Laporan ini membahas penerapan Artificial Neural Network (ANN) untuk analisis regresi dan klasifikasi menggunakan bahasa pemrograman R. Praktikum mencakup pembentukan model, penentuan jumlah hidden neuron, proses prediksi, serta evaluasi performa model menggunakan metrik MSE dan MAPE untuk regresi, serta akurasi dan presisi untuk klasifikasi.

Laporan ini membahas penerapan metode Random Forest dan Double Random Forest sebagai metode ensemble learning berbasis decision tree untuk permasalahan klasifikasi dan regresi menggunakan R. Praktikum mencakup pembentukan model, pengaturan parameter, evaluasi performa menggunakan berbagai ukuran kesalahan, analisis Out-of-Bag (OOB) error, serta perbandingan kinerja kedua metode untuk menentukan model dengan kemampuan prediksi terbaik.

Analisis ini membahas penerapan metode boosting menggunakan R untuk kasus klasifikasi dan regresi. Metode Gradient Boosting diterapkan pada data simulasi Friedman dengan membandingkan nilai learning rate (shrinkage) 0,01; 0,05; dan 0,10. Evaluasi dilakukan menggunakan metrik yang sesuai untuk menilai dan membandingkan performa setiap model.

Analisis ini membahas penerapan metode Bagging Regression menggunakan data simulasi Friedman dengan bahasa pemrograman R. Pemodelan dilakukan dengan membandingkan jumlah agregasi (nbagg) sebesar 25, 50, dan 100. Evaluasi performa model menggunakan metrik MSE, RMSE, dan (R^2) untuk menentukan model dengan hasil prediksi terbaik pada data uji.

Analisis ini membahas penerapan Decision Tree Regression pada dataset Hitters untuk memprediksi nilai Salary pemain bisbol berdasarkan variabel prediktor. Tahapan analisis meliputi pemeriksaan dan penanganan missing value, pembagian data latih dan data uji, pembentukan serta visualisasi pohon regresi, identifikasi variable importance, dan evaluasi model menggunakan Mean Squared Error (MSE). Selanjutnya, dilakukan pruning berdasarkan nilai Complexity Parameter (CP) terbaik untuk menyederhanakan struktur pohon dan membandingkan kinerja model sebelum dan sesudah pemangkasan.

Publikasi ini membahas tahapan feature engineering pada data cuaca menggunakan RStudio, meliputi penanganan missing value dengan mean imputation, pengurangan kardinalitas melalui binning, pembagian data menggunakan shuffle splitting, penanganan outlier dengan trimming dan capping, scaling menggunakan Robust Scaler, serta transformasi variabel kategorik dengan One-Hot Encoding. Praktikum ini bertujuan memahami proses persiapan dan transformasi data sebelum digunakan dalam pemodelan machine learning.

BERIKUT ADALAH PENJELASAN MENGENAI ANALISIS REGRESI

Ini adalah contoh penerapan rmarkdown