Mengenal Model Algoritma Supervised Learning yang Sering Digunakan

Salah satu tipe algoritma pada Machine Learning adalah Supervised Learning. Seperti yang pernah dibahas di artikel lainnya, Machine Learning tanpa data maka tidak akan bisa bekerja. Oleh sebab itu, hal yang pertama kali perlu disiapkan adalah data. Data pada algoritma ini umumnya dibagi menjadi 2 bagian, yaitu data training dan data testing. Data training nantinya akan digunakan untuk melatih algoritma dalam mencari model yang sesuai, sedangkan data testing akan dipakai untuk menguji dan mengetahui performa model yang didapatkan pada tahapan testing.

Tujuan dari tipe algoritma Machine Learning satu ini adalah mengelompokkan suatu data baru ke data lama yang sudah ada. Data yang sudah ada bisa kita sebut data training. Supervised Learning terdiri dari variabel input dan variabel output. Sehingga kita dapat meramal apa output selanjutnya ketika ingin memasuki input baru. Dalam Supervised Learning, dataset harus dilabeli dengan baik.

Jika kamu adalah seorang yang berasal dari non IT, tenang saja jangan khawatir karena setiap orang memiliki kesempatan yang sama untuk mempelajarinya. Karena pada dasarnya Machine Learning dan Data Science tidak hanya terbatas di background pendidikan tertentu, mengingat pada era digital transformation saat ini, ilmu ini dapat digunakan di semua lini bisnis.  Ingin tahu tipe-tipe algoritma yang dimiliki Supervised Learning? Yuk, simak pembahasan berikut!

1.    Decision Tree

Decision Tree merupakan salah satu algoritma yang sangat mudah dipahami dalam klasifikasi objek. Algoritma ini adalah salah satu algoritma Supervised Learning. Decision Tree membagi data menjadi himpunan bagian berdasarkan variabel inputnya. Algoritma ini merupakan jenis diagram alir yang membantu dalam proses pengambilan keputusan. Decision Tree ini menjadi alat pendukung keputusan yang menggunakan grafik atau model seperti pohon.

Grafik ini terdiri dari jumlah minimum ya/tidak pertanyaan dari sebuah pertanyaan, untuk menilai masing-masing probabilitasnya. Nilai probabilitas ini akan menjadi sebuah metode pengambilan keputusan dengan cara yang terstruktur dan sistematis untuk sampai pada kesimpulan yang tepat.

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

2.    Naïve Bayes

Naïve Bayes merupakan algoritma Machine Learning untuk klasifikasi dengan efisiensi komputasi dan akurasi yang baik, khususnya untuk dimensi dan jumlah data yang besar. Akan tetapi performa algoritma ini akan menurun jika antar atribut tidak memiliki keterkaitan satu sama lain. Beberapa solusi untuk memecahkan permasalahan tersebut seperti pemilihan atribut, structure extension, atau pembobotan masing-masing atribut. Beberapa contoh nyata  Klasifikasi Naive Bayes yaitu sebagai penanda email spam atau tidak, Mengklasifikasikan kategori sebuah artikel berita, bahkan digunakan untuk perangkat lunak pengenalan wajah.

3.    Support Vector Machine

SVM merupakan algoritma yang umumnya digunakan untuk klasifikasi dan juga regresi. Dalam Machine Learning, SVM termasuk dalam model supervised learning yang berhubungan dengan analisis data dan pengenalan pola. Metode dasar SVM adalah mengambil satu set data input lalu memperkirakan untuk setiap input yang diberikan dari dua kelas yang memungkinan untuk membuat output. Dalam pemodelan klasifikasi, SVM mempunyai konsep yang lebih matang serta lebih jelas secara matematis dibanding dengan teknik-teknik klasifikasi yang lain.SVM juga bisa menanggulangi permasalahan klasifikasi serta regresi dengan linear maupun non linear.

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

4. Mau Seperti Yoga? Yuk Mulai Belajar Data Science bersama DQLab, Gratis 1 Bulan!

Penulis : Salsabila Miftah Rezkia

Editor : Annissa Widya Davita