Seri Data to Insight · 10

Model yang Hafal vs Model yang Paham

Kenapa model yang "sempurna" di data lama sering gagal di dunia nyata — dan cara mengujinya.
Rahmat Hidayatullah · 7 menit baca · Interaktif

Membangun model prediksi itu seperti merakit mobil. Seru. Tapi kita tidak akan mengendarainya ke jalan tol sebelum mengetes remnya, kan? Validasi model adalah tes rem itu.

Tanpa validasi, kita berisiko punya model yang terlihat hebat di laporan, tapi gagal total ketika bertemu data baru.

Murid yang hafal kunci jawaban

Bayangkan dua murid. Murid A menghafal semua soal latihan beserta jawabannya. Murid B memahami konsepnya. Di latihan, nilai A sempurna. Tapi di ujian dengan soal baru, A kebingungan — B tetap lancar.

Model juga begitu. Karena itu data historis kita bagi dua:

Coba sendiri · Hafal atau Paham?

Atur kompleksitas model, perhatikan error di data uji

Error data latih
Error data uji
Diagnosis

Bias dan variance — dua jenis kesalahan

Underfitting (bias tinggi)

Model terlalu sederhana dan melewatkan pola penting — seperti memaksakan garis lurus pada data yang melengkung. Error tinggi di latih maupun uji.

Overfitting (variance tinggi)

Model terlalu rumit dan ikut menghafal noise. Error di data latih sangat kecil, tapi di data uji melonjak.

Targetnya ada di tengah: cukup kompleks untuk menangkap pola, cukup sederhana untuk tidak ikut menghafal kebetulan.

Cross-validation — ujian berkali-kali

Satu kali pembagian data bisa sial: kebetulan data ujinya terlalu mudah atau terlalu sulit. Cross-validation membagi data menjadi beberapa kelompok (misalnya 5), lalu bergiliran — setiap kelompok pernah jadi data uji. Hasilnya jauh lebih bisa dipercaya, seperti menilai murid dari lima ujian, bukan satu.

Validasi itu tanggung jawab, bukan formalitas

Model sering langsung memengaruhi keputusan nyata: siapa yang dapat kredit, berapa stok yang dipesan, pelanggan mana yang ditelepon. Model yang tidak divalidasi bisa merugikan uang dan reputasi. Validasi yang serius adalah janji seorang analis: insight yang kita berikan bisa diandalkan.

Model yang sempurna di data lama belum tentu berguna. Yang berguna adalah model yang tetap masuk akal di data yang belum pernah ia lihat.
← Kembali ke daftar