Pertemuan 10 Data Mining

 

Supervised learning mengacu pada sebuah teknologi kecerdasan buatan tergolong ke dalam kategori machine learning, di mana teknologi ini melatih algoritma dari perangkat komputer pada proses input data yang telah diberi label untuk output tertentu. Singkatnya, perancangan jenis learning ini khusus untuk melatih input data.
Algoritma komputer dilatih sampai mendapat hasil yakni dapat melakukan deteksi pola serta hubungan mendasar antara input data dan output label. Nantinya, hal itu akan memungkinkan penyajian dengan hasil pelabelan yang akurat. Pembelajaran satu ini dapat membantu perusahaan dalam memecahkan masalah berskala besar.
Jenis machine learning ini cocok untuk menyelesaikan masalah klasifikasi maupun regresi, seperti melakukan penentuan terhadap kategori yang ada pada artikel maupun melakukan prediksi terkait dengan volume penjualan pada waktu tertentu di masa mendatang. Tujuan jenis learning satu ini adalah untuk memperdalam pemahaman data dalam konteks pertanyaan.
Supervised learning bertujuan untuk membangun sebuah model guna membuat suatu prediksi berdasarkan bukti. Saat algoritma mendeteksi pola dalam data itu, komputer akan melakukan pembelajaran dari sebuah pengamatan. Saat melakukan lebih banyak pengamatan dalam waktu tertentu, komputer akan secara otomatis melakukan peningkatan pada kinerja prediktifnya.
Konsep pembelajaran yang berkebalikan dengan pembelajaran ini adalah unsupervised learning. Pada pendekatan ini, algoritma akan disajikan data tanpa label dan dirancang secara khusus untuk melakukan deteksi pada pola maupun kesamaannya.
Bagaimana Supervised Learning Bekerja?
Pada dasarnya, supervised learning bekerja layaknya machine learning lainnya, yakni berbasis pada proses pembelajaran atau pelatihan. Saat memasuki fase pembelajaran atau pelatihan itu, sistem akan menerima suatu rangkaian data dengan label yang akan memberi instruksi pada sistem. Model ini nantinya tersaji bersamaan dengan data uji.
Tujuan dari pengujian adalah untuk melakukan pengukuran tentang tingkat keakuratan algoritma yang akan tampil pada data tidak berlabel. Proses pembelajaran yang diawasi akan ditingkatkan dengan cara melakukan pengukuran terus-menerus terhadap output yang dihasilkan dari model serta melakukan penyempurnaan terhadap sistem agar mendekati tingkat akurasi target. Faktor yang mempengaruhi tingkat akurasi adalah data dengan label dan juga algoritma yang digunakan.
Dalam caranya bekerja, pembelajaran satu ini dibedakan menjadi dua jenis, yakni:

1. Klasifikasi
Algoritma berfungsi untuk melakukan penetapan data uji secara akurat ke dalam kategori tertentu. Algoritma nantinya akan mengenali entitas dalam data-data serta mencoba untuk menyimpulkan tentang apa atau bagaimana pemberian label atau pendefinisian entitas itu nantinya.

2. Regresi
Jenis ini berguna untuk memperdalam pemahaman yang berkorelasi dengan hubungan antara variabel terikat dan variabel bebas. Selain itu, regresi dapat juga berguna untuk melakukan pembuatan proyeksi seperti pendapatan penjualan dalam proses bisnis. Algoritma regresi yang populer adalah regresi linier, logistik, dan polinomial.

Kelebihan dan Kekurangan Supervised Learning
Daripada model pembelajaran lainnya, model supervised learning memiliki beberapa keuntungan. Namun, tentu saja pada kenyataannya mereka tetap memiliki kekurangan. Pembelajaran satu ini cenderung melakukan penilaian yang dapat berkaitan dengan manusia.
Namun, dalam kasus tertentu, sistem ini mengalami kesulitan dalam penanganan informasi baru. Jika sistem dengan kategori mobil disajikan dengan sepeda, maka sistem itu harus dikelompokkan dalam satu kategori maupun kategori lainnya. Di sisi lain, jika sistem kecerdasan buatan memiliki sifat generatif, sistem itu mungkin saja tidak mengetahui apa data itu.
Selain itu, sistem juga membutuhkan data dalam jumlah besar yang telah memiliki label secara tepat dan benar guna mencapai tingkat kinerja target. Masalahnya, data itu mungkin saja tidak selalu ada. Berbeda dengan hal itu, unsuprevised learning tidak akan pernah mengalaminya karena mereka dapat bekerja dengan data yang tidak ada labelnya.


30 Algoritma Prediksi

1. Linear Regression
2. Logistic Regression
3. Decision Trees
4. Random Forest
5. Gradient Boosting Machines (GBM)
6. XGBoost
7. LightGBM
8. CatBoost
9. Support Vector Machines (SVM)
10. K-Nearest Neighbors (K-NN)
11. Naive Bayes
12. Artificial Neural Networks (ANN)
13. Convolutional Neural Networks (CNN)
14. Recurrent Neural Networks (RNN)
15. Long Short-Term Memory (LSTM)
16. Gated Recurrent Unit (GRU)
17. Autoencoders
18. Bayesian Networks
19. Gaussian Processes
20. ARIMA (AutoRegressive Integrated Moving Average)
21. Prophet
22. Kalman Filters
23. Holt-Winters Exponential Smoothing
24. Hidden Markov Models (HMM)
25. Extreme Learning Machines (ELM)
26. Quantile Regression
27. Elastic Net Regression
28. Ridge Regression
29. Lasso Regression
30. K-means Clustering
    

Setiap algoritma ini memiliki keunggulan dan kelemahan masing-masing, serta cocok untuk berbagai jenis data dan masalah prediksi.