DQLab Super Giveaway! Belajar Data Science 6 Bulan hanya Rp.99.000! DAFTAR

Pakai Kode: KUPON99K. Berakhir 0 Days 21 Jam : 25 Menit : 42 Detik

Algoritma Supervised Vs Unsupervised Learning, Cari Tahu Bedanya!

Belajar Data Science di Rumah 19-Februari-2021
https://dqlab.id/files/dqlab/cache/ff1dc84342f122c902ce7f58f6f5930f_x_Thumbnail800.png

Mengenal algoritma Supervised Learning dan Unsupervised Learning, ternyata kerap kali digunakan oleh Data Analyst maupun Data Scientist. Mereka menggunakan beberapa algoritma Machine Learning untuk mengelola pola data yang tersembunyi guna menghasilkan insight dari suatu data. Supervised learning merupakan algoritma yang paling sering digunakan dalam ranah Data Science dibandingkan dengan Unsupervised Learning.

Terlihat dari namanya, pasti kamu sudah bisa menebak apa perbedaan Supervised Learning dan Unsupervised Learning. Supervise berarti mengawasi, mengamati, dan mengarahkan suatu pengerjaan tugas, projek, atau aktivitas lainnya, sedangkan unsupervised berarti sebaliknya. Lalu apa lagi yang membedakan kedua algoritma ini? Simak artikel berikut ini yuk!

 

1. Klasifikasi Machine Learning

Supervised Learning

Salah satu jenis algoritma pada Machine Learning adalah Supervised Learning. 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 jenis 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.

Unsupervised Learning

Pada algoritma unsupervised learning, data tidak memiliki label secara eksplisit dan model mampu belajar dari data dengan menemukan pola yang implisit. Sangat berbeda dengan supervised learning, unsupervised learning merupakan jenis learning yang hanya mempunyai variabel input tapi tidak mempunyai variabel output yang berhubungan. Tujuan dari Machine Learning ini adalah untuk memodelkan struktur data dan menyimpulkan fungsi yang mendeskripsikan data tersebut.

Unsupervised learning adalah salah satu tipe algoritma machine learning yang digunakan untuk menarik kesimpulan dari dataset. Metode ini hanya akan mempelajari suatu data berdasarkan kedekatannya saja atau yang biasa disebut dengan clustering. Metode unsupervised learning yang paling umum adalah analisis cluster, yang digunakan pada analisa data untuk mencari pola-pola tersembunyi atau pengelompokan dalam data.


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

 

2. Cara Kerja Machine Learning

Supervised Learning

Cara kerja algoritma supervised yaitu mampu menerapkan informasi pada suatu data yang dilakukan dengan cara memberi label tertentu, contohnya seperti data yang sebelumnya sudah terklasifikasi disebut dengan supervised machine learning algorithms. Jenis algoritma ini dilakukan dengan cara perbandingan dalam pengalaman belajar yang sumbernya dari peristiwa sebelumnya, selain itu algoritma ini juga memiliki kemampuan dalam memberi target pada suatu output.

Unsupervised Learning

Cara kerja algoritma ini yaitu akan mencari pola tersembunyi (eksplisit) dari dataset yang diberikan. Unsupervised machine learning bekerja dengan menganalisis data yang tidak berlabel untuk menemukan pola tersembunyi dan menentukan korelasinya. Pendekatan ini tidak menggunakan data training dan data test untuk melakukan prediksi maupun klasifikasi dengan tujuan mengelompokkan objek yang hampir sama dalam suatu area tertentu. Beberapa contoh algoritma yang dapat digunakan dalam unsupervised learning seperti, K-Means, Hierarchical clustering, DBSCAN, dan Fuzzy C-Means.

 

 

3. Contoh Aplikasi

Supervised Learning

Terdapat banyak sekali contoh aplikasi supervised learning, salah satu yang paling populer adalah aplikasi pengenalan wajah contohnya adalah Jaringan Syaraf Tiruan (JST). Convolutional Neural Networks (CNN) adalah jenis JST yang digunakan untuk mengidentifikasi wajah orang. Model ini mampu menggambar fitur dari gambar melalui berbagai filter. Nantinya, jika ada nilai kesamaan yang tinggi antara input gambar dan gambar di dalam database, kecocokan yang positif akan menjadi output.

Perusahaan mesin telusur terkemuka di China, Baidu, telah berinvestasi dalam pengenalan wajah. Meskipun telah memasang sistem pengenalan wajah di sistem keamanannya, kini teknologi ini diperluas ke bandara-bandara utama China. Baidu akan menyediakan bandara dengan teknologi pengenalan wajah yang akan memberikan akses ke parak awak dan staf. Alhasil, penumpang tidak perlu mengantri panjang untuk check-in penerbangan karena cukup naik ke pesawat dengan memindai wajah mereka.

Unsupervised Learning

Salah satu contoh implementasi unsupervised learning adalah clustering. Dengan teknologi clustering, sebuah perusahaan dapat mengidentifikasi customer segmen yang berpotensial untuk menjual produk mereka. Perusahaan dapat mengidentifikasi customer segmen yang paling mungkin menggunakan layanan atau membeli produk mereka. Perusahaan juga dapat mengevaluasi segmen pelanggan lalu memutuskan untuk menjual produk guna memaksimalkan keuntungan mereka.

Contohnya ketika seorang Data Analyst ingin mengelompokkan client dari salah satu provider hosting di Indonesia berdasarkan kemiripan sifat dalam hal pendapatan umur, hobi, dan jenis pekerjaannya. Maka untuk mengelompokkan customer berdasarkan kemiripan sifat, machine learning tidak memerlukan data training. Melainkan menggunakan data yang ada langsung bisa mengelompokkan customer-customer tersebut.


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!



Gunakan Kode Voucher “DQTRIAL”, dan simak informasi dibawah ini mendapatkan 30 Hari FREE TRIAL:

  1. Buat Akun Gratis dengan Signup di DQLab.id/signup

  2. Buka academy.dqlab.id dan pilih menu redeem voucher 

  3. Redeem voucher “DQTRIAL” dan check menu my profile untuk melihat masa subscription yang sudah terakumulasi. 

  4. Selamat, akun kamu sudah terupgrade, dan kamu bisa mulai Belajar Data Science GRATIS 1 bulan.

Penulis : Salsabila Miftah Rezkia

Editor : Annissa Widya Davita


Share

Postingan Terkait

Mulai Bangun Karirmu Bersama DQLab!