K-Fold Cross Validation dan Contoh Pemrogramannya

K-Fold Cross Validation adalah teknik validasi model pada machine learning yang digunakan untuk mengukur seberapa baik kinerja model yang dibuat. Teknik ini melibatkan pemisahan dataset menjadi k bagian yang sama besar, kemudian dilakukan training dan evaluasi model dengan membagi data ke dalam k grup, di mana salah satu grup digunakan sebagai data validasi dan sisanya digunakan untuk training.

Contoh pemrograman untuk K-Fold Cross Validation menggunakan Python dan library Scikit-Learn adalah sebagai berikut:

from sklearn.model_selection import KFold

from sklearn.model_selection import cross_val_score

from sklearn.linear_model import LinearRegression

import numpy as np

# load dataset

X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])

y = np.array([2, 4, 6, 8])

# define k-fold cross validation

kfold = KFold(n_splits=2, shuffle=True, random_state=42)

# define model

model = LinearRegression()

# evaluate model using cross validation

results = cross_val_score(model, X, y, cv=kfold)

print("Accuracy: %.2f%% (%.2f%%)" % (results.mean()*100.0, results.std()*100.0))

Pada contoh di atas, dataset yang digunakan adalah X dan y. Kemudian, kfold didefinisikan sebagai objek KFold dengan n_splits=2 artinya data akan dibagi menjadi 2 bagian dengan ukuran yang sama dan shuffle=True artinya dataset akan diacak sebelum dibagi. Selanjutnya, model yang digunakan adalah LinearRegression.

Terakhir, model dievaluasi menggunakan cross_val_score dengan argumen model, X, y, dan cv=kfold. Hasil evaluasi ditampilkan pada output yang mencantumkan akurasi dan deviasi standar.