Metode Pengujian 3 Fold Cross Validation

Cross-validation (CV) adalah metode statistik yang dapat digunakan untuk mengevaluasi kinerja model atau algoritma dimana data dipisahkan menjadi dua subset yaitu data proses pembelajaran dan data validasi / evaluasi. Model atau algoritma dilatih oleh subset pembelajaran dan divalidasi oleh subset validasi. Selanjutnya pemilihan jenis CV dapat didasarkan pada ukuran dataset. Biasanya CV K-fold digunakan karena dapat mengurangi waktu komputasi dengan tetap menjaga keakuratan estimasi.

Teknik ini utamanya digunakan untuk melakukan prediksi model dan memperkirakan seberapa akurat sebuah model prediktif ketika dijalankan dalam praktiknya. Dalam sebuah masalah prediksi, sebuah model biasanya diberikan kumpulan data (dataset) yang diketahui untuk digunakan dalam menjalankan pelatihan (dataset pelatihan), serta kumpulan data yang tidak diketahui (atau data yang pertama kali dilihat)  terhadap model yang diuji (pengujian dataset)

Metode 3 - fold cross validation membagi sebuah himpunan contoh  secara  acak  menjadi  3  subset yang saling bebas. Dilakukan pengulangan sebanyak 3kali untuk pelatihan dan pengujian. Pada setiap ulangan, disisakan satu subset untuk pengujian dan subset lainnya untuk pelatihan. Tingkat akurasi dihitung dengan membagi jumlah keseluruhan klasifikasi  yang benar dengan jumlah  semua  i nstance pada data  awal. Pembagian dan prosedur 3 - Fold Cross  Validation seperti pada gambar dibawah ini.

Prosedur  Three - Cross Validation Dari 200 data yang ada, dibagi menjadi tiga bagian dengan komposisi jumlah data seperti pada tabel dibawah.
 

 

Setelah dilakukan berbagai ujicoba didapatkan hasil seperti pada tabel 3

Sumber:

Refaeilzadeh,  Payam.  Tang,  Lei.  Liu,  Huan.  Cross - Validation.  Arizona State University, 2008

http://semnas.amikom.ac.id//document/pdf/1259.pdf

https://mti.binus.ac.id/2017/11/24/10-fold-cross-validation/