Ini Bedanya, Algoritma Supervised VS Algoritma Unsupervised Learning

Belajar Data Science di Rumah 03-Maret-2021

https://dqlab.id/files/dqlab/cache/23a9b7f2411452a3aea87ffab6959f8f_x_Thumbnail800.png

Untuk menemukan pola serta kesimpulan di balik suatu dataset yang tersedia agar bisa lebih berguna diperlukan suatu metode yaitu Machine Learning. Machine learning merupakan salah satu skill wajib yang harus dimiliki oleh seorang praktisi data. Dengan Machine Learning kamu akan mempelajari tentang bagaimana cara mesin dapat belajar sendiri sehingga mesin tersebut dapat melakukan tugas tertentu seperti menemukan pola serta kesimpulan tanpa terprogram secara eksplisit. Salah satu cara agar kamu bisa menguasai Machine Learning adalah dengan memahami konsep dasarnya dimulai dari mengetahui perbedaan Algoritma Supervised VS Algoritma Unsupervised Learning.

Meskipun Supervised Learning dan Unsupervised Learning sama-sama teknik yang ada di Machine Learning. Tetapi, kedua teknik tersebut digunakan dalam skenario dan kumpulan data yang berbeda. Untuk itu, artikel ini akan membahas tentang perbedaan Algoritma Supervised VS Algoritma Unsupervised Learning. Yuk, simak terus artikel ini.

1. Pengertian Algoritma Supervised VS Algoritma Unsupervised Learning

Supervised Learning merupakan jenis algoritma yang tidak bisa belajar sendiri tetapi harus diberi contoh terlebih dahulu dengan cara memberi label pada dataset yang kita punya. Jika diibaratkan, manusia sebagai "guru" yang memberi contoh mana yang benar dan salah, agar "muridnya" yaitu mesin/komputer bisa secara mandiri dapat membedakan mana benar dan salah tanpa bantuan "gurunya". Dalam Supervised Learning, model perlu mencari fungsi pemetaan untuk memetakan variabel masukan (X) dengan variabel keluaran (Y). Goals dari Supervised Learning adalah untuk menentukan fungsi terbaik untuk memprediksi data inputan baru.

Sementara Unsupervised Learning mengacu pada kesimpulan pola yang mendasari sekumpulan data tak berlabel atau tanpa referensi apa pun ke hasil atau prediksi berlabel, meskipun tanpa label kita memiliki data-data aktual yang dapat digunakan untuk mengobservasi data tersebut berdasarkan kriteria yang sejenis untuk mendapatkan suatu kesimpulan. Sederhananya, kita tidak mengetahui nama suatu tanaman, tapi kita bisa melakukan pengamatan pada tanaman tersebut berdasarkan cirinya sehingga kita dapat mengidentifikasi tanaman tersebut. Goals dari Unsupervised Learning adalah untuk memodelkan pola tersembunyi atau struktur yang mendasari dalam data inputan yang diberikan untuk mempelajari data tersebut.

2. Kelebihan dan Kekurangan

Selanjutnya yang membedakan Algoritma Supervised VS Algoritma Unsupervised Learning adalah terletak pada kelebihan dan kekurangannya. Hal ini penting kamu ketahui sebelum kamu memilih algoritma yang kamu terapkan sesuai dengan case study kamu. Supervised Learning memiliki kelebihan dan kekurangan sebagai berikut:

Kelebihan:

Memungkinkan kamu untuk menghasilkan keluaran data dari pengalaman sebelumnya
Karena data training telah memiliki nilai kebenaran, maka itu akan membantu kamu dalam mengoptimalkan kriteria kinerja berdasarkan pengalaman atau nilai yang telah diberikan tadi.
Nilai akurasi lebih tinggi
Lebih sederhana

Kekurangan :

Decision Boundary mungkin berlebihan jika data training kamu tidak memiliki acuan atau contoh yang cukup untuk setiap kelas yang kamu miliki
Kamu perlu memilih acuan atau contoh yang bagus dari setiap kelas ketika melakukan klasifikasi pada data train.
Dalam mengklasifikasikan data yang besar bisa memakan waktu cukup lama dan perlu biaya lebih, terutama di tahap labeling karena jika data besar kamu mungkin perlu annotator (orang yang akan melakukan pelabelan) untuk membantu memberi label pada data mu.

Kelebihan dan kekurangan Unsupervised Learning sebagai berikut:

Kelebihan :

Tidak perlu memberikan label terlebih dahulu pada data, sehingga tidak perlu memakan waktu lama dibandingkan Supervised Learning
Lebih mudah untuk mendapatkan data dan biaya yang dikeluarkan bisa lebih sedikit karena tidak perlu memberikan label dan tidak membutuhkan annotator.

Kekurangan :

Nilai akurasi rendah
Lebih rumit
Kemungkinan kamu bisa mendapatkan informasi yang kurang tepat lebih besar.

3. Contoh Model Algoritma Supervised VS Unsupervised Learning

Setelah itu kamu harus memahami contoh model yang termasuk kedalam Algoritma Supervised VS Algoritma Unsupervised Learning antara lain sebagai berikut:

Supervised Learning	Unsupervised Learning
Classification : NaÃ¯ve Bayes Classifier, SVM, Logistic Regression, KNN, Decision Tree, dan Random Forest Regression: Logistic Regression, Decision Tree, dan Random Forest Forecasting : Linear Regression, SVM, Time Series Forecasting, Neural Network	Clustering : Hierarchical clustering, non hierarchical clustering, dan K-Means Clustering Association Rule : algoritma Apriori, FP-Growth, dan algoritma ECLAT.

4. Yuk Mulai Belajar Menjadi Data Scientist Bersama DQLab!

Gunakan Kode Voucher "DQTRIAL", dan simak informasi di bawah ini mendapatkan 30 Hari FREE TRIAL:

Buat Akun Gratis dengan Signup di DQLab.id/signup
Buka academy.dqlab.id dan pilih menu redeem voucher
Redeem voucher "DQTRIAL" dan check menu my profile untuk melihat masa subscription yang sudah terakumulasi.
Selamat, akun kamu sudah terupgrade, dan kamu bisa mulai Belajar Data Science GRATIS 1 bulan.

Penulis: Rian Tineges

Editor : Annissawd