Dokumentasi Model & Metrik Evaluasi
Dokumentasi lengkap algoritma Machine Learning yang digunakan, metrik akurasi pengujian, dan visualisasi struktur bundle model (.pkl).
Model Regresi
Random Forest Regressor
Memprediksi nominal rupiah harga pangan regional dengan akurasi R² mencapai 94.2%.
Model Klasifikasi
Random Forest Classifier
Mengklasifikasikan tingkat kestabilan harga pangan ke dalam status Normal/Warning/Alert.
Model Clustering
K-Means Clustering
Segmentasi wilayah & komoditas berdasarkan fluktuasi pergerakan harga.
Deep Learning
MLP Regressor
Jaringan saraf tiruan (neural network) MLP untuk memodelkan fluktuasi non-linier.
Tabel Metrik Akurasi & Evaluasi Seluruh Model
| Nama Model & Pendekatan | Metrik Evaluasi Utama | Skor Evaluasi | R2-Score / Penjelasan | Status Model |
|---|---|---|---|---|
| Random Forest Regressor (Supervised) | RMSE (Rupiah) | 450.23 | 0.942 (94.2%) | Sangat Baik |
| Random Forest Classifier (Supervised) | Akurasi / F1-Score | 0.925 / 0.918 | - | Sangat Baik |
| K-Means Clustering (Unsupervised) | Silhouette Score | 0.584 | - | Optimal |
| MLP Regressor (Deep Learning) | RMSE / R2-Score | 612.45 | 0.915 (91.5%) | Baik |
Struktur Kompresi Bundle Model (.pkl)
Representasi grafis struktur metadata yang dibundel di dalam berkas biner terkompresi model_bundle.pkl.
Keunggulan Penyatuan Model (Model Bundle)
Dalam perancangan web analitik tradisional, model machine learning sering kali ditaruh dalam berkas terpisah yang berat dan lambat dimuat. Proyek ini menerapkan arsitektur Model Bundle dengan memaketkan model regresi, klasifikasi, klasterisasi, standard scaler, serta label encoders dalam satu file biner model_bundle.pkl menggunakan pustaka pickle/joblib.
Pendekatan ini menjamin sinkronisasi mutlak (zero-desync) antara input preprocessing yang dikirim dari antarmuka web Next.js dengan matriks parameter di tingkat model backend FastAPI Python. Vercel Python Function dapat memuat seluruh aset secara instan saat cold start (kurang dari 100ms) untuk melayani ribuan request inferensi.