Mengenal Pengertian Supervised Learning, Apa itu Semi-Supervised dan Unsupervised? Jenis dan Macam Algoritma, Contoh, Perbedaan, serta Tips Praktik Terbaiknya!

Benar! Seperti yang sudah sering Kami bahas dalam postingan sebelumnya, sama seperti kita manusia, mesin juga mampu belajar!

Yup! Tentunya dengan cara yang berbeda dengan kita. Dalam hal pembelajaran mesin atau yang sering dikenal dengan istilah Machine Learning (ML) dalam kecerdasan buatan, terdapat berbagai macam strategi dalam pembelajaran mesinnya.

Adapun beberapa yang paling umum dikenal dengan pembelajaran yang diawasi, pembelajaran tanpa pengawasan, dan pembelajaran penguatan.

Pembelajaran yang diawasi menggunakan satu set pelatihan (dikenal dengan akronim training) untuk mengajarkan model untuk menghasilkan keluaran yang diinginkan.

Untuk dataset pelatihan ini mencakup input (masukan) dan output (keluaran) yang benar, yang memungkinkan model untuk belajar dari waktu ke waktu.

Algoritme mengukur akurasinya melalui fungsi kerugian, menyesuaikan hingga kesalahan cukup diminimalkan.

Oke baiklah, terkait hal tersebut, dalam postingan kali ini Kami akan membahas secara lebih detail dan lengkap tentunya terkait jenis pembelajaran mesin, khususnya yaitu tentang pengertian supervised learning, semi-supervised dan unsupervised beserta perbedaannya.

Berikut ulasannya!

Pengertian Supervised Learning

Berarti pembelajaran mesin yang diawasi (dalam bahasa Indonesia), supervised learning adalah jenis tipe pembelajaran untuk melatih model dalam mendapatkan keluaran yang diinginkan.

Mayoritas pembelajaran mesin praktis menggunakan pembelajaran yang diawasi dan seperti yang juga dijelaskan menurut sumber dari Situs Techtarget, ini merupakan pendekatan dalam berbagai macam cara membuat model Artificial Intelligence (AI).

Pembelajaran yang diawasi adalah di mana Anda memiliki variabel input (X) dan variabel output (Y) dan Anda menggunakan algoritme untuk mempelajari fungsi pemetaan dari input ke output-nya.

Formulanya yaitu sebagai berikut:

Y = f(X)

Tujuan supervised learning adalah untuk memperkirakan fungsi pemetaan dengan sangat baik sehingga ketika Anda memiliki data input baru (X) Anda dapat memprediksi variabel output (Y) untuk data tersebut.

Mengapa mereka disebut pembelajaran terawasi (supervised learning) adalah karena proses pembelajaran algoritma (baca pengertian algoritma di sini) dari dataset pelatihan dapat dianggap sebagai guru yang mengawasi proses pembelajaran.

Apa itu Semi-Supervised Learning?

Pembelajaran mesin semi-diawasi atau semi-supervises adalah kombinasi dari pembelajaran yang diawasi dan tidak diawasi.

Secara khusus, ini adalah masalah di mana ketika Anda memiliki sejumlah besar data input (X) dan hanya beberapa data yang diberi label (Y) disebut masalah pembelajaran semi-supervised.

Contoh yang baik adalah seperti arsip foto di mana hanya beberapa gambar yang diberi label, (misalnya kucing, anjing, manusia) dan sebagian besar tidak diberi label.

Betul! Banyak masalah pembelajaran mesin dunia nyata termasuk dalam area ini.

Hal ini terjadi karena bisa menjadi sesuatu yang mahal atau memakan waktu ketika datang untuk melabeli data karena mungkin memerlukan akses ke pakar (ahli) yang ada, sedangkan data yang tidak berlabel tidak memerlukan biaya dan mudah untuk dikumpulkan dan disimpan.

Apa itu Unsupervised Learning?

Lalu, apa itu pembelajaran tanpa pengawasan atau unsupervised learning?

Ya, ini merupakan jenis atau tipe lainnya di mana algoritme tidak dilengkapi dengan label atau skor yang ditetapkan sebelumnya untuk data training-nya.

Ini adalah masalah di mana Anda hanya memiliki data input (X) dan tidak ada variabel output yang sesuai.

Tujuan pembelajaran tanpa pengawasan (unsupervised) adalah untuk memodelkan struktur atau distribusi yang mendasari data untuk mempelajari lebih lanjut tentang data.

Mengapa ini disebut pembelajaran tanpa pengawasan yaitu karena tidak seperti pembelajaran supervised dan semi-diawasi, di sini tidak ada jawaban yang benar dan tidak ada guru, ahli atau pakarnya.

Algoritma di dalamnya dibiarkan merancang sendiri untuk menemukan dan menyajikan struktur yang menarik dalam data.

Cara Kerja Pembelajaran Mesin yang Diawasi (Supervised)

Agar kita dapat lebih memahami tentang pengertian dari supervised, semi dan non-supervised learning, maka kita juga harus mengetahui betul seperti apa cara kerja mereka secara khusus.

Yup! Seperti semua algoritma pembelajaran mesin, pembelajaran yang diawasi (supervised) didasarkan pada pelatihan.

Selama fase pelatihannya, sistem diumpankan dengan kumpulan data berlabel, yang menginstruksikan sistem output apa yang terkait dengan setiap nilai input tertentu.

Adapun untuk model yang dilatih kemudian disajikan dengan data uji (testing).

Ini adalah data yang telah diberi label, tetapi labelnya belum diungkapkan ke algoritma.

Tujuan dari pengujian data dalam supervised, semi atau non yaitu adalah untuk mengukur seberapa akurat algoritma akan tampil pada data (baca selengkapnya pembahasan tentang data di sini) yang tidak berlabel.

Dalam algoritma jaringan saraf atau neural network algorithm, proses pembelajaran yang diawasi ditingkatkan dengan terus-menerus dalam mengukur output yang dihasilkan dari model dan menyempurnakan sistem untuk mendekati akurasi targetnya.

Jenis dan Macam Algoritma dalam Supervised Learning

Setelah kita memahami apa itu pengertian supervised, semi dan non-supervised learning, dalam subbagian ini Kami juga akan menjelaskan terkait jenis dan macam algoritma yang pada umumnya sering digunakan.

Yup! Berbagai algoritma dan teknik komputasi digunakan dalam berbagai tipe strategi proses pembelajaran mesin.

Di bawah ini adalah penjelasan singkat dari beberapa metode pembelajaran yang paling umum digunakan, biasanya dihitung melalui penggunaan program seperti R atau Python.

a. Algoritma Supervised Learning

Jenis pertama yaitu pada algoritma supervised learning.

Masalah pembelajaran diawasi atau terbimbing dapat dikelompokkan lebih lanjut menjadi masalah regresi dan klasifikasi.

Classification atau klasifikasi merupakan asalah klasifikasi adalah ketika variabel keluaran adalah kategori, seperti “merah” atau “biru” atau “penyakit” dan “tidak ada penyakit”.

Lalu, untuk regression atau regresi adalah ketika variabel output adalah nilai nyata, seperti “rupiah” atau “berat”.

Beberapa jenis masalah umum yang dibangun di atas klasifikasi dan regresi termasuk rekomendasi dan prediksi deret waktu masing-masingnya.

Beberapa contoh populer dari algoritma pembelajaran mesin yang diawasi (supervised) termasuk:

• Linear regression (regresi linier) untuk masalah regresi.
• Random forest untuk masalah klasifikasi dan regresi.
• Support Vector Machine (SVM) untuk masalah klasifikasi.

b. Algoritma Semi-Supervised Learning

Berikutnya yaitu jenis dan macam algoritma semi-supervised learning.

Di sini, kita dapat menggunakan teknik pembelajaran unsupervised atau tanpa pengawasan (terbimbing) untuk menemukan dan mempelajari struktur dalam variabel input yang ada.

Selain itu, kita juga dapat menggunakan teknik pembelajaran terawasi (supervised) untuk membuat prediksi tebakan terbaik untuk data yang tidak berlabel dengan memasukkan data tersebut kembali ke dalam algoritme pembelajaran terawasi sebagai data pelatihan, dan menggunakan model untuk membuat prediksi pada data baru yang tidak terlihat.

Adapun salah satu cara untuk melakukan semi-supervised learning adalah dengan menggabungkan algoritma clustering dan classification.

Algoritma pengelompokan (clustering) adalah teknik pembelajaran mesin tanpa pengawasan yang mengelompokkan data berdasarkan kesamaannya.

Model pengelompokan tersebut akan membantu kita menemukan sampel yang paling relevan dalam kumpulan data kita.

c. Algoritma Unsupervised Learning

Terkahir yaitu adalah algoritma pembelajaran mesin unsupervised learning.

Masalah belajar tanpa pengawasan dapat dikelompokkan lebih lanjut menjadi masalah pengelompokan dan asosiasi.

Masalah pengelompokan (clustering) adalah di mana Anda ingin menemukan pengelompokan yang melekat dalam data, seperti mengelompokkan pelanggan berdasarkan perilaku (sebagai contoh misalnya) pembelian.

Untuk association (asosiasi), ini merupakan masalah pembelajaran aturan asosiasi adalah saat Anda ingin menemukan aturan yang menjelaskan sebagian besar data Anda, seperti orang yang membeli X juga cenderung membeli Y.

Beberapa contoh populer dari algoritma pembelajaran tanpa pengawasan adalah:

• k-Means untuk masalah clustering.
• Algoritma Apriori (lebih detailnya dapat kalian lihat dalam postingan makalah data science di sini tentang algoritma Apriori) untuk masalah pembelajaran aturan atau association rule.

Contoh Supervised Learning, Semi-Supervised, dan Unsupervised dalam Pembelajaran Mesin

Sekarang kita telah membahas dan mengenal apa itu supervised, semi dan “un” atau non-supervised.

Betul! Sekarang kalian pastinya sudah memiliki gambaran terkait arti dari masing-masing jenis dan macam tipe machine learning tersebut bukan?

Jika demikian, maka sudah saatnya untuk melihat contoh klasik dari algoritme pembelajaran terawasi.

Oke, perlu Kami tekankan sekali lagi bahwa dalam pembelajaran terawasi (supervised learning), tujuan kita adalah mempelajari fungsi pemetaan (f), yang mengacu pada kemampuan untuk memahami bagaimana input (X) harus dicocokkan dengan output (Y) menggunakan data yang tersedia.

Di sini, model pembelajaran mesin belajar menyesuaikan pemetaan antara contoh fitur input dengan label terkaitnya.

Ketika model dilatih (trained) dengan contoh-contoh ini, kita dapat menggunakannya untuk membuat prediksi baru pada data yang tidak terlihat.

Label yang diprediksi dapat berupa angka atau kategori.

Sebagai contoh misalnya, jika kita memprediksi harga rumah, maka output-nya adalah angka.

Dalam hal ini model yang digunakan adalah model regresi, jika kita memprediksi apakah sebuah e-mail adalah spam atau bukan, maka output atau keluarannya adalah kategori dan modelnya adalah model klasifikasi.

1. Perhitungan Harga Rumah

Salah satu contoh praktis dari masalah pembelajaran yang diawasi adalah dalam memprediksi harga rumah.

Jadi, bagaimana semua ini dapat dicapai?

Pertama, kita membutuhkan data tentang rumah, seperti data luas persegi, jumlah kamar, fitur, apakah sebuah rumah memiliki taman atau tidak, dan lain sebagainya.

Benar! Kita kemudian perlu mengetahui harga rumah-rumah ini, yaitu label yang sesuai.

Dengan memanfaatkan data yang berasal dari ribuan rumah, fitur, dan harganya, kita sekarang dapat melatih model pembelajaran mesin yang diawasi untuk memprediksi harga rumah baru berdasarkan contoh yang diamati oleh modelnya.

2. Mengetahui Jenis Binatang, Apakah Kucing atau Anjing?

Contoh machine learning berikutnya yaitu dalam mengetahui jenis binatang, apakah itu kucing atau anjing.

Klasifikasi gambar (citra atau image) baik itu berupa supervised, semi dan “un” atau non-supervised merupakan masalah yang populer di bidang computer vision (baca pengertian computer vision di sini).

Dalam hal ini, tujuannya adalah untuk memprediksi milik kelas apa sebuah gambar.

Ya, kita tertarik untuk menemukan label kelas dari suatu gambar atau lebih tepatnya (seperti) apakah gambar mobil atau pesawat dan seekor kucing atau anjing?

3. Memprediksi Cuaca

Masalah yang sangat menarik yang memerlukan pertimbangan banyak parameter yang berbeda adalah memprediksi kondisi cuaca di lokasi tertentu.

Untuk membuat prediksi cuaca yang benar, kita perlu memperhitungkan berbagai parameter, termasuk data suhu historis, curah hujan, angin, kelembaban, dan lain sebagainya.

Masalah yang sangat menarik dan menantang ini mungkin memerlukan pengembangan model terawasi (supervised) yang kompleks yang mencakup banyak tugas.

Memprediksi suhu hari ini adalah masalah regresi, di mana label keluaran adalah variabel kontinu.

Sebaliknya, memprediksi apakah akan turun hujan atau tidak besok adalah masalah klasifikasi biner (binary classification).

Perbedaan Utama Supervised Learning, Semi-Supervised, dengan Unsupervised

Jadi, apa saja perbedaan utama supervised, semi dan “un” atau non-supervised yang harus kita ketahui?

Oke, sebelumnya perlu Kami tekankan terlebih dahulu, untuk jenis utama Machine Learning (ML) dalam Artificial Intelligence (AI) yaitu adalah supervised dan non atau unsupervised.

Maka dari itulah, di subbagian ini Kami menyediakan tabel perbedaannya agar dapat dimengerti dengan lebih mudah.

Parameter	Supervised Learning	Non atau Unsupervised Learning	Semi-Supervised
Proses	Dalam model pembelajaran terbimbing akan diberikan variabel input dan output	Dalam model pembelajaran tanpa pengawasan, hanya data input yang akan diberikan	Gabungan antara keduanya
Memasukan data	Algoritma dilatih menggunakan data berlabel	Algoritma digunakan terhadap data yang tidak berlabel	Gabungan antara keduanya
Algoritma yang Digunakan	Support Vector Machine, Neural Network, Linear Regression dan Logistic, Random Forest, dan Classification Tree	Algoritma yang tidak diawasi dapat dibagi menjadi beberapa kategori seperti algoritma Cluster, K-Means, Hierarchical Clustering, dan prediksi pengelompokan sejenis	Gabungan antara keduanya
Kompleksitas Komputasi	Pembelajaran terawasi adalah metode yang lebih sederhana	Pembelajaran tanpa pengawasan sangat kompleks secara komputasi	Gabungan antara keduanya
Penggunaan Data	Model pembelajaran terawasi menggunakan data pelatihan untuk mempelajari hubungan antara input dan output	Pembelajaran tanpa pengawasan tidak menggunakan data keluarannya	Gabungan antara keduanya
Akurasi Hasil	Metode yang sangat akurat dan dapat dipercaya	Metode yang kurang akurat dan dapat dipercaya	Gabungan antara keduanya
Pembelajaran Waktu Nyata	Metode pembelajaran berlangsung secara offline	Metode pembelajaran berlangsung secara real time	Gabungan antara keduanya
Jumlah Kelas	Jumlah kelas diketahui	Jumlah kelas tidak diketahui	Gabungan antara keduanya
Kelemahan Utama	Mengklasifikasikan data besar atau big data (baca apa yang dimaksud dengan big data di sini) dapat menjadi tantangan nyata dalam jenis, macam tipe supervised learning ini	Anda tidak bisa mendapatkan informasi yang tepat mengenai penyortiran data, dan output sebagai data yang digunakan dalam pembelajaran tanpa pengawasan diberi label dan tidak diketahui	Gabungan antara keduanya

Beberapa Tips Praktik dalam Supervised Machine Learning Terbaik

Khusus bagi kalian yang sedang membaca postingan sampai akhir bagiannya kali ini, di sini Kami akan membagikan beberapa tips praktik terbaik yang dapat kalian coba untuk gunakan dalam supervised machine learning, khususnya agar lebih bermanfaat dalam bisnis Anda.

Adapun beberapa tips atau kiat-kiat singkat yang perlu kalian ingat sebagai praktik terbaik dalam membahas pengertian supervised, semi dan “un” atau non-supervised, adalah sebagai berikut:

• Saran Kami Anda perlu memutuskan jenis data apa yang akan digunakan sebagai set pelatihan (training set) sebelum melakukan hal lainnya.
• Anda perlu memutuskan struktur fungsi yang dipelajari (supervised) dan algoritma pembelajarannya.
• Terakir, kalian perlu mengumpulkan output yang sesuai baik dari pakar, ahli (seorang manusia) atau dari pengukurannya.

Kesimpulan

Oke, Kami pikir sudah cukup jelas untuk pembahasan terkait Pengertian Supervised Learning, Apa itu Semi-Supervised dan Unsupervised? Jenis dan Macam Algoritma, Contoh, Perbedaan, serta Tips Praktik Terbaiknya kali ini.

Jadi berdasarkan penjelasan di atas, dapat kita simpulkan bahwa supervised, semi dan “un” atau non-supervised merupakan jenis dan macam tipe dari strategi atau teknik pembelajaran mesin.

Terlepas daripada apa yang sudah Kami jelaskan di atas, adapun tantangan terbesar dalam pembelajaran terawasi (supervised) adalah bahwa fitur input yang tidak relevan menyajikan data pelatihan dapat memberikan hasil yang tidak akurat.

Keuntungan utama dari pembelajaran terawasi adalah memungkinkan Anda mengumpulkan data atau menghasilkan keluaran data dari pengalaman sebelumnya.

Kelemahan dari model ini adalah bahwa batas keputusan mungkin terlalu tegang jika set pelatihan Anda tidak memiliki contoh yang ingin Anda miliki di kelasnya.

Sebagai praktik terbaik dalam mengawasi pembelajaran, Anda harus terlebih dahulu memutuskan jenis data apa yang harus digunakan sebagai set pelatihan.

Secara keseluruhan, dapat kita ambil simpulan sebagai berikut:

• Supervised; Semua data diberi label dan algoritme belajar memprediksi keluaran dari data masukan.
• Semi-Supervised; Beberapa datanya sudah diberi label tetapi sebagian besar tidak berlabel dan campuran teknik terawasi dan tidak terawasi dapat digunakan.
• Non atau Unsupervised; Yaitu di mana, semua data tidak berlabel dan algoritme yang kita terapkan harus mempelajari struktur bawaan dari data input-nya.

Penutup

Demikianlah postingan artikel yang dapat Kami bagikan kali ini, di mana Kami membahas terkait Pengertian Supervised Learning, Apa itu Semi-Supervised dan Unsupervised? Jenis dan Macam Algoritma, Contoh, Perbedaan, serta Tips Praktik Terbaiknya.

Semoga apa yang sudah Kami coba sampaikan serta jelaskan di sini dapat bermanfaat dan juga dapat menambah wawasan dan pengetahuan kita semua terutama dalam bidang teknologi, khususnya terkait lingkup tren kecerdasan buatan (artificial intelligence).

Silahkan bagikan artikel atau postingan Kami di sini kepada teman, kerabat serta rekan kerja dan bisnis kalian semua khususnya jika kalian temukan ini bermanfaat dan juga jangan lupa subscribe Blog dan YouTube Kami. Sekian dari Kami, Terima Kasih.

Postingan ini juga tersedia dalam versi: