PROMO SUPER HUT JAKARTA KE-497!
Belajar Data Science 12 Bulan hanya 175K!

0 Hari 18 Jam 9 Menit 51 Detik

Tipe Machine Learning dengan K-Fold Cross Validation

Belajar Data Science di Rumah 05-Oktober-2023
https://dqlab.id/files/dqlab/cache/1-longtail-rabu-07-2023-10-07-075146_x_Thumbnail800.jpg

Machine learning dalam perkembangannya memiliki berbagai tipe yang diterapkan dalam keseharian seorang praktisi data. Adapun tipe tersebut akan menurunkan berbagai macam metode machine learning untuk mempermudah dalam penyeleksian data dan mentransformasikan antara data dengan hasil output berupa informasi yang dapat dijadikan sebagai dasar pengambilan keputusan. Salah satu tipe machine learning yang aplikatif dalam industri adalah K-Fold Cross Validation. 


K-Fold Cross-Validation merupakan salah satu teknik evaluasi yang umum digunakan dalam machine learning untuk mengukur kinerja model dengan lebih akurat. Ini digunakan untuk mengatasi masalah overfitting dan underfitting, serta memastikan bahwa model yang dibangun memiliki generalisasi yang baik pada data yang tidak terlihat sebelumnya.


Berikut adalah penjelasan singkat tentang bagaimana K-Fold Cross-Validation bekerja dalam machine learning. Simak yuk sahabat DQLab!


1. Pengertian K-Fold Cross Validation

K-Fold Cross-Validation adalah sebuah teknik validasi dalam machine learning yang digunakan untuk mengukur kinerja model dengan lebih akurat, menghindari overfitting, dan memastikan bahwa model memiliki kemampuan generalisasi yang baik.


Dalam K-Fold Cross-Validation, data latih dibagi menjadi K subset (biasanya disebut "fold") yang sama ukurannya. Selama proses validasi, satu fold digunakan sebagai data validasi, sementara sisanya digunakan sebagai data latih. Proses ini diulangi K kali, sehingga setiap fold menjadi data validasi satu kali.

Machine Learning

Sumber Gambar: Medium/Siladittya Manna


Baca juga : Yuk Kenali Macam-Macam Algoritma Machine Learning!


2. Langkah-langkah K-Fold Cross Validation

Berikut adalah langkah umum dalam K-Fold Cross Validation:

Langkah 1: Data latih dibagi menjadi K fold.

Langkah 2: Proses training dan validasi dijalankan K kali. Pada setiap iterasi:

  • Salah satu fold digunakan sebagai validasi.

  • Sisanya digunakan untuk melatih model.

  • Model diuji pada fold validasi, dan metrik evaluasi seperti akurasi, presisi, recall, atau F1-score dihitung.

Langkah 3: Hasil evaluasi dari setiap iterasi diambil rata-rata untuk mendapatkan kinerja model secara keseluruhan.


3. Rentang Nilai K

Biasanya K memiliki nilai yang umum seperti 5 atau 10, namun juga bisa disesuaikan dengan kebutuhan. Apabila nilai K yang ditetapkan lebih tinggi tentunya memberikan estimasi kinerja yang lebih stabil tetapi membutuhkan waktu komputasi yang lebih banyak. Pemilihan nilai K harus mempertimbangkan ukuran dataset dan tujuan eksperimen.


Baca juga : Bootcamp Machine Learning and AI for Beginner


4. Keuntungan dari K-Fold Cross Validation

Adapun keuntungan dari penerapan K-Fold Cross Validation adalah meningkatan estimasi kinerja. Dengan menghitung rata-rata hasil dari K iterasi, kita mendapatkan perkiraan kinerja yang lebih stabil dan akurat daripada hanya membagi data menjadi satu set train dan validasi.


Selain itu, dengan K-Fold Cross Validation juga menghindari risiko overfitting. Model nantinya akan dilatih dan diuji pada berbagai kombinasi data yang membantu menghindari overfitting.

Machine Learning

Sumber Gambar: Section.io


Ternyata machine learning juga banyak sekali penerapannya di bidang industri. Salah satunya industri kecantikan. Dimana ya bisa belajar semua materi tersebut? Tenang, DQLab solusinya.


Modul ajarnya lengkap dan bervariasi. Semua skill yang dibutuhkan akan diajarkan. Dilengkapi studi kasus yang membantu kalian belajar memecahkan masalah dari berbagai industri.


Bahkan diintegrasikan dengan ChatGPT. Manfaatnya apa?

  • Membantu kalian menjelaskan lebih detail code yang sedang dipelajari

  • Membantu menemukan code yang salah atau tidak sesuai

  • Memberikan solusi atas problem yang dihadapi pada code

  • Membantu kalian belajar kapanpun dan dimanapun


Selain itu, DQLab juga menggunakan metode HERO yaitu Hands-On, Experiential Learning & Outcome-based, yang dirancang ramah untuk pemula. Tunggu apa lagi, segera Sign Up dan persiapkan diri untuk menguasai machine learning dengan ikuti DQLab LiveClass Bootcamp Machine Learning and AI for Beginner


Penulis: Reyvan Maulid




Mulai Karier
sebagai Praktisi
Data Bersama
DQLab

Daftar sekarang dan ambil langkah
pertamamu untuk mengenal
Data Science.

Buat Akun


Atau

Sudah punya akun? Login