Training Model

Training hanya memakai baris yang sudah dipreprocessing dan sudah berlabel. Jika sebuah batch belum muncul di sini atau jumlah "siap dilatih"-nya masih kurang, jalankan Preprocessing lalu Pelabelan Data terlebih dahulu.

Pembagian data latih/uji sekarang otomatis stratified (proporsi tiap kelas sentimen dijaga sama di data latih & data uji), dan tersedia opsi SMOTE untuk menyeimbangkan kelas minoritas pada data latih sebelum training.

Catatan (berdasarkan riwayat training Anda sendiri): ternyata yang paling menentukan akurasi bukan max_depth, melainkan opsi "cari split pakai seluruh data latih" di bawah. Riwayat training menunjukkan pola yang jelas:

• max_depth=100, minLeaf=5, tanpa full-split → akurasi 59.95%
• max_depth=200, minLeaf=1, tanpa full-split → akurasi hanya 54.48%–56.62% (lebih rendah walau depth-nya lebih tinggi!)
• max_depth=200, minLeaf=1, dengan full-split → akurasi melompat ke 70.62%–71.14%

Jadi menaikkan max_depth saja (default 50) tidak banyak membantu selama pencarian split masih dibatasi subsampling. Untuk hasil terbaik, aktifkan "cari split pakai seluruh data latih" dan set max_depth ke sekitar 100-200 — persis kombinasi yang menghasilkan akurasi >70% di riwayat training Anda. Konsekuensinya: training jadi jauh lebih lambat (percobaan dengan 100 tree butuh ±29 menit / 1756 detik, dibanding ±90 detik tanpa full-split), jadi mulai dulu dari n_trees kecil (10-30) untuk uji cepat sebelum menaikkan ke 100.

⚠️ Soal memori: kalau max_depth dinaikkan tinggi (150-200 ke atas) SEKALIGUS min_samples_leaf dibiarkan 1, pohon bisa terus membelah sampai leaf isinya 1 baris data — jumlah node per tree jadi sangat besar (dikali n_trees), dan bisa memicu "Allowed memory size exhausted". Kalau mau depth besar, naikkan juga min_samples_leaf ke 5-10: selain jauh lebih hemat memori, ini regularisasi yang mencegah leaf menghafal baris tunggal/noise (overfitting).