Maintenance script: Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

2026-08-23T10:27:40Z

Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

← Revisi sebelumnya		Revisi per 23 Agustus 2026 10.27
Baris 1:		Baris 1:
			[[File:Overfitting.svg\|thumb\|right\|280px\|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]]

	'''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.		'''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.

Baris 32:		Baris 34:

	== Bacaan lanjutan ==		== Bacaan lanjutan ==
			*
	*
	== Pranala luar ==		== Pranala luar ==
	* [http://blog.lokad.com/journal/2009/4/22/overfitting-when-accuracy-measure-goes-wrong.html Overfitting: when accuracy measure goes wrong] - an introductory video tutorial.		* [http://blog.lokad.com/journal/2009/4/22/overfitting-when-accuracy-measure-goes-wrong.html Overfitting: when accuracy measure goes wrong] - an introductory video tutorial.
Baris 39:		Baris 40:
	* [http://courses.cs.washington.edu/courses/cse546/12wi/slides/cse546wi12LinearRegression.pdf CSE546: Linear Regression Bias / Variance Tradeoff]		* [http://courses.cs.washington.edu/courses/cse546/12wi/slides/cse546wi12LinearRegression.pdf CSE546: Linear Regression Bias / Variance Tradeoff]

			== Sumber dan atribusi ==

			Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Overfitting&oldid=28799171 Wikipedia bahasa Indonesia], revisi 28799171 (2026-01-10T13:34:51Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Gambar pada artikel ini bersumber dari Wikimedia Commons dan mengikuti ketentuan lisensi masing-masing berkas. Mohon gunakan konten dan media secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.

	~~== Sumber dan atribusi ==~~		<!-- WIKI_UNISSULA_PRESENTATION_V4 -->

	~~Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Overfitting&oldid=28799171 Wikipedia bahasa Indonesia], revisi 28799171 (2026~~-01-~~10T13:34:51Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi~~-~~BerbagiSerupa (CC BY~~-~~SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.~~

Maintenance script: Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 28799171; atribusi sumber disertakan.

2026-08-23T09:57:06Z

Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 28799171; atribusi sumber disertakan.

Halaman baru

'''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 ==
* [http://blog.lokad.com/journal/2009/4/22/overfitting-when-accuracy-measure-goes-wrong.html Overfitting: when accuracy measure goes wrong] - an introductory video tutorial.
* [http://www3.cs.stonybrook.edu/~skiena/jaialai/excerpts/node16.html The Problem of Overfitting Data]
* [http://courses.cs.washington.edu/courses/cse546/12wi/slides/cse546wi12LinearRegression.pdf CSE546: Linear Regression Bias / Variance Tradeoff]

== Sumber dan atribusi ==

Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Overfitting&oldid=28799171 Wikipedia bahasa Indonesia], revisi 28799171 (2026-01-10T13:34:51Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.

Overfitting - Riwayat revisi

Maintenance script: Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

Maintenance script: Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 28799171; atribusi sumber disertakan.