Lihat sumber Overfitting pada Decision Tree

Overfitting adalah salah satu masalah utama dalam [[pohon keputusan]] di mana model terlalu menyesuaikan diri dengan data latih sehingga performa pada data baru menjadi buruk. Hal ini terjadi ketika pohon terlalu dalam dan menangkap noise atau pola yang tidak relevan dalam data.

== Penyebab Overfitting ==
Overfitting sering disebabkan oleh pembentukan pohon yang terlalu kompleks tanpa batasan tertentu, seperti jumlah level pohon atau jumlah data minimal pada setiap simpul. Selain itu, data yang mengandung banyak noise juga dapat menyebabkan overfitting pada decision tree.

== Dampak Overfitting ==
Model yang overfit biasanya menunjukkan akurasi tinggi pada data pelatihan namun rendah pada data pengujian. Hal ini menyebabkan model tidak dapat digeneralisasi dengan baik ke data baru, sehingga kurang efektif dalam praktik.

== Cara Mengatasi Overfitting ==
Untuk mengatasi overfitting, dapat dilakukan teknik [[pruning]], membatasi kedalaman pohon, atau menggunakan ensemble methods seperti [[Random Forest]] yang menggabungkan beberapa pohon keputusan sekaligus.