Algoritma Supervised, Unsupervised, dan Semi-Supervised pada Machine Learning

Di era artificial intelligence seperti saat ini, kombinasi antara hardware dan kumpulan data dapat menghasilkan prediksi yang kuat. Dalam machine learning, prediksi ini masuk ke dalam algoritma supervised learning. Supervised learning bekerja dengan kumpulan data berlabel untuk melatih algoritma untuk mengklasifikasikan data, memprediksi hasil, dan lain sebagainya. Namun walaupun termasuk algoritma yang banyak digunakan, supervised learning tetap memiliki keterbatasan jika data yang digunakan tidak dapat diberi label yang tepat. Untuk mengatasi data yang tidak berlabel, kita bisa menggunakan algoritma unsupervised dan semi-supervised learning. Algoritma unsupervised learning menggunakan algoritma yang tidak membutuhkan data berlabel. Sistem akan belajar sendiri untuk mengklasifikasikan data sedangkan dalam algoritma semi-supervised learning yang merupakan "jembatan" antara supervised dan unsupervised learning, algoritma akan menentukan korelasi antara titik-titik data dan menggunakan sejumlah data kecil berlabel untuk menandai titik tersebut. Selanjutnya sistem akan dilatih berdasarkan label data yang baru ditetapkan.

Algoritma-algoritma dalam machine learning memiliki cara kerja dan fungsi masing-masing. Setiap algoritma pun memiliki kelebihan serta kekurangan. Oleh karena itu, sebelum menggunakan pendekatan machine learning untuk mencari sebuah solusi dari suatu permasalahan, kita perlu memahami algoritma machine learning mana yang cocok dengan permasalahan yang akan kita selesaikan. Oleh karena itu, pada artikel kali ini DQLab akan membahas apa perbedaan algoritma-algoritma yang ada dalam machine learning yang akan membantumu untuk memutuskan algoritma mana yang cocok dengan project yang akan kamu kerjakan. Penasaran? Yuk simak artikel ini sampai akhir!

1. Algoritma Supervised Learning

Sebagian besar project machine learning menggunakan algoritma supervised learning. Supervised learning adalah sebuah sistem yang memiliki variabel input atau biasa dikenal dengan variabel x dan variabel output atau biasa dikenal dengan variabel y. Sistem ini menggunakan fungsi pemetaan untuk memetakan variabel input ke variabel output dengan persamaan Y = f(X). Tujuan supervised learning adalah untuk memperkirakan fungsi pemetaan dengan sangat baik sehingga ketika kita memiliki variabel input baru, kita dapat memprediksi outputnya.

Algoritma ini disebut dengan supervised learning karena proses pembelajaran algoritma dari dataset pelatihan dapat dianggap sebagai "guru pembimbing" pada proses pembelajaran. Algoritma akan membuat prediksi secara terus menerus dan akan dikoreksi oleh "guru pembimbing" dan pembelajaran akan berhenti saat algoritma mencapai akurasi yang diinginkan. Beberapa contoh algoritma supervised learning yang populer adalah regresi linier, random forest, dan support vector machine.

Baca juga : 3 Jenis Algoritma Machine Learning yang Dapat Digunakan di Dunia Perbankan

2. Algoritma Unsupervised Learning

Pada unsupervised learning, sistem hanya memiliki variabel input dan tidak memiliki variabel output yang sesuai. Tujuan algoritma unsupervised learning adalah untuk memodelkan struktur atau distribusi yang dapat mempelajari data lebih lanjut. Algoritma ini disebut unsupervised learning karena tidak ada "guru pembimbing" sehingga tidak ada jawaban yang benar dan salah. Algoritma akan dibiarkan bekerja sendiri untuk menemukan dan menyajikan struktur data yang menarik. Algoritma ini dikelompokkan menjadi dua, yaitu clustering dan asosiasi. Beberapa metode yang populer adalah k-means clustering dan algoritma apriori.

3. Algoritma Semi-Supervised Learning

Dalam praktiknya, tidak semua data memiliki data input dan output yang jumlahnya sama. Terkadang ada kumpulan data yang memiliki variabel input, namun variabel outputnya hanya ada sebagian. Untuk menyelesaikan kasus seperti ini, kita bisa menggunakan algoritma semi supervised learning. Algoritma ini berada di tengah-tengah antara algoritma supervised dan unsupervised learning. Cara kerja algoritma ini adalah dengan menggunakan teknik unsupervised learning untuk menemukan dan mempelajari struktur dalam variabel input. Setelah itu, sistem akan menggunakan algoritma supervised learning untuk membuat prediksi terbaik dari data tak berlabel dan memasukkan kembali data tersebut ke algoritma supervised learning sebagai data latih lalu menggunakan model tersebut untuk membuat prediksi baru dari data input baru.

Baca juga : Belajar Data Science: Pahami Penggunaan Machine Learning pada Python