Model Comparison Dashboard
Perbandingan Performa Model
Evaluasi komprehensif 5 algoritma Machine Learning menggunakan metrik standar UTS Praktikum Kecerdasan Buatan.
Linear Regression
MAE
3.9083
RMSE
5.1344
R² Score
0.6253
ANN / Keras
MAE
4.2868
RMSE
6.0073
R² Score
0.487
LSTM / RNN
MAE
3.5566
RMSE
4.6814
MAPE
39.1758%
K-Means
Inertia
2,732
Silhouette
0.3272
K Klaster
3
Backpropagation
Final Loss
12.9145
MAE
3.798
Convergence
93.25%
Perbandingan MAE & RMSE
Semakin rendah = semakin baik. Test set (20%)
Kurva Konvergensi Backprop
MSE Loss selama pelatihan (93.2% penurunan)
K-Means — Profil Klaster
Rata-rata % kemiskinan per klaster dari seluruh data
7.57%
Kemiskinan Rendah
Rata-rata Tingkat Kemiskinan
12.29%
Kemiskinan Sedang
Rata-rata Tingkat Kemiskinan
29.43%
Kemiskinan Tinggi
Rata-rata Tingkat Kemiskinan
Tabel Metrik Lengkap
Sesuai ketentuan UTS Praktikum Kecerdasan Buatan
| Model | Jenis | MAE | RMSE | R² / Metrik Utama | Metrik Tambahan | Backend |
|---|---|---|---|---|---|---|
|
Linear Regression
|
Supervised Regression | 3.9083 | 5.1344 | R² = 0.6253 | — | Scikit-learn |
|
Artificial Neural Network
|
Supervised Regression | 4.2868 | 6.0073 | R² = 0.487 | Dense: 128-64-32-1 | TensorFlow/Keras |
|
LSTM / RNN
|
Sequential Regression | 3.5566 | 4.6814 | MAPE = 39.1758% | LSTM(64)-LSTM(32)-Dense(1) | TensorFlow/Keras LSTM |
|
K-Means Clustering
|
Unsupervised | — | — | Silhouette = 0.3272 | Inertia: 2,732 | Scikit-learn |
|
Backpropagation
|
Manual NumPy | 3.798 | 5.0711 | Loss = 12.9145 | Conv. 93.25% | Pure NumPy |
MAE — Mean Absolute Error (↓ lebih baik)
RMSE — Root Mean Squared Error (↓ lebih baik)
R² — Koefisien Determinasi (↑ lebih baik, maks 1.0)
MAPE — Mean Absolute Percentage Error (↓ lebih baik)
Silhouette — Kualitas klaster (maks 1.0)