Supervised Learning adalah salah satu jenis pembelajaran dalam machine learning di mana model dilatih menggunakan data berlabel. Maksudnya:
-
Setiap contoh data sudah dilengkapi jawaban benar (label/target),
-
Komputer belajar membuat aturan/pola untuk memetakan data input ke label output,
-
Setelah belajar, komputer bisa memprediksi label untuk data baru.
🧠 Bagaimana Cara Kerjanya?
-
🔍 Training
-
Kita memberikan dataset berlabel (contoh: gambar kucing → label "kucing").
-
Model membuat tebakan awal dan dihitung kesalahannya.
-
Model memperbaiki diri menggunakan algoritma seperti gradient descent.
-
-
✅ Evaluasi
-
Setelah belajar, model diuji pakai data baru (testing data) untuk mengukur akurasi.
-
-
🚀 Prediksi
-
Jika sudah cukup akurat, model bisa memprediksi label untuk data baru (misal, gambar baru → "kucing" atau "bukan kucing").
-
💡 Contoh Penerapan Supervised Learning
✅ Klasifikasi – Menentukan kategori data, misal:
-
Mengenali apakah email = spam atau bukan.
-
Mengenali apakah gambar = anjing atau kucing.
✅ Regresi – Memprediksi angka kontinu, misal:
-
Memperkirakan harga rumah dari luas dan lokasinya.
-
Memprediksi suhu besok berdasarkan riwayat cuaca.
🧮 Jenis Algoritma Supervised Learning
-
Linear Regression
-
Logistic Regression
-
Support Vector Machines (SVM)
-
K-Nearest Neighbors (KNN)
-
Decision Trees dan Random Forest
-
Neural Networks
🎯 Kelebihan Supervised Learning
✅ Hasil prediksi lebih akurat bila data latih banyak dan berlabel baik.
✅ Mudah dievaluasi karena ada label benar untuk dibandingkan.
⚠️ Kekurangan Supervised Learning
❌ Butuh banyak data berlabel (biayanya mahal dan lama).
❌ Tidak bisa belajar langsung dari data baru tanpa dilatih ulang.
Infografis
