Daftar Materi

Supervised vs Unsupervised Learning dalam Data Mining

7 Oktober 20264 menit baca1 tanggapan

Memahami data berlabel dan tanpa label, klasifikasi, regresi, clustering, serta asosiasi melalui contoh nyata, perbandingan, dan latihan.

Oleh Pratiwi, S.S.I., Gr.

Data dapat membantu kita memprediksi sebuah hasil atau menemukan pola yang belum diketahui. Materi ini membahas dua pendekatan dalam machine learning yang digunakan untuk analisis data: supervised learning dan unsupervised learning.

Tujuan pembelajaran#

  • Menjelaskan pengertian data mining dan machine learning.

  • Membedakan data berlabel dan data tanpa label target.

  • Mengenali klasifikasi, regresi, clustering, dan asosiasi beserta contoh algoritmanya.

  • Memilih pendekatan sesuai data yang tersedia dan tujuan analisis.

1. Data mining dan machine learning#

Data mining adalah proses menemukan pola, tren, dan wawasan tersembunyi dari himpunan data yang besar. Contohnya, mencari kelompok pelanggan atau pola barang yang sering dibeli bersama.

Machine learning (ML) adalah metode agar komputer dapat belajar dari data. Pengembang tetap merancang sistem dan proses pelatihannya, tetapi tidak perlu menuliskan satu aturan khusus untuk setiap kemungkinan data yang akan ditemui.

Dua pendekatan yang menjadi fokus materi ini adalah supervised learning dan unsupervised learning. Perbedaan utamanya terletak pada ketersediaan label atau target jawaban dalam data pelatihan dan tujuan yang ingin dicapai.

2. Supervised learning: belajar dari contoh berlabel#

Dalam supervised learning, algoritma belajar dari data latih yang sudah mempunyai label atau target jawaban benar. Input adalah informasi yang digunakan untuk membuat prediksi, sedangkan label/target adalah hasil yang ingin dipelajari model.

Analoginya seperti murid yang berlatih dengan pendampingan guru yang memiliki kunci jawaban. Model mempelajari hubungan antara masukan dan jawaban dari contoh-contoh latihan.

Alur kerja#

  1. Siapkan data masukan beserta label atau targetnya.

  2. Gunakan algoritma untuk mempelajari hubungan dalam data latih.

  3. Hasil pelatihan membentuk sebuah model.

  4. Gunakan model untuk memprediksi hasil pada data baru.

Klasifikasi#

Klasifikasi memprediksi kategori diskrit. Contoh hasilnya adalah spam/bukan spam atau kucing/anjing.

Untuk deteksi spam, data latih berisi contoh e-mail yang sudah diberi kategori. Setelah belajar, model memprediksi kategori e-mail baru. Algoritma yang dicantumkan dalam presentasi: Naive Bayes, Decision Tree, K-Nearest Neighbors (KNN), dan Support Vector Machine (SVM).

Regresi#

Regresi memprediksi nilai numerik, misalnya harga rumah atau suhu. Dalam contoh harga rumah, data latih memuat informasi rumah dan harga yang menjadi targetnya. Model menggunakan hubungan tersebut untuk memperkirakan harga rumah lain.

Contoh algoritma dalam presentasi: Linear Regression dan Random Forest. Untuk tugas regresi, Random Forest digunakan dalam bentuk model regresi. Nama algoritma tidak selalu membatasi penggunaannya pada satu jenis tugas.

3. Unsupervised learning: menemukan pola tanpa label target#

Dalam unsupervised learning, data yang dianalisis tidak menyediakan label atau target jawaban yang harus diprediksi. Algoritma mencari struktur, kemiripan, atau hubungan dalam data.

Analoginya seperti merapikan gudang yang berisi barang-barang asing. Kita mengelompokkan barang berdasarkan kesamaan bentuk atau warna, tanpa kunci jawaban yang menentukan kelompok sejak awal.

Clustering#

Clustering mengelompokkan data yang mirip ke dalam satu cluster. Contoh penerapannya adalah segmentasi pelanggan e-commerce berdasarkan karakteristik atau perilaku belanja.

Kelompok ditemukan dari data. Setelah itu, hasil pengelompokan perlu ditafsirkan agar kita memahami ciri tiap kelompok. Contoh algoritma dalam presentasi: K-Means dan Hierarchical Clustering.

Asosiasi#

Association rule atau aturan asosiasi mencari hubungan kombinasi antaritem. Contoh penerapannya adalah market basket analysis, yaitu analisis keranjang belanja untuk menemukan barang yang sering muncul bersama dalam transaksi.

Contoh algoritma dalam presentasi: Apriori dan FP-Growth. Dalam materi data mining ini, asosiasi dibahas bersama pendekatan tanpa label karena pencarian polanya tidak memerlukan target jawaban.

4. Perbandingan kedua pendekatan#

  • Data: supervised memakai label atau target, sedangkan unsupervised tidak menyediakan label target.

  • Tujuan: supervised memprediksi hasil data baru, sedangkan unsupervised menemukan struktur atau hubungan.

  • Jenis tugas: supervised mencakup klasifikasi dan regresi. Materi unsupervised mencakup clustering dan asosiasi.

  • Contoh keluaran: supervised menghasilkan kategori spam atau harga rumah. Unsupervised menghasilkan kelompok pelanggan atau hubungan antarbarang.

  • Analogi: supervised seperti belajar dengan kunci jawaban. Unsupervised seperti mengelompokkan barang berdasarkan kemiripan.

5. Cara memilih pendekatan#

Pemilihan metode bergantung pada tujuan analisis dan data yang tersedia.

  • Jika ingin memprediksi kategori atau nilai dan memiliki contoh dengan jawaban yang diketahui, gunakan supervised learning.

  • Jika ingin mengeksplorasi data untuk menemukan kelompok atau hubungan tanpa label target, gunakan unsupervised learning.

Prediksi pada supervised learning dapat digunakan untuk data baru, termasuk kebutuhan memperkirakan hasil di masa depan. Namun, tugasnya juga dapat berupa mengenali kategori saat ini, seperti menentukan apakah e-mail termasuk spam.

6. Latihan pemahaman#

Untuk setiap kasus, tentukan pendekatan dan jenis tugasnya. Jelaskan alasan berdasarkan target yang dicari dan label yang tersedia.

  1. Tersedia kumpulan e-mail dengan label spam dan bukan spam. Sistem akan mengategorikan e-mail yang baru masuk.

  2. Tersedia data rumah dengan harga yang diketahui. Sistem akan memperkirakan harga rumah lain.

  3. Tersedia data perilaku belanja pelanggan tanpa kategori kelompok. Toko ingin menemukan kelompok pelanggan dengan perilaku mirip.

  4. Tersedia riwayat transaksi. Toko ingin mengetahui barang yang sering dibeli bersama.

Pembahasan#

  1. Supervised — klasifikasi. Jawaban berupa kategori dan data latih sudah berlabel.

  2. Supervised — regresi. Target berupa harga numerik yang tersedia pada data latih.

  3. Unsupervised — clustering. Kelompok dicari berdasarkan kemiripan, tanpa label kelompok sebagai target pelatihan.

  4. Unsupervised — asosiasi. Analisis mencari hubungan antaritem dalam transaksi.

Kesimpulan#

Supervised learning mempelajari hubungan dari contoh berlabel untuk membuat prediksi. Unsupervised learning mengeksplorasi data tanpa label target untuk menemukan pola atau struktur. Mulailah dengan menentukan pertanyaan yang ingin dijawab, lalu periksa data yang tersedia.

#Data Mining#Machine Learning#Supervised Learning#Unsupervised Learning#Klasifikasi#Regresi#Clustering#Asosiasi

Tanggapan

1
FA
Fadly Alifa Firdaus
Siswa · 9 November 2026 pukul 08.03
https://docs.google.com/document/d/1KQPwt4HkyT1pz6sU7EdrEewb3FMzEfC02OGK_4A4JI8/edit?usp=sharing

Tulis Tanggapan

Tanggapan Anda akan ditinjau oleh guru sebelum tampil publik.