Jumat, 20 November 2026
05:46 WIB
TERKINI
Bandar Lampung Jaksa Ungkap Dana Tantiem Mengalir ke Politisi di Kasus Korupsi Migas Lampung Pringsewu Anggota DPRD Pringsewu Pantau Ketat Perbaikan Jalan Raden Intan Wonodadi Pesawaran Pesawaran Prioritaskan Kesehatan Atlet di Porprov X Lampung 2026 dengan Tim Medis Khusus Tanggamus Polres Tanggamus Ungkap Pembobolan Rumah Rp45 Juta, Satu Pelaku Ditangkap di Wonosobo Nasional Era Baru Pemberantasan Korupsi: RUU Perampasan Aset Resmi Jadi Undang-Undang Lampung Timur Pendekatan Humanis Operasi Zebra Krakatau: Pelajar Lampung Timur Dididik Lewat Lagu Kebangsaan Bandar Lampung Bendungan Batutegi Kritis, BBWS Mesuji Sekampung Gelar Modifikasi Cuaca Jelang Musim Tanam Nasional Bareskrim Geledah Rumah Irjen Eko Terkait Dugaan Makar Eks Kapolri Listyo Sigit Ekonomi Dan Bisnis Harga Emas Antam 18 November 2026: Turun Tipis, Ini Rincian Lengkapnya Advertorial Layanan Publik Makin Dekat: Natar Kini Miliki Samsat Drive Thru dan MPP Mini Bandar Lampung Jaksa Ungkap Dana Tantiem Mengalir ke Politisi di Kasus Korupsi Migas Lampung Pringsewu Anggota DPRD Pringsewu Pantau Ketat Perbaikan Jalan Raden Intan Wonodadi Pesawaran Pesawaran Prioritaskan Kesehatan Atlet di Porprov X Lampung 2026 dengan Tim Medis Khusus Tanggamus Polres Tanggamus Ungkap Pembobolan Rumah Rp45 Juta, Satu Pelaku Ditangkap di Wonosobo Nasional Era Baru Pemberantasan Korupsi: RUU Perampasan Aset Resmi Jadi Undang-Undang Lampung Timur Pendekatan Humanis Operasi Zebra Krakatau: Pelajar Lampung Timur Dididik Lewat Lagu Kebangsaan Bandar Lampung Bendungan Batutegi Kritis, BBWS Mesuji Sekampung Gelar Modifikasi Cuaca Jelang Musim Tanam Nasional Bareskrim Geledah Rumah Irjen Eko Terkait Dugaan Makar Eks Kapolri Listyo Sigit Ekonomi Dan Bisnis Harga Emas Antam 18 November 2026: Turun Tipis, Ini Rincian Lengkapnya Advertorial Layanan Publik Makin Dekat: Natar Kini Miliki Samsat Drive Thru dan MPP Mini
Overfitting

Overfitting

Bagikan:
ikon
Artikel ini perlu dikembangkan dari artikel terkait di Wikipedia bahasa Inggris. (Juli 2019)
klik [tampil] untuk melihat petunjuk sebelum menerjemahkan.
  • Lihat versi terjemahan mesin dari artikel bahasa Inggris.
  • Terjemahan mesin Google adalah titik awal yang berguna untuk terjemahan, tapi penerjemah harus merevisi kesalahan yang diperlukan dan meyakinkan bahwa hasil terjemahan tersebut akurat, bukan hanya salin-tempel teks hasil terjemahan mesin ke dalam Wikipedia bahasa Indonesia.
  • Jangan menerjemahkan teks yang berkualitas rendah atau tidak dapat diandalkan. Jika memungkinkan, pastikan kebenaran teks dengan referensi yang diberikan dalam artikel bahasa asing.
  • Setelah menerjemahkan, {{Translated|en|Overfitting}} harus ditambahkan di halaman pembicaraan untuk memastikan kesesuaian hak cipta.
  • Untuk panduan lebih lanjut, lihat Wikipedia:Panduan dalam menerjemahkan artikel.
330px-Overfitting.svg.png?utm_source=id.wikipedia.org&utm_campaign=parser&utm_content=thumbnail
Garis hijau melambangkan model yang overfitting/underfitting dan garis hitam melambangkan model yang sudah teratur. Walaupun garis hijau adalah yang paling akurat untuk set data di gambar ini, tetapi kemungkinan galat terjadi akan besar bila datanya diganti.
330px-Overfitted_Data.png?utm_source=id.wikipedia.org&utm_campaign=parser&utm_content=thumbnail
Data berisik (noisy) yang berbentuk linear secara tak utuh, diterapkan ke fungsi linear dan fungsi polinomial. Meskipun fungsi polinomial sangat cocok untuk set data di gambar ini, fungsi linear dapat memberikan gambaran generalisasi yang lebih baik Jika dua fungsi digunakan untuk mengekstrapolasi diluar data set, fungsi linear dapat membuat prediksi yang lebih baik.

Overfitting adalah suatu keadaan di mana data yang digunakan untuk pelatihan itu adalah yang "terbaik". Sehingga apabila dilakukan tes dengan menggunakan data yang berbeda dapat mengurangi akurasi (hasil yang dibuat tidak sesuai yang diharapkan). Overfitting dapat terjadi ketika beberapa batasan didasarkan pada sifat khusus yang tidak membuat perbedaan pada data. Selain itu duplikasi data minor yang berlebihan juga dapat mengakibatkan terjadinya overfitting.

Underfitting adalah keadaan di mana model pelatihan data yang dibuat tidak mewakilkan keseluruhan data yang akan digunakan nantinya. Sehingga menghasilkan performa yang buruk dalam pelatihan data. Underfitting terjadi karena model masih mempelajari struktur dari data. Hasilnya, tree bekerja dengan buruk pada masa pelatihan dan tes. Sebagaimana banyaknya node dalam pohon keputusan meningkat, tree memiliki galat pelatihan dan tes yang lebih kecil. Pada saat tree berukuran sangat besar, tingkat terjadinya galat tes mulai meningkat walaupun tingkat galat pelatihannya terus menurun.

Cara Mendeteksi Overfitting

Terdapat beberapa metode yang bisa dilakukan untuk mendeteksi Overfitting yang terjadi terutama dalam Machine Learning (ML), antara lain:

1. Hold-out Validation

Metode ini memerlukan proses pemisahan data menjadi dua bagian, yaitu set data pelatihan dan set data pengujian. Model akan dilatih melalui set data pelatihan dan dievaluasi melalui set pengujian. Perbedaan hasil dari dua set ini yang kemudian disebut dengan 'overfitting'.

2. Cross-Validation

Disebut juga dengan Validasi Silang K-Fold, metode ini dianggap sebagai metode yang paling tepat dan akurat untuk mendeteksi Overfitting. Proses dimulai dengan pembagian data menjadi beberapa subset dan dilatih lebih dari satu kali.

Subset yang digunakan dalam proses validasi adalah subset yang berbeda. Misal data dibagi menjadi tiga set, maka model harus dilatih sebanyak tiga kali. Jika model yang dilatih menghasilkan kinerja yang baik namun memburuk pada lipatan validasi, itu lah yang disebut dengan 'overfitting'.

3. Learning Curves

Metode ini memanfaatkan kurva pembelajaran di mana melibatkan perbandingan antara kesalahan pelatihan dan kesalahan validasi. Bila kesalahan pelatihan yang terjadi lebih rendah dari kesalahan validasi, ditemukan adanya 'overfitting'. Sementara itu, bila tidak terjadi 'overfitting', kesalahan pelatihan dan validasi akan tetap berkonvergensi meski ukuran set pelatihan bertambah.

Cara Menghindari Overfitting-Underfitting

Ada dua pendekatan yang bisa dilakukan untuk menghindari Overfitting maupun Underfitting, antara lain:

1. Prepruning

Pendekatan prepruning dilakukan dengan menghentikan pembuatan tree di awal. Pengguna tidak diperbolehkan melakukan pemisahan node jika goodness measure dibawah threshold, meski dapat menyebabkan sulitnya menentukan threshold.

2. Postpruning

Berbeda dari prepruning, postpruning membutuhkan pengguna untuk membuang cabang setelah tree selesai dibuat. Pendekatan ini dilakukan dengan menggunakan data yang berbeda pada pelatihan untuk menentukan pruned tree yang terbaik.

Cara Mengatasi Overfitting-Underfitting

Bila Overfitting dan Underfitting telah terjadi, ada beberapa cara yang bisa dilakukan, antara lain:

  • Gunakan teknik sampel ulang untuk memperkirakan akurasi model. Di mana nantinya akan melakukan validasi beberapa kali dengan perbandingan data yang berbeda sampai menemukan akurasi yang cukup optimal.
  • Cek kembali validitas dari set data.

Bacaan lanjutan

Pranala luar

Konten disalin dari Wikipedia Bahasa Indonesia (lisensi CC BY-SA) Lihat versi asli di Wikipedia

Rekomendasi Pilihan