Underfitting adalah istilah yang digunakan dalam pembelajaran mesin dan mengacu pada model yang tidak sesuai dengan data pelatihan atau memiliki daya prediksi yang rendah. Hal ini terjadi ketika model terlalu sederhana untuk menangkap struktur dasar data. Underfitting juga dikenal sebagai “bias tinggi” dan terjadi ketika suatu model memiliki tingkat kompleksitas yang tidak memadai untuk menangkap hubungan antara masukan dan keluaran yang diharapkan.
Underfitting dapat dinilai dengan mengukur kesalahan yang dihasilkan pada data pelatihan. Jika kesalahannya terlalu tinggi, hal ini menunjukkan bahwa model tidak dapat menangkap struktur dasar data. Gejala umum underfitting mencakup bias (artinya nilai prediksi selalu terlalu tinggi atau rendah), varian tinggi (artinya errornya besar untuk contoh yang berbeda), dan akurasi rendah.
Underfitting biasanya disebabkan oleh terbatasnya data pelatihan, model yang terlalu sederhana, atau kurangnya fitur yang digunakan untuk membangun model. Untuk memperbaiki masalah ini, lebih banyak data harus dikumpulkan, algoritma yang berbeda dapat dicoba, atau lebih banyak fitur dapat digunakan.
Underfitting adalah kebalikan dari overfitting, yang terjadi ketika model menjadi terlalu kompleks untuk menangkap struktur dasar data. Penting untuk menghindari underfitting dan overfitting untuk menghasilkan model dengan akurasi tertinggi.
