Beberapa bulan yang lalu saya belajar mengenai pembelajaran mesin. Salah satu metode pembelajarannya adalah supervised learning. Lawannya adalah unsupervised learning.

Supervised learning adalah salah satu metode utama dalam machine learning yang digunakan untuk membangun model prediktif. Dalam pendekatan ini, model belajar dari data yang sudah diberi label atau target, sehingga bisa digunakan untuk memprediksi hasil berdasarkan input yang baru.

Konsep ini sangat mendasar dalam banyak aplikasi machine learning, mulai dari prediksi harga rumah hingga deteksi spam pada email. Maksudnya berlabel tuh gimana? ya contohnya kaya deteksi email spam, kita perlu tahu di data aslinya email yang spam itu yang kaya gimana. Sehingga kita akan ngasih pelajaran ke mesinnya sesuai dengan label yang kita kasih.

Also Read:

Tempat Belajar Tableau

Apa Itu Supervised Learning?

Secara sederhana, supervised learning melibatkan dua komponen utama: data input (fitur) dan data output (label). Model yang dilatih dalam supervised learning bertujuan untuk menemukan pola atau hubungan antara input dan output yang ada. Dengan kata lain, model tersebut “dipandu” oleh data yang sudah diketahui jawabannya, dan tujuannya adalah untuk memprediksi label pada data baru.

Misalnya, dalam kasus klasifikasi email spam, fitur bisa berupa kata-kata yang ada dalam email tersebut, sementara label adalah apakah email tersebut spam atau bukan. Dengan mempelajari data email yang sudah diberi label, model dapat memprediksi apakah email baru termasuk dalam kategori spam atau bukan.

Also Read:

My Data Course Journey

Jenis-jenis Supervised Learning

1. Klasifikasi Klasifikasi adalah jenis supervised learning di mana model dipelajari untuk memprediksi label kategori. Misalnya, dalam deteksi penyakit, kita bisa memiliki dua kelas (sehat atau sakit), dan model akan mempelajari pola dalam data untuk mengklasifikasikan pasien ke dalam salah satu kategori tersebut.Contoh algoritma klasifikasi:
   • Logistic Regression
   • Decision Trees
   • k-Nearest Neighbors (k-NN)
   • Support Vector Machines (SVM)
   • Dan masih banyak lagi
2. Regresi Regresi digunakan ketika output atau label adalah nilai kontinu, bukan kategori. Misalnya, dalam prediksi harga rumah, kita mencoba memprediksi harga berdasarkan berbagai fitur rumah (seperti ukuran, lokasi, jumlah kamar, dll.).Contoh algoritma regresi:
   • Linear Regression
   • Polynomial Regression
   • Random Forest Regressor
   • Support Vector Regression (SVR)

Langkah-langkah dalam Supervised Learning

1. Pengumpulan Data Langkah pertama adalah mengumpulkan data yang relevan dengan masalah yang ingin diselesaikan. Data ini harus mencakup input (fitur) dan output (label).
2. Preprocessing Data Data mentah sering kali perlu diproses sebelum bisa digunakan untuk melatih model. Ini bisa mencakup penghapusan data yang hilang, normalisasi atau standarisasi data, serta pengubahan data menjadi format yang dapat dipahami oleh algoritma machine learning.
3. Pemilihan Model Berdasarkan jenis masalah (klasifikasi atau regresi) dan karakteristik data, pemilihan model yang tepat sangat penting. Misalnya, jika data sangat tidak seimbang, mungkin menggunakan algoritma seperti Random Forest atau Support Vector Machines (SVM) bisa memberikan hasil yang lebih baik.
4. Pelatihan Model Model dilatih menggunakan data yang sudah diproses untuk belajar menemukan hubungan antara input dan output. Proses ini dilakukan dengan membagi data menjadi dua bagian: data pelatihan (training data) dan data pengujian (test data).
5. Evaluasi Model Setelah model dilatih, langkah berikutnya adalah mengevaluasi kinerjanya menggunakan data yang belum pernah dilihat sebelumnya (test data). Evaluasi dilakukan dengan menggunakan berbagai metrik, seperti akurasi untuk klasifikasi dan Mean Squared Error (MSE) untuk regresi.
6. Prediksi Setelah model dievaluasi dan dinilai, model siap untuk digunakan dalam melakukan prediksi pada data baru.

Tantangan Supervised Learning

• Kebutuhan Data Berlabel: Salah satu tantangan utama dari supervised learning adalah kebutuhan untuk memiliki data yang berlabel. Mengumpulkan data berlabel bisa memakan waktu dan biaya yang besar, terutama jika melibatkan pakar domain.
• Overfitting: Jika model terlalu kompleks, ia mungkin terlalu menyesuaikan diri dengan data pelatihan dan gagal dalam memprediksi data baru yang tidak dikenal. Hal ini dikenal sebagai overfitting.

Oke mungkin itu dulu tulisan mengenai supervised learning. Nanti akan coba saya jabarkan bagaimana cara pakainya di algoritma-algoritma lainnya.

Semoga bermanfaat.

Also Read:

Dashboard Kekerasan di Jawa Barat

Also Read:

Kumpulan Thread Saya tentang Data