Machine learning (ML) adalah bagian dari ilmu pengembangan algoritme dan model secara statistik yang digunakan sistem komputer untuk menjalankan tugas tanpa instruksi eksplisit, ML ini mengandalkan pola serta inferensi sebagai gantinya. Gambar berikut ini menjelaskan jenis-jenis utama Machine Learning (Pembelajaran Mesin), yaitu bagaimana model dilatih dan digunakan berdasarkan data yang tersedia. Berikut adalah penjelasannya:
1. Supervised Machine Learning (Pembelajaran Terawasi)
- Ciri utama: Data pelatihan memiliki label (data input diketahui hasilnya atau jawabannya).
- Tujuan: Mempelajari hubungan antara input dan output untuk memprediksi hasil pada data baru.
Baca Juga : Common AI Workloads : AI workloads mencakup berbagai jenis tugas
Jenis-jenis Supervised Learning:
- Regression (Regresi):
- Label: Nilai numerik (kontinu).
- Tujuan: Memprediksi nilai yang terus menerus.
- Contoh:
- Memperkirakan jumlah es krim yang akan terjual berdasarkan cuaca, musim, dan hari.
- Prediksi harga rumah berdasarkan ukuran dan lokasi.
- Classification (Klasifikasi):
- Label: Kategori atau kelas tertentu.
- Tujuan: Mengklasifikasikan data ke dalam kelas yang telah ditentukan.
- Dua tipe utama:
- Binary Classification (Klasifikasi Biner):
- Label memiliki dua kategori (benar/salah, ya/tidak).
- Contoh: Menentukan apakah pasien berisiko diabetes berdasarkan data medis.
- Multiclass Classification (Klasifikasi Multikelas):
- Label memiliki lebih dari dua kategori.
- Contoh: Mengklasifikasikan spesies penguin berdasarkan ukuran tubuhnya.
- Binary Classification (Klasifikasi Biner):
2. Unsupervised Machine Learning (Pembelajaran Tak Terawasi)
- Ciri utama: Data tidak memiliki label (hanya data input, tanpa hasil atau jawaban yang diketahui).
- Tujuan: Menemukan pola atau struktur dalam data.
Jenis Unsupervised Learning:
- Clustering (Pengelompokan):
- Tujuan: Mengelompokkan data yang serupa ke dalam grup.
- Contoh:
- Mengelompokkan tanaman berdasarkan karakteristiknya (warna, ukuran, jenis).
- Mengidentifikasi segmen pelanggan berdasarkan kebiasaan belanja.
Perbedaan Utama:
| Kriteria Utama | Supervised Learning | Unsupervised Learning |
|---|---|---|
| Label data | Ada label (jawaban diketahui) | Tidak ada label (hanya data input) |
| Tujuan | Prediksi atau klasifikasi | Menemukan pola atau struktur |
| Contoh aplikasi | Prediksi harga, deteksi penyakit | Segmentasi pasar, rekomendasi produk |
Kesimpulan Machine Learning
- Supervised Learning digunakan ketika kita memiliki data dengan jawaban yang diketahui (untuk prediksi atau klasifikasi).
- Unsupervised Learning cocok ketika kita ingin memahami pola dalam data yang tidak memiliki label (misalnya clustering untuk grup pelanggan).
