https://inibudi.or.id/wiki/index.php?action=history&feed=atom&title=Oversampling_dalam_Pembelajaran_Mesin 2026-04-21T16:52:16Z Riwayat revisi halaman ini di wiki MediaWiki 1.43.0 https://inibudi.or.id/wiki/index.php?title=Oversampling_dalam_Pembelajaran_Mesin&diff=18868&oldid=prev 2025-08-08T02:20:14Z

<p>Text replacement - &quot;<a href="/wiki/index.php/Pembelajaran_mesin" title="Pembelajaran mesin">pembelajaran mesin</a>&quot; to &quot;<a href="/wiki/index.php/Pembelajaran_Mesin" class="mw-redirect" title="Pembelajaran Mesin">Pembelajaran Mesin</a>&quot;</p> <table style="background-color: #fff; color: #202122;" data-mw="interface"> <col class="diff-marker" /> <col class="diff-content" /> <col class="diff-marker" /> <col class="diff-content" /> <tr class="diff-title" lang="id"> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">← Revisi sebelumnya</td> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">Revisi per 8 Agustus 2025 02.20</td> </tr><tr><td colspan="2" class="diff-lineno" id="mw-diff-left-l1">Baris 1:</td> <td colspan="2" class="diff-lineno">Baris 1:</td></tr> <tr><td class="diff-marker" data-marker="−"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #ffe49c; vertical-align: top; white-space: pre-wrap;"><div>Oversampling adalah strategi yang digunakan dalam [[<del style="font-weight: bold; text-decoration: none;">pembelajaran mesin</del>]] untuk mengatasi masalah ketidakseimbangan kelas pada dataset. Dalam banyak kasus, data minoritas cenderung kurang terwakili, sehingga model cenderung bias terhadap kelas mayoritas. Dengan menerapkan oversampling, distribusi data dapat dibuat lebih seimbang dan performa model menjadi lebih baik.</div></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div>Oversampling adalah strategi yang digunakan dalam [[<ins style="font-weight: bold; text-decoration: none;">Pembelajaran Mesin</ins>]] untuk mengatasi masalah ketidakseimbangan kelas pada dataset. Dalam banyak kasus, data minoritas cenderung kurang terwakili, sehingga model cenderung bias terhadap kelas mayoritas. Dengan menerapkan oversampling, distribusi data dapat dibuat lebih seimbang dan performa model menjadi lebih baik.</div></td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br></td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>== Teknik Oversampling ==</div></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>== Teknik Oversampling ==</div></td></tr> </table>

Budi https://inibudi.or.id/wiki/index.php?title=Oversampling_dalam_Pembelajaran_Mesin&diff=17172&oldid=prev 2025-07-31T21:53:55Z

<p>Batch created by Azure OpenAI</p> <p><b>Halaman baru</b></p><div>Oversampling adalah strategi yang digunakan dalam [[pembelajaran mesin]] untuk mengatasi masalah ketidakseimbangan kelas pada dataset. Dalam banyak kasus, data minoritas cenderung kurang terwakili, sehingga model cenderung bias terhadap kelas mayoritas. Dengan menerapkan oversampling, distribusi data dapat dibuat lebih seimbang dan performa model menjadi lebih baik.<br /> <br /> == Teknik Oversampling ==<br /> Salah satu teknik oversampling yang populer adalah [[SMOTE]] (Synthetic Minority Over-sampling Technique), yang menciptakan contoh data baru dari kelas minoritas dengan cara interpolasi. Pendekatan lain melibatkan duplikasi data minoritas atau penggunaan algoritma yang lebih kompleks untuk menghasilkan variasi data baru.<br /> <br /> == Dampak Oversampling pada Model ==<br /> Oversampling membantu model mengenali pola dari kelas minoritas dengan lebih baik, sehingga meningkatkan [[akurasi]] dan kemampuan generalisasi. Namun, teknik ini juga dapat menyebabkan overfitting jika tidak dilakukan dengan hati-hati, karena model bisa terlalu menyesuaikan diri dengan data baru yang dihasilkan secara sintetis.<br /> <br /> == Alternatif Oversampling ==<br /> Selain oversampling, terdapat alternatif lain seperti [[undersampling]] (mengurangi data dari kelas mayoritas) dan penggunaan algoritma penyeimbang khusus. Pemilihan metode tergantung pada karakteristik data dan tujuan model yang ingin dicapai.</div>

Budi