Training dan Testing Ilmu Komputer "Root Mean Square Error"

Training dan Testing, secara harafiah berarti latihan dan pengujian. Dalam machine learning atau ilmu statistika akan sering dijumpai dua kata tersebut, training dan testing. Tapi, apakah pengertian training dan testing dalam konteks machine learning sama dengan perngertian secara harafiah. Dalam konteks ilmu komputer sebenarnya pengertian training tidak jauh berbeda dengan pengertia secara harafiah. Training = latihan. Setelah proses training dilakukan pada sebuah algoritma Machine Learning, tahap selanjutnya adalah melakukan evaluasi terhadap performa algoritma tersebut atau biasa disebut testing. Pada proses testing, performa algoritma akan diuji menggunakan testing set, dimana testing set dan training set merupakan data yang berbeda.

Sebuah algoritma dengan performa yang tinggi akan dapat mengkategorisasikan dengan benar data baru, yang berbeda dengan yang digunakan dalam proses training. Kondisi tersebut dikenal dengan generalisasi, semakin tinggi generalisasi dari sebuah algoritma makan akan semakin tinggi recognition rate-nya.

Contoh Pengujian Algoritma Klasifikasi:

1. Biasanya untuk pengujian klasifikasi digunakan skema yang lebih kompleks seperti k-folds cross validation.
2. Gambar dibawah ini adalah contoh pengujian sederhana algoritma klasifikasi.
3. Tingkat kesalahan prediksi algortima diukur menggunakan Root Mean Square Error.

RMSE adalah metode alternatif untuk mengevaluasi teknik peramalan yang digunakan untuk mengukur tingkat akurasi hasil prakiraan suatu model. RMSE merupakan nilai rata-rata dari jumlah kuadrat kesalahan, juga dapat menyatakan ukuran besarnya kesalahan yang dihasilkan oleh suatu model prakiraan. Nilai RMSE rendah menunjukkan bahwa variasi nilai yang dihasilkan oleh suatu model prakiraan mendekati variasi nilai obeservasinya

  

Sumber:

https://prasetiautamacv.wordpress.com/2016/07/10/training-dan-testing/

[Makridakis, S. et al., (1982) "The Accuracy of Extrapolative (Time Series Methods): Results of a Forecasting Competition", Journal of Forecasting, Vol. 1, No. 2, pp. 111-153