapat menghasilkan kemampuan prediksi yang berbeda. Oleh karena itu, pengujian beberapa kombinasi parameter diperlukan untuk mengetahui konfigurasi model yang memberikan hasil terbaik.

Pada praktikum ini dilakukan penerapan Random Forest Regression menggunakan dataset Friedman. Model dibentuk dengan membandingkan nilai mtry sebesar 2, 3, dan 5 serta num.trees sebesar 200, 500, dan 1000. Evaluasi dilakukan pada data testing menggunakan MSE, RMSE, MAE, dan R². Selain itu, dilakukan pemeriksaan residual plot, analisis variable importance, serta pengamatan nilai Out-of-Bag (OOB) MSE sebagai evaluasi internal model.

1.2 Rumusan Masalah

Bagaimana penerapan metode Random Forest Regression pada dataset Friedman menggunakan bahasa pemrograman R?
Bagaimana perbandingan kinerja model Random Forest Regression berdasarkan variasi nilai mtry sebesar 2, 3, dan 5 serta num.trees sebesar 200, 500, dan 1000?
Konfigurasi model manakah yang menghasilkan kinerja prediksi terbaik berdasarkan MSE, RMSE, MAE, R², residual plot, variable importance, dan OOB MSE?

1.3 Tujuan Praktikum

Menerapkan metode Random Forest Regression pada dataset Friedman menggunakan bahasa pemrograman R.
Menganalisis perbandingan kinerja model berdasarkan variasi nilai mtry sebesar 2, 3, dan 5 serta num.trees sebesar 200, 500, dan 1000.
Menentukan konfigurasi model terbaik berdasarkan MSE, RMSE, MAE, R², residual plot, variable importance, dan OOB MSE.

BAB II TINJAUAN PUSTAKA

2.1 Random Forest Regression

Random Forest Regression merupakan metode ensemble learning yang menggabungkan sejumlah pohon keputusan untuk memprediksi nilai numerik. Setiap pohon dibangun menggunakan sampel bootstrap dari data pelatihan dan mempertimbangkan sebagian variabel prediktor secara acak pada setiap pemisahan. Hasil prediksi regresi diperoleh dengan menghitung rata-rata prediksi dari seluruh pohon yang terbentuk. Penggabungan banyak pohon tersebut dapat membantu menghasilkan prediksi yang lebih stabil dibandingkan penggunaan satu pohon keputusan.

2.2 Parameter mtry dan num.trees

Parameter mtry merupakan jumlah variabel prediktor yang dipilih secara acak sebagai kandidat pada setiap pemisahan simpul. Sementara itu, num.trees merupakan jumlah pohon keputusan yang dibangun dalam model. Perubahan nilai kedua parameter tersebut dapat memengaruhi pola pembelajaran dan hasil prediksi. Pada praktikum ini digunakan tiga nilai mtry, yaitu 2, 3, dan 5, serta tiga nilai num.trees, yaitu 200, 500, dan 1000, sehingga diperoleh sembilan kombinasi model.

2.3 Evaluasi Model Regresi

Evaluasi model regresi dilakukan dengan membandingkan nilai aktual dan nilai prediksi. Ukuran evaluasi yang digunakan meliputi:

Mean Squared Error (MSE), yaitu rata-rata kuadrat selisih antara nilai aktual dan prediksi. Nilai MSE yang lebih kecil menunjukkan kesalahan prediksi yang lebih rendah.
Root Mean Squared Error (RMSE), yaitu akar kuadrat dari MSE. Nilai RMSE memiliki satuan yang sama dengan variabel respons.
Mean Absolute Error (MAE), yaitu rata-rata nilai absolut selisih antara nilai aktual dan prediksi.
Koefisien Determinasi (R²), yaitu ukuran proporsi variasi nilai aktual yang dapat dijelaskan oleh model. Nilai R² yang lebih tinggi menunjukkan kemampuan penjelasan model yang lebih baik.

2.4 Out-of-Bag (OOB) MSE

Out-of-Bag (OOB) merupakan evaluasi internal pada Random Forest yang memanfaatkan observasi data pelatihan yang tidak terambil dalam sampel bootstrap untuk membangun pohon tertentu. Pada model regresi, nilai OOB MSE menunjukkan rata-rata kuadrat kesalahan prediksi OOB. Nilai OOB MSE yang lebih kecil menunjukkan kesalahan estimasi internal yang lebih rendah.

2.5 Residual Plot dan Variable Importance

Residual plot merupakan grafik yang menampilkan hubungan antara nilai prediksi dan residual, yaitu selisih antara nilai aktual dengan nilai prediksi. Residual yang tersebar secara acak di sekitar garis nol mengindikasikan bahwa tidak terdapat pola kesalahan yang kuat. Sebaliknya, pola tertentu atau penyebaran yang semakin lebar dapat menunjukkan adanya ketidaksesuaian model.

Variable importance digunakan untuk mengetahui kontribusi relatif setiap variabel prediktor dalam model. Pada praktikum ini digunakan metode permutation importance. Variabel dengan nilai kepentingan yang lebih tinggi menunjukkan bahwa pengacakan variabel tersebut menyebabkan penurunan kinerja model yang lebih besar. Ukuran ini menggambarkan kontribusi prediktif dan tidak menunjukkan hubungan sebab-akibat.

BAB III METODE PENELITIAN

3.1 Sumber Data

Data yang digunakan adalah dataset Friedman yang dibangkitkan menggunakan fungsi mlbench.friedman1() dari package mlbench pada perangkat lunak R. Dataset ini merupakan data simulasi untuk permasalahan regresi yang memiliki sepuluh variabel prediktor, yaitu X1 sampai X10, dan satu variabel respons numerik, yaitu Y. Data dibangkitkan sebanyak 1.000 observasi dengan random seed 234 agar hasil analisis dapat direproduksi.

3.2 Rancangan Percobaan

Data dibagi menjadi 80% data training dan 20% data testing. Pembagian dilakukan satu kali menggunakan random seed 234 dan digunakan secara konsisten pada seluruh model.

Parameter	Nilai yang diuji
mtry	2, 3, dan 5
num.trees	200, 500, dan 1000
Proporsi training	80%
Proporsi testing	20%
Jumlah observasi	1000
Metode variable importance	Permutation

Dengan tiga variasi mtry dan tiga variasi num.trees, terdapat sembilan kombinasi model yang akan dibandingkan.

3.3 Langkah-Langkah Analisis

Memanggil package yang diperlukan dan membangkitkan dataset Friedman.
Memeriksa struktur dan ringkasan data.
Membagi data menjadi data training dan testing.
Membentuk sembilan model berdasarkan kombinasi mtry dan num.trees.
Mencatat nilai OOB MSE dari setiap model.
Menghasilkan prediksi pada data testing.
Menghitung MSE, RMSE, MAE, dan R².
Membuat residual plot untuk membandingkan pola kesalahan prediksi.
Menganalisis variable importance.
Membandingkan seluruh model dan menentukan konfigurasi terbaik.

BAB IV HASIL DAN PEMBAHASAN

4.1 Memuat Package dan Dataset

Ringkasan Dataset Friedman
Keterangan	Nilai
Jumlah observasi	1000
Jumlah variabel prediktor	10
Jumlah variabel respons	1
Jumlah nilai hilang	0

Sepuluh Observasi Pertama Dataset Friedman
x.1	x.2	x.3	x.4	x.5	x.6	x.7	x.8	x.9	x.10	Y
0.7456	0.2762	0.0780	0.1721	0.1863	0.0668	0.3464	0.0716	0.4753	0.1387	11.4657
0.7817	0.6427	0.3202	0.6317	0.0835	0.7718	0.3081	0.7148	0.5966	0.8069	14.9072
0.0200	0.9874	0.9678	0.8044	0.2233	0.6479	0.6503	0.4688	0.7350	0.4167	14.8539
0.7761	0.8425	0.1673	0.0090	0.2603	0.2349	0.6340	0.7357	0.1352	0.0394	13.0220
0.0669	0.7328	0.3698	0.2611	0.2012	0.1716	0.3942	0.4600	0.9951	0.7892	6.6383
0.6448	0.4302	0.0066	0.7737	0.6398	0.9646	0.9708	0.6261	0.5692	0.5286	25.1894
0.9294	0.0194	0.0460	0.9393	0.3929	0.3576	0.1348	0.9098	0.3642	0.6638	17.3630
0.7176	0.6980	0.2155	0.7133	0.3806	0.1503	0.1595	0.9133	0.7160	0.5107	19.5181
0.9277	0.1854	0.1969	0.0932	0.2158	0.4071	0.5644	0.3006	0.9680	0.2566	7.1032
0.2842	0.4164	0.5026	0.1941	0.8520	0.0460	0.2271	0.8399	0.9371	0.8312	10.4566

##       x.1                x.2                x.3                 x.4          
##  Min.   :0.001198   Min.   :0.001884   Min.   :1.477e-05   Min.   :0.000531  
##  1st Qu.:0.252244   1st Qu.:0.229962   1st Qu.:2.536e-01   1st Qu.:0.249890  
##  Median :0.502501   Median :0.493678   Median :5.008e-01   Median :0.500833  
##  Mean   :0.490455   Mean   :0.493386   Mean   :5.001e-01   Mean   :0.501039  
##  3rd Qu.:0.724930   3rd Qu.:0.750807   3rd Qu.:7.444e-01   3rd Qu.:0.738471  
##  Max.   :0.999850   Max.   :0.999021   Max.   :9.992e-01   Max.   :0.998386  
##       x.5                x.6                 x.7                 x.8           
##  Min.   :0.001774   Min.   :0.0001198   Min.   :0.0009038   Min.   :0.0005495  
##  1st Qu.:0.248165   1st Qu.:0.2485552   1st Qu.:0.2435999   1st Qu.:0.2685956  
##  Median :0.513857   Median :0.5008499   Median :0.4886027   Median :0.5252676  
##  Mean   :0.504918   Mean   :0.5015384   Mean   :0.4973700   Mean   :0.5123303  
##  3rd Qu.:0.761429   3rd Qu.:0.7458245   3rd Qu.:0.7520365   3rd Qu.:0.7569608  
##  Max.   :0.998546   Max.   :0.9993431   Max.   :0.9968358   Max.   :0.9999746  
##       x.9                 x.10                 Y          
##  Min.   :0.0006859   Min.   :0.0006466   Min.   :-0.1529  
##  1st Qu.:0.2620676   1st Qu.:0.2527644   1st Qu.:10.7287  
##  Median :0.5036696   Median :0.4925590   Median :14.2324  
##  Mean   :0.5044159   Mean   :0.4960867   Mean   :14.2698  
##  3rd Qu.:0.7498544   3rd Qu.:0.7418533   3rd Qu.:17.7313  
##  Max.   :0.9996305   Max.   :0.9931607   Max.   :28.8621

Dataset Friedman yang digunakan pada praktikum ini terdiri atas 1.000 observasi, sepuluh variabel prediktor, dan satu variabel respons numerik. Data merupakan data simulasi yang dibangkitkan menggunakan fungsi mlbench.friedman1() sehingga dapat digunakan untuk menguji kemampuan model dalam mempelajari hubungan antara variabel prediktor dan respons. Seluruh variabel digunakan dalam proses pemodelan karena tidak terdapat kolom identitas yang perlu dihapus.

4.2 Pembagian Data Training dan Testing

Pembagian Data Training dan Testing
Data	Jumlah_Observasi	Persentase
Training	800	80
Testing	200	20
Total	1000	100

Data dibagi menjadi 80% data training dan 20% data testing. Dari 1.000 observasi, sebanyak 800 observasi digunakan untuk membangun model, sedangkan 200 observasi digunakan untuk menguji kemampuan prediksi. Seluruh kombinasi parameter menggunakan pembagian data yang sama agar perbandingan kinerja model dapat dilakukan secara konsisten.

4.3 Pembentukan Model Random Forest Regression dan OOB MSE

Perbandingan OOB MSE pada Sembilan Model
	Model	mtry	Num_Trees	OOB_MSE
mtry2_trees200	mtry2_trees200	2	200	5.4169
mtry3_trees200	mtry3_trees200	3	200	4.5715
mtry5_trees200	mtry5_trees200	5	200	4.1066
mtry2_trees500	mtry2_trees500	2	500	5.2784
mtry3_trees500	mtry3_trees500	3	500	4.4965
mtry5_trees500	mtry5_trees500	5	500	4.0387
mtry2_trees1000	mtry2_trees1000	2	1000	5.3141
mtry3_trees1000	mtry3_trees1000	3	1000	4.4599
mtry5_trees1000	mtry5_trees1000	5	1000	4.0102

Model dibentuk menggunakan sembilan kombinasi parameter yang berasal dari variasi mtry sebesar 2, 3, dan 5 serta num.trees sebesar 200, 500, dan 1000. Setiap model dilatih menggunakan data training yang sama. Nilai OOB MSE diperoleh dari proses evaluasi internal Random Forest dan digunakan sebagai gambaran kesalahan prediksi selama proses pembentukan model. Nilai OOB MSE yang lebih kecil menunjukkan estimasi kesalahan internal yang lebih rendah.

4.4 Evaluasi Model pada Data Testing

Perbandingan Metrik Evaluasi pada Data Testing
Model	mtry	Num_Trees	MSE	RMSE	MAE	R2
mtry2_trees200	2	200	5.4468	2.3338	1.8344	0.7735
mtry3_trees200	3	200	4.5913	2.1427	1.6891	0.8091
mtry5_trees200	5	200	4.2566	2.0632	1.6312	0.8230
mtry2_trees500	2	500	5.3822	2.3199	1.8344	0.7762
mtry3_trees500	3	500	4.5164	2.1252	1.6771	0.8122
mtry5_trees500	5	500	4.1796	2.0444	1.6152	0.8262
mtry2_trees1000	2	1000	5.3636	2.3159	1.8326	0.7770
mtry3_trees1000	3	1000	4.5041	2.1223	1.6677	0.8127
mtry5_trees1000	5	1000	4.1630	2.0404	1.6046	0.8269

Evaluasi dilakukan dengan membandingkan nilai aktual dan hasil prediksi pada data testing. MSE, RMSE, dan MAE digunakan untuk mengukur besarnya kesalahan prediksi, sehingga nilai yang lebih kecil menunjukkan hasil yang lebih baik. Sementara itu, R² digunakan untuk melihat proporsi variasi variabel respons yang dapat dijelaskan oleh model. Nilai R² yang semakin mendekati 1 menunjukkan kemampuan model yang semakin baik dalam menjelaskan variasi data.

4.5 Perbandingan Kinerja Seluruh Model

Grafik memperlihatkan perbandingan nilai MSE, RMSE, MAE, dan R² dari sembilan konfigurasi model. Model dengan MSE, RMSE, dan MAE lebih rendah serta R² lebih tinggi menunjukkan kinerja prediksi yang lebih baik pada data testing. Perbandingan ini digunakan untuk mengetahui pengaruh variasi mtry dan num.trees terhadap kemampuan model dalam memprediksi variabel respons.

4.6 Analisis Residual Plot

Residual plot digunakan untuk melihat pola selisih antara nilai aktual dan prediksi pada setiap model. Residual yang tersebar secara acak di sekitar garis nol menunjukkan bahwa kesalahan prediksi tidak membentuk pola tertentu. Apabila residual membentuk pola atau memiliki penyebaran yang semakin lebar, hal tersebut dapat menjadi indikasi bahwa model belum sepenuhnya menangkap pola hubungan pada data. Grafik ini melengkapi penilaian numerik melalui MSE, RMSE, MAE, dan R².

4.7 Analisis Variable Importance

Permutation Variable Importance Seluruh Model
Model	Variabel	Importance
mtry2_trees1000	x.4	12.3047
mtry2_trees1000	x.2	8.4613
mtry2_trees1000	x.1	6.7712
mtry2_trees1000	x.5	2.4780
mtry2_trees1000	x.3	1.5970
mtry2_trees1000	x.8	0.1786
mtry2_trees1000	x.9	0.0899
mtry2_trees1000	x.7	0.0887
mtry2_trees1000	x.10	-0.0142
mtry2_trees1000	x.6	-0.0395
mtry2_trees200	x.4	12.2219
mtry2_trees200	x.2	8.6444
mtry2_trees200	x.1	7.0534
mtry2_trees200	x.5	2.6970
mtry2_trees200	x.3	1.4923
mtry2_trees200	x.8	0.2050
mtry2_trees200	x.7	0.0590
mtry2_trees200	x.9	0.0479
mtry2_trees200	x.10	-0.0511
mtry2_trees200	x.6	-0.1208
mtry2_trees500	x.4	12.2798
mtry2_trees500	x.2	8.6549
mtry2_trees500	x.1	6.8527
mtry2_trees500	x.5	2.5749
mtry2_trees500	x.3	1.5199
mtry2_trees500	x.8	0.2678
mtry2_trees500	x.7	0.1001
mtry2_trees500	x.9	0.0623
mtry2_trees500	x.10	-0.0015
mtry2_trees500	x.6	-0.0541
mtry3_trees1000	x.4	14.0639
mtry3_trees1000	x.2	9.6078
mtry3_trees1000	x.1	7.6674
mtry3_trees1000	x.5	2.4412
mtry3_trees1000	x.3	1.6863
mtry3_trees1000	x.8	0.0448
mtry3_trees1000	x.6	0.0322
mtry3_trees1000	x.7	0.0228
mtry3_trees1000	x.9	-0.0070
mtry3_trees1000	x.10	-0.0245
mtry3_trees200	x.4	14.2082
mtry3_trees200	x.2	9.7453
mtry3_trees200	x.1	7.9407
mtry3_trees200	x.5	2.3743
mtry3_trees200	x.3	1.6000
mtry3_trees200	x.8	0.0582
mtry3_trees200	x.7	0.0383
mtry3_trees200	x.6	-0.0135
mtry3_trees200	x.9	-0.0232
mtry3_trees200	x.10	-0.1066
mtry3_trees500	x.4	13.9527
mtry3_trees500	x.2	9.6318
mtry3_trees500	x.1	7.7777
mtry3_trees500	x.5	2.4311
mtry3_trees500	x.3	1.6986
mtry3_trees500	x.8	0.0733
mtry3_trees500	x.7	0.0472
mtry3_trees500	x.6	-0.0027
mtry3_trees500	x.9	-0.0202
mtry3_trees500	x.10	-0.0355
mtry5_trees1000	x.4	15.6391
mtry5_trees1000	x.2	10.7743
mtry5_trees1000	x.1	8.8124
mtry5_trees1000	x.5	2.5317
mtry5_trees1000	x.3	1.4326
mtry5_trees1000	x.6	0.0735
mtry5_trees1000	x.7	0.0550
mtry5_trees1000	x.9	0.0079
mtry5_trees1000	x.8	0.0054
mtry5_trees1000	x.10	-0.0093
mtry5_trees200	x.4	15.6077
mtry5_trees200	x.2	10.6824
mtry5_trees200	x.1	8.6498
mtry5_trees200	x.5	2.6723
mtry5_trees200	x.3	1.4166
mtry5_trees200	x.6	0.1026
mtry5_trees200	x.7	0.0533
mtry5_trees200	x.8	0.0164
mtry5_trees200	x.9	-0.0095
mtry5_trees200	x.10	-0.0236
mtry5_trees500	x.4	15.4741
mtry5_trees500	x.2	10.7474
mtry5_trees500	x.1	8.7298
mtry5_trees500	x.5	2.5900
mtry5_trees500	x.3	1.4091
mtry5_trees500	x.6	0.0904
mtry5_trees500	x.7	0.0309
mtry5_trees500	x.9	0.0079
mtry5_trees500	x.8	-0.0048
mtry5_trees500	x.10	-0.0157

Analisis variable importance dilakukan untuk mengetahui variabel prediktor yang memberikan kontribusi relatif besar terhadap kemampuan prediksi model. Nilai permutation importance yang lebih tinggi menunjukkan bahwa pengacakan variabel tersebut menyebabkan penurunan kinerja model yang lebih besar. Hasil ini dapat digunakan untuk mengidentifikasi prediktor yang paling berperan dalam memprediksi variabel respons pada dataset Friedman.

4.8 Menentukan Model Terbaik

Peringkat Model Berdasarkan Metrik Testing dan OOB MSE
Model	mtry	Num_Trees	MSE	RMSE	MAE	R2	Konfigurasi	OOB_MSE
mtry5_trees1000	5	1000	4.1630	2.0404	1.6046	0.8269	mtry=5, trees=1000	4.0102
mtry5_trees500	5	500	4.1796	2.0444	1.6152	0.8262	mtry=5, trees=500	4.0387
mtry5_trees200	5	200	4.2566	2.0632	1.6312	0.8230	mtry=5, trees=200	4.1066
mtry3_trees1000	3	1000	4.5041	2.1223	1.6677	0.8127	mtry=3, trees=1000	4.4599
mtry3_trees500	3	500	4.5164	2.1252	1.6771	0.8122	mtry=3, trees=500	4.4965
mtry3_trees200	3	200	4.5913	2.1427	1.6891	0.8091	mtry=3, trees=200	4.5715
mtry2_trees1000	2	1000	5.3636	2.3159	1.8326	0.7770	mtry=2, trees=1000	5.3141
mtry2_trees500	2	500	5.3822	2.3199	1.8344	0.7762	mtry=2, trees=500	5.2784
mtry2_trees200	2	200	5.4468	2.3338	1.8344	0.7735	mtry=2, trees=200	5.4169

## Model terbaik berdasarkan MSE terkecil adalah mtry5_trees1000 dengan mtry = 5 dan num.trees = 1000. Model tersebut memiliki MSE = 4.163, RMSE = 2.0404, MAE = 1.6046, R2 = 0.8269, dan OOB MSE = 4.0102.

Lima Variabel Terpenting pada Model Terbaik
Model	Variabel	Importance
mtry5_trees1000	x.4	15.6391
mtry5_trees1000	x.2	10.7743
mtry5_trees1000	x.1	8.8124
mtry5_trees1000	x.5	2.5317
mtry5_trees1000	x.3	1.4326

Model terbaik ditentukan berdasarkan nilai MSE terkecil pada data testing. Nilai RMSE dan MAE digunakan sebagai ukuran pendukung untuk melihat besarnya kesalahan prediksi, sedangkan R² digunakan untuk menilai kemampuan model dalam menjelaskan variasi variabel respons. Nilai OOB MSE juga diperhatikan sebagai evaluasi internal. Dengan demikian, konfigurasi terpilih merupakan model yang memberikan kesalahan prediksi paling rendah pada data testing, dengan tetap mempertimbangkan hasil evaluasi lainnya.

BAB V PENUTUP

5.1 Kesimpulan

Metode Random Forest Regression dapat diterapkan pada dataset Friedman untuk memprediksi variabel respons numerik berdasarkan sepuluh variabel prediktor. Proses pemodelan dilakukan dengan membagi data menjadi 80% data training dan 20% data testing, kemudian membangun sembilan kombinasi model berdasarkan variasi nilai mtry dan num.trees.

Perbandingan kinerja model dilakukan menggunakan MSE, RMSE, MAE, dan R² pada data testing. Selain itu, residual plot digunakan untuk mengamati pola kesalahan prediksi, variable importance digunakan untuk mengetahui kontribusi relatif setiap prediktor, sedangkan OOB MSE digunakan sebagai evaluasi internal model. Model dengan MSE, RMSE, dan MAE lebih rendah serta R² lebih tinggi menunjukkan kinerja prediksi yang lebih baik.

Berdasarkan hasil pengujian, konfigurasi model terbaik ditentukan dari nilai MSE terkecil pada data testing. Nilai parameter, hasil metrik evaluasi, OOB MSE, pola residual, dan variabel terpenting dapat dilihat pada tabel serta grafik yang dihasilkan pada Bab IV. Dengan demikian, pemilihan model terbaik didasarkan pada hasil pengujian sembilan kombinasi parameter yang digunakan dalam praktikum.

5.2 Saran

Praktikum selanjutnya dapat mencoba variasi parameter yang lebih luas serta menggunakan validasi silang untuk mengetahui kestabilan kinerja model. Selain itu, analisis residual dapat diperiksa lebih lanjut untuk mengetahui pola kesalahan yang mungkin belum ditangkap oleh model. Penggunaan beberapa ukuran evaluasi secara bersamaan juga disarankan agar penilaian kinerja model tidak hanya bergantung pada satu metrik.

DAFTAR PUSTAKA

Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010933404324

Liaw, A., & Wiener, M. (2002). Classification and regression by randomForest. R News, 2(3), 18–22.

Wright, M. N., & Ziegler, A. (2017). ranger: A fast implementation of random forests for high dimensional data in C++ and R. Journal of Statistical Software, 77(1), 1–17. https://doi.org/10.18637/jss.v077.i01

LAPORAN PRAKTIKUM 5

Muhammad Agil Ramadhan

2026-10-28