Model yang tidak dievaluasi dengan benar hanya menghasilkan keyakinan palsu. Section ini membahas metrik evaluasi regresi dan klasifikasi secara menyeluruh — dari confusion matrix, precision, recall, F1, sampai ROC dan AUC — lalu melanjutkan ke protokol validasi yang jujur: cross-validation, stratified sampling, penanganan data timpang, hyperparameter tuning, analisis kesalahan, dan proses membandingkan serta memilih model terbaik.

# Pembagian Data Latihan dan Pengujian

Pahami mengapa data wajib dibagi dan bagaimana membaginya dengan benar.

Buka → # Metrik Evaluasi Regresi

Ukur model regresi dengan MAE, MSE, RMSE, dan R-squared beserta tafsirannya.

Buka → # Metrik Evaluasi Klasifikasi

Kenali akurasi, presisi, recall, dan F1 beserta kapan masing-masing menjadi prioritas.

Buka → # Confusion Matrix

Baca confusion matrix dengan teliti dan turunkan semua metrik darinya.

Buka → # Precision, Recall, dan F1-Score

Dalami presisi, recall, dan trade-off keduanya lewat F1 dan ambang keputusan.

Buka → # ROC dan AUC

Gambar kurva ROC, hitung AUC, dan bandingkan dengan kurva precision-recall.

Buka → # Cross-Validation

Validasi silang dengan k-fold agar estimasi performa tidak bergantung satu pembagian.

Buka → # Stratified Sampling

Jaga proporsi kelas saat membagi data yang timpang dengan stratifikasi.

Buka → # Hyperparameter Tuning

Cari konfigurasi terbaik dengan GridSearchCV dan RandomizedSearchCV.

Buka → # Evaluasi Model pada Data Imbalanced

Evaluasi model pada data timpang tanpa terjebak angka akurasi yang tinggi semu.

Buka → # Analisis Kesalahan Model

Bedah kesalahan model per segmen untuk menemukan langkah perbaikan berikutnya.

Buka → # Membandingkan Model

Bandingkan beberapa model secara adil dengan metrik dan prosedur yang sama.

Buka → # Memilih Model Terbaik

Putuskan model akhir dengan menimbang performa, kesederhanaan, dan biaya operasional.

Buka →