Pahami Perbedaan Tipe Machine Learning Terupdate

Machine learning menjadi salah satu aspek penting yang perlu dipahami oleh seorang data scientist. Beragam algoritma yang akan digunakan harus disesuaikan dengan tipe machine learningnya. Oleh karena  itu, penting bagi kalian yang ingin menekuni profesi di bidang data memahami masing-masing tipe machine learning. Jika konsepnya saja salah, bisa jadi algoritma yang kalian terapkan kurang tepat dan berakhir pada pengolahan data yang salah pula.

Salah satu tipe machine learning yang masih sering keliru dibedakan adalah supervised dan unsupervised. Sesuai namanya, keduanya memiliki konsep yang berbeda terhadap cara mempelajari sebuah data yang diberikan. Output yang dihasilkan pun juga berbeda. Bagaimana detail perbedaan keduanya? Yuk simak penjelasan di bawah ini!

1. Apa Itu Supervised Learning?

Secara konsep supervised learning adalah machine learning model yang mempelajari data dengan label atau target dimana evaluasi model tersebut akan berdasarkan target ini. Model-model di supervised learning membutuhkan data training berupa input data dan target data yang diinginkan. 

Model ini dilatih untuk melakukan prediksi berdasarkan pola yang ditemukan dalam menjawab data target. Supervised learning menggunakan data training untuk membuat machine learning model dan model ini akan digunakan untuk diuji pada data test. Agar lebih mudah, perhatikan ilustrasi di bawah ini.

Pada contoh tersebut, kita sebelumnya sudah memiliki gambar yang dilabeli sendok dan pisau. Data berlabel tersebut dipelajari oleh mesin untuk diidentifikasi bentuknya, ukuran, ketajaman, dan karakteristik lainnya. Selanjutnya ketika kita memberikan input suatu gambar tanpa label, maka mesin dapat memprediksi dengan akurat gambar tersebut. Sebagai contoh di atas, mesin melabeli gambar sendok dengan benar. 

Baca juga : Yuk Kenali Macam-Macam Algoritma Machine Learning!

2. Contoh Supervised Learning di Kehidupan

Supervised learning memiliki 2 jenis algoritma yaitu, klasifikasi dan regresi. Klasifikasi adalah permasalahan yang membutuhkan output berupa kategori seperti benar atau salah, laki-laki atau perempuan, ya atau tidak, positif atau negatif, dan lainnya. Berikut contoh klasifikasi pada supervised learning. 

Sama dengan pembahasan sebelumnya, untuk mengetahui email tersebut spam atau bukan, mesin perlu mempelajari apa itu spam. Sehingga kita perlu memberi tahu karakteristik spam seperti dari header email, konten email, dan sebagainya. 

Regresi digunakan ketika output yang diharapkan adalah data kontinu. Pada kasus ini, terdapat hubungan antara variabel satu dengan variabel lainnya. Perubahan variabel tersebut akan mempengaruhi variabel yang lainnya. Sebagai contoh adalah gaji berdasarkan pengalaman kerja, popularitas tokoh berdasarkan konten yang diberikan, harga makanan berdasarkan harga bahan pokok, dan sebagainya. Berikut contoh regresi pada kehidupan sehari-hari.

Diberikan dua variabel, temperatur dan kelembaban. Akan diprediksi kelembaban suatu wilayah berdasarkan temperaturnya. Maka kelembaban disebut dengan dependent variable atau variabel terikat. Sedangkan temperatur disebut independent variable atau variabel bebas. Hubungan dari kedua variabel tersebut adalah ketika temperatur meningkat maka kelembaban akan menurun. Dengan regresi supervised learning, maka mesin dapat memprediksi kelembaban suatu wilayah berdasarkan temperaturnya. 

Beberapa contoh supervised learning lainnya adalah:

• Menentukan profil risiko pada pemberian asuransi atau kredit.

• Klasifikasi wajah pada Facebook sebagai rekomendasi pertemanan.

• Deteksi kecurangan pada transaksi bank.

• Pengenalan visual sebagai kode atau sandi.

  
  

3. Apa Itu Unsupervised Learning?

Unsupervised learning adalah machine learning model yang mempelajari pola data tanpa adanya target data. Unsupervised learning hanya memerlukan data input tanpa contoh target data. Model ini hanya mencoba menemukan pola dan menemukan insight penting dari data. Seringkali, proses ini disebut juga sebagai data mining. Unsupervised learning tidak menggunakan data training dan hanya tergantung pada data test sehingga kita tidak bisa melakukan evaluasi terhadap model. Berikut ilustrasi unsupervised learning.

Jika pada pembahasan sebelumnya kita memberi tahu mesin label dan ciri-ciri dari sendok atau pisau, pada tipe ini kita tidak memberikan label apapun kepada mesin. Mesin mengidentifikasi sendiri pola yang didapatkan. Selanjutnya mesin akan membuat kelompok sendiri berdasarkan kemiripan, pola, atau ciri khas yang ditemukan.

Baca juga : Kenali Algoritma Klasifikasi Machine Learning Terpopuler di Tahun 2021

4. Contoh Unsupervised Learning di Kehidupan

Unsupervised learning terbagi menjadi 2 jenis yaitu clustering dan asosiasi. Clustering adalah metode membagi sejumlah data menjadi beberapa grup atau kluster yang memiliki kesamaan pada satu kluster dan memiliki perbedaan yang mencolok antar kluster. Berikut contohnya dalam kehidupan sehari-hari.

Misalkan perusahaan telekomunikasi ingin mengurangi tingkat customer churn dengan melakukan perencanaan produk yang lebih spesifik dengan kebutuhan masing-masing pelanggan. Dilakukan identifikasi dari kebiasaan pelanggan dalam menggunakan internet dan durasi telepon yang dilakukan. Kemudian mesin melakukan clustering dari hasil pengamatan tersebut. Diperoleh beberapa kluster yang lebih sesuai dengan karakteristik pelanggan. Strategi ini membuat proses promosi produk menjadi lebih mudah, terarah, dan tetap sasaran.

Jenis yang kedua adalah asosiasi. Tipe ini memprediksi peluang adanya kejadian lain yang mungkin dari sejumlah data yang terkoleksi untuk menjadi kelompok data baru. Agar lebih mudah memahami perhatikan contoh berikut.

Dari contoh di atas misalkan terdapat seorang pelanggan pergi ke supermarket dan membeli roti, susu, buah, dan gandum. Selanjutnya terdapat pelanggan lain yang membeli roti, susu, beras, dan mentega. Jika nantinya pelanggan baru datang, kemungkinan peluang paling besar dia membeli roti dengan barang lainnya, yaitu dengan susu. Kemungkinan kelompok barang belanjaan seperti ini bergantung pada kebiasaan pelanggan. Proses seperti ini sangat sering digunakan untuk melakukan promosi barang paket atau rekomendasi produk pada pelanggan.

5. Perbedaan Supervised & Unsupervised

Secara umum, model machine learning dapat dibedakan tergantung dari penggunaannya seperti Supervised dan Unsupervised, mereka adalah istilah yang digunakan untuk memisahkan model dalam fungsi tertentu. Dengan singkat, kita bisa mengatakan bahwa Supervised Learning adalah machine learning model yang membutuhkan data target sedangkan Unsupervised Learning tidak memerlukan data target. Lebih jelasnya, berikut perbedaan keduanya.

Machine learning memiliki beragam tipe lainnya tidak hanya supervised dan unsupervised learning. Sedangkan untuk menjadi praktisi data yang profesional, kalian perlu tahu masing-masing tipenya. Bahkan penerapannya di industri atau perusahaan sehingga tahu cara membedakannya di setiap kasus. Nah, pembahasan lebih detail ini dapat Sahabat DQ temukan di modul pembelajaran DQLab. 

Di sini kalian akan belajar mulai dari dasar hingga penerapan machine learning di beragam kasus. Sangat cocok bagi kalian yang pemula atau memiliki latar belakang Non IT. Selain modul pembelajaran didesain khusus, setiap praktik yang ada juga sudah secara mudah dilengkapi dengan Live Code Editor sehingga kalian tidak perlu install aplikasi tambahan. Yuk, segera Sign Up dan nikmati metode pembelajarannya!

Penulis : Dita Feby 

Editor : Annissa Widya