Simulasi Interaktif
Overfitting: Ketika Model Terlalu "Pintar"
Lihat bagaimana model yang terlalu kompleks bisa "menghafal" data training sampai tidak bisa generalisasi ke data baru. Ini adalah konsep paling penting dalam machine learning.
1
15
Cara membaca simulasi ini
- Titik biru: data training (yang model "belajar" dari sini)
- Garis merah: prediksi model
- Garis hijau putus-putus: "kebenaran sejati" (yang tidak diketahui model)
- Degree 1-2: Underfitting — terlalu sederhana, tidak menangkap pola
- Degree 3-4: Just right — mengikuti tren tanpa hafal noise
- Degree 8+: Overfitting — hafal setiap titik tapi tidak bisa prediksi data baru
Implikasi nyata:
Kalau Abbas membuat model yang akurasi training-nya 99% tapi test-nya 62%, apa yang terjadi? Bagaimana cara mendeteksi overfitting sebelum deploy model ke production? Apa yang bisa Abbas lakukan untuk mencegahnya?
Kalau Abbas membuat model yang akurasi training-nya 99% tapi test-nya 62%, apa yang terjadi? Bagaimana cara mendeteksi overfitting sebelum deploy model ke production? Apa yang bisa Abbas lakukan untuk mencegahnya?