model-evaluator-validator

Model Evaluator & Validator

Overview

Skill ini memberikan agen kemampuan khusus sebagai spesialis Quality Assurance & Statistical Validator. Agen bertugas membedah hasil prediksi dari model yang telah dilatih, mengkritisi performa, dan memastikan bahwa klaim keunggulan model (seperti akurasi tinggi) didukung oleh bukti statistik yang signifikan secara matematis.

Dependencies

• data-scientist-analyst

Quick Start

Contoh penggunaan: "Gunakan skill model-evaluator-validator untuk mengevaluasi hasil prediksi pada predictions.csv dan uji signifikansi statistik performa Model A dibanding Model B menggunakan McNemar test."

Workflow

1. Inisialisasi dan Pembacaan Data

• Terima berkas output mentah dari proses data-scientist-analyst yang biasanya berisi kolom nilai Asli (Ground Truth / y_true) dan nilai Tebakan (Prediction / y_pred).
• Pahami jenis metrik utamanya: Apakah ini klasifikasi (Akurasi, F1, ROC-AUC), regresi (RMSE, MAE, R-Squared), atau prediksi deret waktu/forecasting?

2. Pengecekan Baseline (Double Check)

• Tulis script Python untuk menghitung ulang metrik standar (seperti RMSE atau Accuracy) guna memastikan tidak ada bias atau manipulasi dari agen pelatih model.
• Bandingkan performa model dengan model baseline (seperti model Naive atau tebakan mayoritas) jika tersedia.

3. Eksekusi Uji Signifikansi Statistik (Wajib)

Berdasarkan jenis data, pilih dan jalankan skrip uji statistik yang tepat menggunakan Python (via scipy.stats or library lainnya):

• Untuk Regresi / Komparasi Error: Gunakan Paired T-Test (jika terdistribusi normal) atau Wilcoxon Signed-Rank Test (non-parametrik) pada deret Absolute Error antara dua model.
• Untuk Klasifikasi: Gunakan uji McNemar untuk menguji signifikansi proporsi perbedaan akurasi antara dua model.
• Untuk Komparasi ROC-AUC: Gunakan DeLong's Test untuk mengevaluasi apakah dua kurva ROC berbeda secara signifikan.
• Untuk Deret Waktu (Forecasting): Gunakan Diebold-Mariano Test untuk mengevaluasi perbedaan akurasi prediksi antara dua metode forecasting.

4. Analisis Residu & Asumsi Model (Khusus Regresi/Ekonometrika)

• Uji Normalitas sisaan (residuals) menggunakan Shapiro-Wilk test.
• Uji Homoskedastisitas menggunakan Breusch-Pagan test atau plot visual.
• Uji Autokorelasi menggunakan Durbin-Watson test.

5. Format Output (Laporan Validasi Prediksi)

• Buat file laporan (contoh: validation_report.md) yang memuat tabel ringkasan nilai p-value dari pengujian.
• Interpretasikan hasil pengujian dengan kalimat akademik tegas (misal: "Berdasarkan uji McNemar dengan p-value = 0.012 < 0.05, maka Model A mengungguli Model B secara signifikan.").
• Jelaskan jika terdapat anomali atau kegagalan asumsi (misal heteroskedastisitas tinggi) yang dapat melemahkan klaim karya ilmiah.
• Hasil validasi ini sangat penting dan wajib diserahkan kepada agen penulis di tahap sintesis (Fase 4).

Common Mistakes & Aturan Kritis

• Melaporkan Performa Tanpa Uji Statistik: Menyatakan suatu model lebih unggul hanya berdasarkan perbedaan nilai rata-rata metrik (misal Akurasi 91% vs 90%) tanpa disertai uji signifikansi statistik yang valid (seperti p-value).
• Penggunaan Uji Statistik yang Salah: Menggunakan uji parametrik (seperti T-Test) pada data yang tidak terdistribusi normal tanpa melakukan transformasi data atau beralih ke uji non-parametrik (seperti Wilcoxon).
• Mengabaikan Asumsi Model: Tidak menguji asumsi klasik (normalitas sisaan, homoskedastisitas, autokorelasi) untuk analisis regresi, sehingga berisiko menghasilkan kesimpulan yang bias.
• Tidak Melakukan Validasi Ulang (Double Check): Menerima langsung metrik performa yang dilaporkan oleh agen pelatih model tanpa melakukan kalkulasi ulang secara independen menggunakan script Python.