{"id":1178,"date":"2023-07-27T09:44:39","date_gmt":"2023-07-27T09:44:39","guid":{"rendered":"https:\/\/statorials.org\/id\/k-lipat-validasi-silang-di-r\/"},"modified":"2023-07-27T09:44:39","modified_gmt":"2023-07-27T09:44:39","slug":"k-lipat-validasi-silang-di-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/k-lipat-validasi-silang-di-r\/","title":{"rendered":"Validasi silang k-fold di r (langkah demi langkah)"},"content":{"rendered":"

<\/p>\n

\n

Untuk mengevaluasi performa suatu model pada kumpulan data, kita perlu mengukur seberapa cocok prediksi yang dibuat oleh model tersebut dengan data yang diamati.<\/span><\/p>\n

Metode yang umum digunakan untuk melakukan hal ini dikenal sebagai k-fold cross-validation<\/a> , yang menggunakan pendekatan berikut:<\/span><\/p>\n

1.<\/strong> Bagi kumpulan data secara acak menjadi k<\/em> kelompok, atau \u201clipatan\u201d, yang ukurannya kira-kira sama.<\/span><\/p>\n

2.<\/strong> Pilih salah satu lipatan sebagai set penahan. Sesuaikan template dengan sisa k-1 lipatan. Hitung uji MSE pada pengamatan pada lapisan yang dikencangkan.<\/span><\/p>\n

3.<\/strong> Ulangi proses ini sebanyak k<\/em> kali, setiap kali menggunakan himpunan berbeda sebagai himpunan pengecualian.<\/span><\/p>\n

4.<\/strong> Hitung UMK uji keseluruhan sebagai rata-rata UMK uji k<\/em> .<\/span><\/p>\n

Cara termudah untuk melakukan validasi silang k-fold di R adalah dengan menggunakan fungsi trainControl()<\/a> dari perpustakaan caret<\/strong> di R.<\/span><\/p>\n

Tutorial ini memberikan contoh singkat tentang cara menggunakan fungsi ini untuk melakukan validasi silang k-fold untuk model tertentu di R.<\/span><\/p>\n

Contoh: Validasi Silang K-Fold di R<\/strong><\/span><\/h3>\n

Misalkan kita memiliki kumpulan data berikut di R:<\/span><\/p>\n

 #create data frame<\/span>\ndf <- data.frame(y=c(6, 8, 12, 14, 14, 15, 17, 22, 24, 23),\n                 x1=c(2, 5, 4, 3, 4, 6, 7, 5, 8, 9),\n                 x2=c(14, 12, 12, 13, 7, 8, 7, 4, 6, 5))\n\n#view data frame\n<\/span>df\n\ny x1 x2\n6 2 14\n8 5 12\n12 4 12\n14 3 13\n14 4 7\n15 6 8\n17 7 7\n22 5 4\n24 8 6\n23 9 5\n<\/strong><\/pre>\n
 Kode berikut menunjukkan cara menyesuaikan model regresi linier berganda<\/a> dengan kumpulan data ini di R dan melakukan validasi silang k-fold dengan k = 5 kali untuk mengevaluasi performa model:<\/span><\/p>\n
 library<\/span> (caret)<\/span>\n\n#specify the cross-validation method<\/span>\nctrl <- trainControl(method = \" cv<\/span> \", number = 5)\n\n#fit a regression model and use k-fold CV to evaluate performance\n<\/span>model <- train(y ~ x1 + x2, data = df, method = \" lm<\/span> \", trControl = ctrl)\n\n#view summary of k-fold CV               \n<\/span>print(model)\n\nLinear Regression \n\n10 samples\n 2 predictors\n\nNo pre-processing\nResampling: Cross-Validated (5 fold) \nSummary of sample sizes: 8, 8, 8, 8, 8 \nResampling results:\n\n  RMSE Rsquared MAE     \n  3.018979 1 2.882348\n\nTuning parameter 'intercept' was held constant at a value of TRUE\n<\/strong><\/pre>\n
 Berikut cara menafsirkan hasilnya:<\/span><\/p>\n