diff --git a/README.md b/README.md
index 737bbfb..429d86d 100644
--- a/README.md
+++ b/README.md
@@ -10,33 +10,39 @@
 
 Domain yang dipilih dalam proyek ini adalah **Ekonomi dan Bisnis**, dengan judul proyek **Predictive Analytics: Red Wine Quality Classification**.
 
-Red wine merupakan minuman beralkohol yang terbuat dari anggur merah. Wine sudah sangat populer untuk dikonsumsi secara global dan konsumsi wine dalam jumlah tertentu juga memberikan manfaat  kesehatan [1^](https://www.mdpi.com/1420-3049/23/7/1684). Saat ini, beredar berbagaim macam jenis red wine dengan kandungan yang berbeda-beda. Untuk dapat mengkategorikan kualitas red wine dalam jumlah yang banyak secara cepat dan efisien, diperlukan sebuah pendekatan berbasis machine learning.
+_Red wine_ merupakan minuman beralkohol yang terbuat dari anggur merah. _Wine_ sudah sangat populer untuk dikonsumsi secara global dan konsumsi _wine_ dalam jumlah tertentu juga memberikan manfaat  kesehatan [1^](https://www.mdpi.com/1420-3049/23/7/1684). Saat ini, beredar berbagaim macam jenis _red wine_ dengan kandungan yang berbeda-beda. Untuk dapat mengkategorikan kualitas _red wine_ dalam jumlah yang banyak secara cepat dan efisien, diperlukan sebuah pendekatan berbasis _machine learning_.
 
-Salah satu keunggulan utama dari pendekatan machine learning adalah kemampuannya untuk memproses dan menganalisis volume data yang besar dan beragam dengan kecepatan yang tinggi. Dengan memanfaatkan machine learning, diharapkan akan mampu mengidentifikasi pola yang rumit dan hubungan antar fitur dari bahan-bahan red wine yang mungkin tidak terlihat oleh metode analisis secara manual atau tradisional. Sehingga diharapkan dengan menggunakan machine learning, akan mampu meningkatkan nilai tambah dalam penjualan wine karena perusahaan dapat dengan mudah mengenali kualitas wine dengan cepat dan akurat.
+Salah satu keunggulan utama dari pendekatan _machine learning_ adalah kemampuannya untuk memproses dan menganalisis volume data yang besar dan beragam dengan kecepatan yang tinggi. Dengan memanfaatkan _machine learning_, diharapkan akan mampu mengidentifikasi pola yang rumit dan hubungan antar fitur dari bahan-bahan _red wine_ yang mungkin tidak terlihat oleh metode analisis secara manual atau tradisional. Sehingga diharapkan dengan menggunakan _machine learning_, akan mampu meningkatkan nilai tambah dalam penjualan _wine_ karena perusahaan dapat dengan mudah mengenali kualitas _wine_ dengan cepat dan akurat.
 
-Beberapa penelitian terdahulu telah melakukan klasifikasi wine menggunakan machine learning, salah satunya menggunakan metode SVM, Naive Bayes, dan Random Forest [2^](https://ieeexplore.ieee.org/abstract/document/9104095/). Penelitian lainnya juga menggunakan metode Random Forest [3^](https://ieeexplore.ieee.org/abstract/document/8323674/). Pada proyek ini akan dilakukan klasifikasi kualitas red wine menggunakan perbandingan metode KNN, SVM, dan Random Forest.
+Beberapa penelitian terdahulu telah melakukan klasifikasi _wine_ menggunakan _machine learning_, salah satunya menggunakan metode _SVM_, _Naive Bayes_, dan _Random Forest_ [2^](https://ieeexplore.ieee.org/abstract/document/9104095/). Penelitian lainnya juga menggunakan metode _Random Forest_ [3^](https://ieeexplore.ieee.org/abstract/document/8323674/). Pada proyek ini akan dilakukan klasifikasi kualitas _red wine_ menggunakan perbandingan metode _KNN_, _SVM_, dan _Random Forest_.
 
 ## Business Understanding
 
 ### Problem Statements
 
-Kualitas wine menjadi salah satu hal yang paling utama dari wine. Perusahaan atau pembuat wine tentu ingin meningkatkan dan menjual produksi red wine berkualitas dan pembeli juga ingin mendapatkan wine yang berkualitas. Dengan menentukan kualitas dari wine secara cepat dan tepat, tentu perusahaan dapat menjual wine dengan kualitas baik dengan lebih cepat sehingga dapat meningkatkan pemasaran dan penjualan, sementara itu pembeli juga dapat memperoleh wine dengan kualitas yang sudah tentu baik dari penjual. Ini akan menjadi potensi untuk meningkatkan keuntungan bagi perusahaan maupun pembuat wine.
+Kualitas _wine_ menjadi salah satu hal yang paling utama dari _wine_. Perusahaan atau pembuat _wine_ tentu ingin meningkatkan dan menjual produksi _red wine_ berkualitas dan pembeli juga ingin mendapatkan _wine_ yang berkualitas. Dengan menentukan kualitas dari _wine_ secara cepat dan tepat, tentu perusahaan dapat menjual _wine_ dengan kualitas baik dengan lebih cepat sehingga dapat meningkatkan pemasaran dan penjualan, sementara itu pembeli juga dapat memperoleh _wine_ dengan kualitas yang sudah tentu baik dari penjual. Ini akan menjadi potensi untuk meningkatkan keuntungan bagi perusahaan maupun pembuat _wine_.
 
 Berdasarkan latar belakang di atas, adapun rumusan masalah dalam proyek ini adalah:
-- Bagaimana tahapan pemrosesan data dalam mengambangkan model machine learning untuk melakukan klasifikasi terhadap kualitas red wine?
-- Bagaimana mengembangkan model machine learning dengan metode KNN, SVM, dan Random Forest dalam melakukan klasifikasi terhadap kualitas red wine?
-- Model apakah yang menghasilkan performa terbaik (dengan metrics accuracy, precision, recall, dan F1) dalam melakukan klasifikasi terhadap kualitas red wine?
+- Bagaimana tahapan pemrosesan data dalam mengembangkan model _machine learning_ untuk melakukan klasifikasi terhadap kualitas _red wine_?
+- Bagaimana mengembangkan model _machine learning_ dengan metode _KNN_, _SVM_, dan _Random Forest_ dalam melakukan klasifikasi terhadap kualitas _red wine_?
+- Model apakah yang menghasilkan performa terbaik (dengan _metrics_ _accuracy_, _precision_, _recall_, dan F1) dalam melakukan klasifikasi terhadap kualitas _red wine_?
 
 ### Goals
 
 Menjelaskan tujuan dari pernyataan masalah:
-- Untuk mengetahui tahapan pemrosesan data dalam mengambangkan model machine learning untuk melakukan klasifikasi terhadap kualitas red wine
-- Untuk mengetahui cara mengembangkan model machine learning dengan metode KNN, SVM, dan Random Forest dalam melakukan klasifikasi terhadap kualitas red wine
-- Untuk mengetahui model yang memiliki performa terbaik (dengan metrics accuracy, precision, recall, dan F1) dalam melakukan klasifikasi terhadap kualitas red wine
+- Untuk mengetahui tahapan pemrosesan data dalam mengambangkan model _machine learning_ untuk melakukan klasifikasi terhadap kualitas _red wine_
+- Untuk mengetahui cara mengembangkan model _machine learning_ dengan metode _KNN_, _SVM_, dan _Random Forest_ dalam melakukan klasifikasi terhadap kualitas _red wine_
+- Untuk mengetahui model yang memiliki performa terbaik (dengan _metrics_ _accuracy_, _precision_, _recall_, dan F1) dalam melakukan klasifikasi terhadap kualitas _red wine_
+
+### Solution Statements
+Adapun cara untuk mencapai tujuan adalah sebagai berikut:
+- Mengimplementasikan pemrosesan data menggunakan _library_ `pandas` dan `scikit-learn` dalam bahasa pemrograman Python.
+- Mengimplementasikan model _machine learning_ dengan metode  _KNN_, _SVM_, dan _Random Forest_ menggunakan _library_ `scikit-learn` dalam bahasa pemrograman Python.
+- Melakukan pengujian model menggunakan _metrics_ _accuracy_, _precision_, _recall_, dan F1 menggunakan _library_ `scikit-learn` serta menentukan model terbaik melalui performa yang diraih di semua _metrics_. 
 
 ## Data Understanding
 
-Dataset yang digunakan dalam proyek ini adalah [Red Wine Quality](https://www.kaggle.com/datasets/uciml/red-wine-quality-cortez-et-al-2009) yang disediakan oleh UCI Machine Learning pada platform Kaggle.
+Dataset yang digunakan dalam proyek ini adalah [Red Wine Quality](https://www.kaggle.com/datasets/uciml/red-_wine_-quality-cortez-et-al-2009) yang disediakan oleh UCI Machine Learning pada platform Kaggle.
 
 ### Variabel-variabel pada Red Wine Quality dataset adalah sebagai berikut:
 
@@ -66,7 +72,7 @@ Dataset tersebut terdiri atas 1599 data dengan 12 fitur (termasuk 1 fitur target
 
 Target fitur:
 
-12. **Quality**: kualitas red wine dalam rentang 0 sampai 10.
+12. **Quality**: kualitas _red wine_ dalam rentang 0 sampai 10.
 
 ### Data Visualization & EDA
 
@@ -93,97 +99,97 @@ Berdasarkan Gambar 4. dapat diketahui bahwa kualitas berada pada rentang 3 sampa
 ![](https://raw.githubusercontent.com/putuwaw/wine-quality-prediction/main/docs/feature_alcohol_vs_quality.png)
 **Gambar 5. Multivariate Analysis antara Fitur Alcohol dengan Quality**
 
-Berdasarkan Gambar 5. dapat diketahui bahwa semakin tinggi kualitas wine maka fitur alcohol cenderung semakin tinggi pula.
+Berdasarkan Gambar 5. dapat diketahui bahwa semakin tinggi kualitas _wine_ maka fitur alcohol cenderung semakin tinggi pula.
 
 ![feature_chlorides_vs_quality](https://raw.githubusercontent.com/putuwaw/wine-quality-prediction/main/docs/feature_chlorides_vs_quality.png)
 **Gambar 6. Multivariate Analysis antara Fitur Chlorides dengan Quality**
 
-Berdasarkan Gambar 6. dapat diketahui bahwa semakin tinggi kualitas wine maka fitur chlorides cenderung semakin rendah.
+Berdasarkan Gambar 6. dapat diketahui bahwa semakin tinggi kualitas _wine_ maka fitur chlorides cenderung semakin rendah.
 
 ![](https://raw.githubusercontent.com/putuwaw/wine-quality-prediction/main/docs/feature_citric%20acid_vs_quality.png)
 **Gambar 7. Multivariate Analysis antara Fitur Citric Acid dengan Quality**
 
-Berdasarkan Gambar 7. dapat diketahui bahwa semakin tinggi kualitas wine maka fitur Citric Acid cenderung ikut semakin tinggi pula.
+Berdasarkan Gambar 7. dapat diketahui bahwa semakin tinggi kualitas _wine_ maka fitur Citric Acid cenderung ikut semakin tinggi pula.
 
 ![](https://raw.githubusercontent.com/putuwaw/wine-quality-prediction/main/docs/feature_density_vs_quality.png)
 **Gambar 8. Multivariate Analysis antara Fitur Density dengan Quality**
 
-Berdasarkan Gambar 8. dapat diketahui bahwa fitur density tidak memberikan pengaruh yang signifikan terhadap kualitas wine.
+Berdasarkan Gambar 8. dapat diketahui bahwa fitur density tidak memberikan pengaruh yang signifikan terhadap kualitas _wine_.
 
 ![](https://raw.githubusercontent.com/putuwaw/wine-quality-prediction/main/docs/feature_fixed%20acidity_vs_quality.png)
 **Gambar 9. Multivariate Analysis antara Fitur Fixed Acidity dengan Quality**
 
-Berdasarkan Gambar 9. dapat diketahui bahwa fitur Fixed Acidity tidak memberikan pengaruh yang signifikan terhadap kualitas wine.
+Berdasarkan Gambar 9. dapat diketahui bahwa fitur Fixed Acidity tidak memberikan pengaruh yang signifikan terhadap kualitas _wine_.
 
 ![](https://raw.githubusercontent.com/putuwaw/wine-quality-prediction/main/docs/feature_free%20sulfur%20dioxide_vs_quality.png)
 **Gambar 10. Multivariate Analysis antara Fitur Free Sulfur Dioxide dengan Quality**
 
-Berdasarkan Gambar 10. dapat diketahui bahwa fitur Free Sulfur Dioxide tidak memberikan pengaruh yang signifikan terhadap kualitas wine. Akan tetapi wine dengan kualitas sedang cenderung memiliki free sulfur dioxide yang tinggi.
+Berdasarkan Gambar 10. dapat diketahui bahwa fitur Free Sulfur Dioxide tidak memberikan pengaruh yang signifikan terhadap kualitas _wine_. Akan tetapi _wine_ dengan kualitas sedang cenderung memiliki free sulfur dioxide yang tinggi.
 
 ![](https://raw.githubusercontent.com/putuwaw/wine-quality-prediction/main/docs/feature_pH_vs_quality.png)
 **Gambar 11. Multivariate Analysis antara Fitur pH dengan Quality**
 
-Berdasarkan Gambar 11. dapat diketahui bahwa fitur pH tidak memberikan pengaruh yang signifikan terhadap kualitas wine.
+Berdasarkan Gambar 11. dapat diketahui bahwa fitur pH tidak memberikan pengaruh yang signifikan terhadap kualitas _wine_.
 
 ![](https://raw.githubusercontent.com/putuwaw/wine-quality-prediction/main/docs/feature_residual%20sugar_vs_quality.png)
 **Gambar 12. Multivariate Analysis antara Fitur Residual Sugar dengan Quality**
 
-Berdasarkan Gambar 12. dapat diketahui bahwa fitur Residual Sugar tidak memberikan pengaruh yang signifikan terhadap kualitas wine.
+Berdasarkan Gambar 12. dapat diketahui bahwa fitur Residual Sugar tidak memberikan pengaruh yang signifikan terhadap kualitas _wine_.
 
 ![](https://raw.githubusercontent.com/putuwaw/wine-quality-prediction/main/docs/feature_sulphates_vs_quality.png)
 **Gambar 13. Multivariate Analysis antara Fitur Sulphates dengan Quality**
 
-Berdasarkan Gambar 13. dapat diketahui bahwa fitur Sulphates yang lebih tinggi cenderung menyebabkan kualitas wine juga ikut menjadi lebih tinggi.
+Berdasarkan Gambar 13. dapat diketahui bahwa fitur Sulphates yang lebih tinggi cenderung menyebabkan kualitas _wine_ juga ikut menjadi lebih tinggi.
 
 ![](https://raw.githubusercontent.com/putuwaw/wine-quality-prediction/main/docs/feature_total%20sulfur%20dioxide_vs_quality.png)
 **Gambar 14. Multivariate Analysis antara Fitur Total Sulfur Dioxide dengan Quality**
 
-Berdasarkan Gambar 14. dapat diketahui bahwa fitur Total Sulfur Dioxide tidak berpengaruh secara signifikan terhadap kualitas wine, tetapi wine dengan kualitas menengah (5-6) cenderung memiliki total sulfur dioxide dengan kandungan yang tinggi.
+Berdasarkan Gambar 14. dapat diketahui bahwa fitur Total Sulfur Dioxide tidak berpengaruh secara signifikan terhadap kualitas _wine_, tetapi _wine_ dengan kualitas menengah (5-6) cenderung memiliki total sulfur dioxide dengan kandungan yang tinggi.
 
 ![](https://raw.githubusercontent.com/putuwaw/wine-quality-prediction/main/docs/feature_volatile%20acidity_vs_quality.png)
 **Gambar 14. Multivariate Analysis antara Fitur Volatile Acidity dengan Quality**
 
-Berdasarkan Gambar 14. dapat diketahui bahwa kualitas wine cenderung semakin baik jika memiliki volatile acidity yang semakin rendah.
+Berdasarkan Gambar 14. dapat diketahui bahwa kualitas _wine_ cenderung semakin baik jika memiliki volatile acidity yang semakin rendah.
 
 ![heatmap](https://raw.githubusercontent.com/putuwaw/wine-quality-prediction/main/docs/heatmap.png)
 **Gambar 15. Heatmap Seluruh Fitur**
 
-Berdasarkan Gambar 15. dapat diketahui bahwa fitur-fitur yang memiliki pengaruh atau korelasi yang signifikan terhadap kualitas wine adalah alcohol, sulphates, citric acid, dan volatile acidity.
+Berdasarkan Gambar 15. dapat diketahui bahwa fitur-fitur yang memiliki pengaruh atau korelasi yang signifikan terhadap kualitas _wine_ adalah alcohol, sulphates, citric acid, dan volatile acidity.
 
 ## Data Preparation
 Adapun proses data preparation yang telah dilakukan yaitu:
 
-1. Menghilangkan nilai yang duplikat pada dataset. Tahapan ini diperlukan untuk mengurangi bias dan mencegah overfitting dari model.
-2. Menghilangkan outlier pada fitur-fitur penting seperti `alcohol`, `sulphates`, `citric acid`, dan `volatile acidity`. Outlier dihilangkan pada fitur dengan nilai absolute korelasi diatas 0.2.
-3. Melakukan konversi fitur target dari rentang 0-10 menjadi data kategorikal yaitu `bad`, `medium`, dan `good`, dan kemudian di encode kembali. Tahapan ini dilakukan karena tujuan dari proyek ini adalah melakukan klasifikasi multi-kelas dengan 3 kelas dan agar lebih mudah dalam menggeneralisasi kualitas red wine.
-4. Melakukan split untuk data testing (20%) dan data training (80%). Tahapan ini diperlukan untuk menyediakan data latih kepada model dan proporsi data testing sekitar 20% karena total data berjumlah 1268 sehingga diperlukan data testing dengan persentase yang cukup. 
-5. Melakukan normalisasi dan transformasi data training dengan Standard Scaler. Transformasi ini bertujuan agar setiap fitur memiliki skala yang sama dan juga penting bagi beberapa model ML seperti KNN dan SVM.
+1. Menghilangkan nilai yang duplikat pada dataset. Tahapan ini diperlukan untuk mengurangi bias dan mencegah _overfitting_ dari model.
+2. Menghilangkan _outlier_ pada fitur-fitur penting seperti `alcohol`, `sulphates`, `citric acid`, dan `volatile acidity`. _Outlier_ dihilangkan pada fitur dengan nilai absolute korelasi diatas 0.2.
+3. Melakukan konversi fitur target dari rentang 0-10 menjadi data kategorikal yaitu `bad`, `medium`, dan `good`, dan kemudian di _encode_ kembali. Tahapan ini dilakukan karena tujuan dari proyek ini adalah melakukan klasifikasi multi-kelas dengan 3 kelas dan agar lebih mudah dalam menggeneralisasi kualitas _red wine_.
+4. Melakukan _split_ untuk data _testing_ (20%) dan data _training_ (80%). Tahapan ini diperlukan untuk menyediakan data latih kepada model dan proporsi data _testing_ sekitar 20% karena total data berjumlah 1268 sehingga diperlukan data _testing_ dengan persentase yang cukup. 
+5. Melakukan normalisasi dan transformasi data training dengan _Standard Scaler_. Transformasi ini bertujuan agar setiap fitur memiliki skala yang sama dan juga penting bagi beberapa model ML seperti _KNN_ dan _SVM_.
 
 ## Modeling
 
-Dalam tahap modeling, terdapat 3 metode model ML yang digunakan, yaitu K-Nearest Neighbors (KNN), Support Vector Machine (SVM), dan Random Forest. Adapun parameter yang digunakan adalah hyperparameter bawaan dari scikit-learn.
+Dalam tahap modeling, terdapat 3 metode model ML yang digunakan, yaitu _K-Nearest Neighbors_ (_KNN_), _Support Vector Machine_ (_SVM_), dan _Random Forest_. Adapun parameter yang digunakan adalah _hyperparameter_ bawaan dari `scikit-learn`.
 
 Adapun kelebihan dan kekurangan dari setiap algoritma atau metode tersebut adalah:
-1. **KNN**
-   - Kelebihan: Memiliki implementasi yang sederhana dan mudah dimengerti, selain itu juga cukup robust terhadap noise dan outlier pada data.
+1. **_KNN_**
+   - Kelebihan: Memiliki implementasi yang sederhana dan mudah dimengerti, selain itu juga cukup _robust_ terhadap _noise_ dan _outlier_ pada data.
    - Kekurangan: Memiliki waktu komputasi yang cukup lama dan lemah terhadap data dengan dimensi tinggi, selain itu juga sensitif terhadap fitur yang kurang relevan karena hanya bergantung pada jarak.
     - Parameter yang digunakan adalah: 
-      - n_neighbors: jumlah neighbors atau ketetanggaan yang digunakan.
-2. **SVM**
-   - Kelebihan: Memiliki efisiensi yang baik terhadap data dengan dimensi tinggi. Memiliki kernel yang dapat digunakan untuk berbagai keperluan data dan cukup robust terhadap overfitting pada data dengan dimensi tinggi.
-    - Kekurangan: Memiliki waktu komputasi dan penggunaan memori yang besar pada dataset yang sangat besar, selain itu tuning hyperparameter untuk C (regularization parameter) cukup memakan waktu.
+      - `n_neighbors`: jumlah _neighbors_ atau ketetanggaan yang digunakan.
+2. **_SVM_**
+   - Kelebihan: Memiliki efisiensi yang baik terhadap data dengan dimensi tinggi. Memiliki kernel yang dapat digunakan untuk berbagai keperluan data dan cukup _robust_ terhadap _overfitting_ pada data dengan dimensi tinggi.
+    - Kekurangan: Memiliki waktu komputasi dan penggunaan memori yang besar pada dataset yang sangat besar, selain itu _tuning_ _hyperparameter_ untuk C (_regularization parameter_) cukup memakan waktu.
     - Parameter yang digunakan adalah:
-      - C: regularization parameter
-      - kernel: tipe kernel yang digunakan pada algoritma, bisa berupa linear, poly, rbf, maupun sigmoid.
-      - gamma: kernel koefisien untuk tipe kernel rbf, poly, dan sigmoid.
-3. **Random Forest**
-   - Kelebihan: Cukup robust karena pada dasarnya terdiri dari kombinasi decision tree, selain itu juga mampu menangani fitur dengan missing value dan dapat digunakan baik untuk klasifikasi maupun regresi.
-   - Kekurangan: Membutuhkan lebih banyak memori untuk komputasi dibandingkan decision tree, selain itu juga sulit untuk menangani dataset dengan kelas yang tidak seimbang.
+      - `C`: _regularization_ parameter
+      - `kernel`: tipe kernel yang digunakan pada algoritma, bisa berupa _linear_, _poly_, _rbf_, maupun _sigmoid_.
+      - `gamma`: kernel koefisien untuk tipe kernel _rbf_, _poly_, dan _sigmoid_.
+3. **_Random Forest_**
+   - Kelebihan: Cukup _robust_ karena pada dasarnya terdiri dari kombinasi _decision tree_, selain itu juga mampu menangani fitur dengan _missing value_ dan dapat digunakan baik untuk klasifikasi maupun regresi.
+   - Kekurangan: Membutuhkan lebih banyak memori untuk komputasi dibandingkan _decision tree_, selain itu juga sulit untuk menangani dataset dengan kelas yang tidak seimbang.
    - Parameter yang digunakan adalah:
-     - n_estimator: jumlah decision tree yang ada pada forest.
+     - `n_estimator`: jumlah _decision tree_ yang ada pada _forest_.
   
 
-Berdasarkan ketiga model tersebut, model yang paling baik untuk dipilih adalah SVM, mengingat SVM bersifat robust atau handal, dan cukup cepat terhadap data yang tidak terlalu banyak, serta tetap mampu mempertahankan performa dalam data pada dimensi tinggi.
+Berdasarkan ketiga model tersebut, model yang paling baik untuk dipilih adalah _SVM_, mengingat _SVM_ bersifat _robust_ atau handal, dan cukup cepat terhadap data yang tidak terlalu banyak, serta tetap mampu mempertahankan performa dalam data pada dimensi tinggi.
 
 ## Evaluation
 
@@ -197,7 +203,7 @@ Adapun cara untuk menghitung atau mendapatkan setiap metriks tersebut adalah seb
 \text{Accuracy} = \frac{\text{TP + TN}}{\text{TN + TP + FN + FP}} \times 100\%
 ```
 
-Memiliki kelebihan yaitu mudah dimengerti dan cocok untuk klasifikasi biner, tetapi tidak efektif untuk klasifikasi kengan kelas yang timpang atau imbalance.
+Memiliki kelebihan yaitu mudah dimengerti dan cocok untuk klasifikasi biner, tetapi tidak efektif untuk klasifikasi kengan kelas yang timpang atau _imbalance_.
 
 2. **Precision** didapatkan dengan menghitung persentase dari jumlah prediksi benar positif dari keseluruhan hasil yang diprediksi positif. Formula:
 
@@ -215,26 +221,29 @@ Memiliki kelebihan yaitu memberikan informasi seberapa baik model memprediksi po
 
 Memiliki kelebihan yaitu memberikan informasi seberapa baik model memprediksi positif benar dengan semua data yang sebenarnya positif. Memiliki kelemahan karena tidak mempertimbangkan FP.
 
-4. **F1-Score** didapatkan dengan menghitung perbandingan antara rata-rata precision dan recall yang dibobotkan. Formula:
+4. **F1-Score** didapatkan dengan menghitung perbandingan antara rata-rata _precision_ dan _recall_ yang dibobotkan. Formula:
 
 ```math
 \text{F1 Score} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}
 ```
 
-Memiliki kelebihan karena menggabungkan metriks precision dan recall sehingga mendapatkan keseimbangan dari kedua metriks tersebut. Memiliki kelemahan tidak memberikan informasi terhadap kinerja model pada setiap kelas atau kategori secara terpisah.
+Memiliki kelebihan karena menggabungkan metriks _precision_ dan _recall_ sehingga mendapatkan keseimbangan dari kedua metriks tersebut. Memiliki kelemahan tidak memberikan informasi terhadap kinerja model pada setiap kelas atau kategori secara terpisah.
 
 Berdasarkan hasil pengujian terhadap data testing, didapatkan hasil sebagai berikut:
 
 ![metrics_comparison](https://raw.githubusercontent.com/putuwaw/wine-quality-prediction/main/docs/metrics_comparison.png)
 
-Adapun model KNN mendapatkan hasil accuracy, precision, recall, dan F1-score secara berturut-turut adalah 84.25%, 81.77%, 84.25%, dan 82.95%. Sementara SVM mendapatkan hasil accuracy, precision, recall, dan F1-score secara berturut-turut adalah 88.58%, 85.18%, 88.58%, dan 85.42%. Sedangkan Random Forest mendapatkan  hasil accuracy, precision, recall, dan F1-score secara berturut-turut adalah 87.8%, 83.71%, 87.8%, dan 85.06%. 
+Adapun model _KNN_ mendapatkan hasil _accuracy_, _precision_, _recall_, dan _F1-score_ secara berturut-turut adalah 84.25%, 81.77%, 84.25%, dan 82.95%. Sementara _SVM_ mendapatkan hasil _accuracy_, _precision_, _recall_, dan _F1-score_ secara berturut-turut adalah 88.58%, 85.18%, 88.58%, dan 85.42%. Sedangkan _Random Forest_ mendapatkan  hasil _accuracy_, _precision_, _recall_, dan _F1-score_ secara berturut-turut adalah 87.8%, 83.71%, 87.8%, dan 85.06%. 
 
-Dapat disimpulkan bahwa model dengan performa terbaik disemua metriks yang diberikan adalah **SVM (Support Vector Machine)**.
+Dapat disimpulkan bahwa model dengan performa terbaik disemua metriks yang diberikan adalah **_SVM_ (Support Vector Machine)**.
 
 ## References
 
 [^1]: Snopek L, Mlcek J, Sochorova L, Baron M, Hlavacova I, Jurikova T, Kizek R, Sedlackova E, Sochor J. Contribution of red wine consumption to human health protection. Molecules. 2018 Jul 11;23(7):1684.
+1. Snopek L, Mlcek J, Sochorova L, Baron M, Hlavacova I, Jurikova T, Kizek R, Sedlackova E, Sochor J. Contribution of red wine consumption to human health protection. Molecules. 2018 Jul 11;23(7):1684.
 
 [^2]: Kumar S, Agrawal K, Mandan N. Red wine quality prediction using machine learning techniques. In2020 International Conference on Computer Communication and Informatics (ICCCI) 2020 Jan 22 (pp. 1-6). IEEE.
+2. Kumar S, Agrawal K, Mandan N. Red wine quality prediction using machine learning techniques. In2020 International Conference on Computer Communication and Informatics (ICCCI) 2020 Jan 22 (pp. 1-6). IEEE.
 
-[^3]: Aich S, Al-Absi AA, Hui KL, Lee JT, Sain M. A classification approach with different feature sets to predict the quality of different types of wine using machine learning techniques. In2018 20th International conference on advanced communication technology (ICACT) 2018 Feb 11 (pp. 139-143). IEEE.
\ No newline at end of file
+[^3]: Aich S, Al-Absi AA, Hui KL, Lee JT, Sain M. A classification approach with different feature sets to predict the quality of different types of wine using machine learning techniques. In2018 20th International conference on advanced communication technology (ICACT) 2018 Feb 11 (pp. 139-143). IEEE.
+3. Aich S, Al-Absi AA, Hui KL, Lee JT, Sain M. A classification approach with different feature sets to predict the quality of different types of wine using machine learning techniques. In2018 20th International conference on advanced communication technology (ICACT) 2018 Feb 11 (pp. 139-143). IEEE.