Lihat sumber Cross-Validation: Konsep dan Definisi

Cross-validation adalah salah satu teknik dalam [[machine learning]] yang digunakan untuk menilai seberapa baik sebuah model dapat melakukan generalisasi pada data yang belum pernah dilihat sebelumnya. Teknik ini bertujuan untuk mengurangi masalah [[overfitting]] dan memastikan model yang dibangun dapat bekerja dengan baik pada data nyata di luar data pelatihan. Cross-validation menjadi bagian penting dalam proses validasi model sebelum digunakan untuk prediksi.

== Pengertian Cross-Validation ==
Cross-validation merupakan metode evaluasi model yang melibatkan pemisahan data menjadi beberapa subset atau "folds". Setiap subset secara bergantian digunakan sebagai data uji, sementara subset lainnya menjadi data pelatihan. Dengan cara ini, seluruh data akan digunakan baik sebagai data uji maupun data latih, sehingga evaluasi model menjadi lebih akurat.

== Manfaat Cross-Validation ==
Teknik cross-validation membantu dalam mengidentifikasi model yang terlalu kompleks (overfitting) atau terlalu sederhana (underfitting), sehingga dapat dipilih model dengan performa terbaik. Selain itu, metode ini juga memberikan estimasi yang lebih stabil terhadap kemampuan generalisasi model dibandingkan pembagian data secara acak.

== Hubungan dengan Machine Learning ==
Dalam [[machine learning]], cross-validation sering digunakan bersamaan dengan proses [[hyperparameter tuning]] untuk mencari parameter terbaik dari sebuah model. Penggunaan cross-validation membuat proses pemilihan model menjadi lebih objektif dan dapat diandalkan.