Apa Itu Overfitting? Penjelasan untuk Pemula
Overfitting adalah kondisi ketika model machine learning menyesuaikan diri terlalu dekat dengan data latih, termasuk kebisingan dan detail acak, sehingga akurasinya tinggi pada data latih tetapi buruk pada data baru.
Versi sederhananya
Bayangkan siswa yang menghafal semua soal latihan beserta jawabannya. Saat soalnya sama, ia mendapat nilai tinggi, tetapi saat bertemu soal baru yang sedikit berbeda, ia kesulitan. Itulah gambaran overfitting.
Tiga kondisi model
| Kondisi | Data latih | Data baru | Masalah |
|---|---|---|---|
| Underfitting | Buruk | Buruk | Terlalu sederhana |
| Seimbang | Baik | Baik | Sesuai |
| Overfitting | Baik | Buruk | Menghafal noise |
Penyebab umum
Model yang terlalu kompleks, data yang terlalu sedikit, atau pelatihan terlalu lama dapat membuat model mempelajari kebisingan, bukan pola umum.
Cara mengatasinya
Regularisasi, menambah data, menyederhanakan model, dan menghentikan pelatihan lebih awal adalah pendekatan yang umum dipakai.
Keterbatasan
Mendeteksi overfitting memerlukan data validasi yang terpisah, karena skor latih saja tidak menunjukkan apakah model dapat generalisasi.
FAQ
Apa itu underfitting?
Kondisi model terlalu sederhana sehingga gagal menangkap pola penting.
Apa itu noise?
Variasi acak atau kesalahan dalam data yang bukan pola sebenarnya.
Mengapa skor latih tinggi belum cukup?
Model bisa menghafal data latih tanpa mampu bekerja pada data baru.
Apa peran regularisasi?
Membatasi kompleksitas model untuk membantu generalisasi.
Poin utama
- Overfitting menghafal data latih termasuk noise.
- Skor latih tinggi, skor data baru rendah.
- Regularisasi dan lebih banyak data membantu.
- Data validasi terpisah diperlukan untuk mendeteksinya.
Lanjutkan membaca apa itu supervised learning dan evaluasi model machine learning.
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free