Perbedaan Supervised dan Unsupervised Learning

Dalam Machine Learning, supervised learning dan unsupervised learning dibedakan terutama berdasarkan ada atau tidaknya label target pada data pelatihan. Keduanya digunakan untuk tujuan analisis yang berbeda (Bishop, 2006; Sarker, 2021).

Supervised Learning

Supervised learning menggunakan data dengan label atau target yang diketahui untuk mempelajari hubungan antara fitur dan hasil. Contohnya, model dilatih menggunakan email berlabel “spam” dan “bukan spam” agar dapat memprediksi kategori pesan baru. Tugas utamanya meliputi klasifikasi (kategori) dan regresi (nilai numerik) (Hastie et al., 2009).

Unsupervised Learning

Unsupervised learning mempelajari pola atau struktur data tanpa label target. Sebagai contoh, data transaksi dapat digunakan untuk mengelompokkan pelanggan berdasarkan kebiasaan belanja. Clustering merupakan salah satu tekniknya (Jain, 2010); teknik lain adalah dimensionality reduction untuk menyederhanakan representasi data (Hastie et al., 2009).

Perbedaan Kedua Pendekatan

Pada Gambar 1 menunjukkan perbedaan mendasarnya: supervised learning mempelajari hubungan data dan label untuk menghasilkan prediksi, sedangkan contoh unsupervised learning pada gambar memperlihatkan pencarian kelompok tanpa label target.

Gambar 1. Ilustrasi perbedaan supervised learning dan unsupervised learning berdasarkan penggunaan label dalam proses pembelajaran

 Perbedaan kedua pendekatan tersebut dapat dirangkum berdasarkan jenis data, tujuan pembelajaran, tugas yang diselesaikan, dan algoritma yang digunakan. Ringkasannya disajikan pada Tabel 1.

 Tabel 1. Perbandingan karakteristik supervised learning dan unsupervised learning.

Aspek	Supervised	Unsupervised
Data	Berlabel target	Tanpa label target
Tujuan	Memprediksi kategori atau nilai	Menemukan pola atau struktur
Contoh	Klasifikasi email spam	Pengelompokan pelanggan
Metode	Decision Tree, Random Forest	K-Means, PCA

Kapan Digunakan?

Jika tujuannya memprediksi kelulusan berdasarkan contoh data yang sudah memiliki status kelulusan, supervised learning dapat digunakan. Jika tujuannya mencari kelompok mahasiswa berdasarkan kemiripan pola belajar tanpa kategori awal, unsupervised learning lebih relevan. Pilihan metode tetap bergantung pada tujuan dan karakteristik data (Sarker, 2021).

Referensi

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7

Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651–666. https://doi.org/10.1016/j.patrec.2009.09.011

Sarker, I. H. (2021). Machine learning: Algorithms, real-world applications and research directions. SN Computer Science, 2, Article 160. https://doi.org/10.1007/s42979-021-00592-x