AdaBoost, kependekan dari Adaptive Boosting, adalah algoritme pembelajaran mesin yang dikembangkan oleh Freund dan Schapire pada tahun 1996. Ini adalah algoritme yang digunakan untuk membuat pengklasifikasi dalam lingkungan pembelajaran yang diawasi. Pengklasifikasi AdaBoost dimulai dengan pembelajar yang lemah, yang kemudian ditingkatkan secara berulang dengan memberi bobot lebih pada kejadian yang salah diklasifikasi oleh pembelajar lemah. Dengan melakukan ini, algoritme dapat mengembangkan pengklasifikasi yang kuat dari sekumpulan pembelajar yang lemah.
Tujuan AdaBoost adalah untuk mengurangi tingkat kesalahan pengklasifikasi sambil mempertahankan biaya komputasi yang rendah. Ia bekerja dengan menggabungkan beberapa pengklasifikasi “lemah” menjadi satu pengklasifikasi “kuat”. Algoritme berulang kali memodifikasi bobot yang terkait dengan setiap contoh pelatihan untuk fokus pada contoh sulit, yang mana pengklasifikasi lemah salah mengklasifikasikannya. Pengklasifikasi kuat terakhir adalah kombinasi dari pengklasifikasi lemah.
AdaBoost adalah salah satu algoritma pembelajaran mesin yang paling populer dan sukses. Ini adalah pendekatan yang ampuh untuk masalah klasifikasi dan digunakan dalam banyak aplikasi dunia nyata seperti penginderaan jauh, pengenalan objek, dan diagnosis medis. Ini efisien secara komputasi dan dapat digunakan untuk tugas-tugas pembelajaran online. Selain itu, ini adalah algoritme pembelajaran yang cepat dan tidak terlalu rentan terhadap overfitting, sehingga tangguh terhadap data yang berisik dan mampu digunakan untuk kumpulan data besar.
AdaBoost dapat diterapkan pada masalah klasifikasi dan regresi. Ia juga dikenal karena kemampuannya untuk terus meningkat seiring berjalannya waktu, seiring dengan adaptasi algoritme terhadap perubahan lingkungan.
