Supervised vs Unsupervised Learning: Memilih Pendekatan yang Tepat

Supervised learning belajar dari data yang setiap barisnya udah punya jawaban benar. Unsupervised learning kerja tanpa jawaban itu, jadi tugasnya nyari pola atau kelompok sendiri.

Bedanya cuma satu kolom. Kalau data kamu punya kolom target yang jelas benar salahnya, itu supervised. Kalau nggak ada, itu unsupervised.

Kedengarannya sepele. Tapi salah pilih di titik ini bikin kamu buang waktu berminggu-minggu ngerjain hal yang datanya memang nggak sanggup jawab.

Apa itu supervised learning?

Supervised learning adalah metode di mana model dilatih pakai data yang tiap barisnya udah punya nilai target. Model belajar hubungan antara kolom masukan dan kolom target itu, lalu dipakai buat nebak target di data baru yang belum punya jawaban.

Contoh paling gampang: tabel pelanggan dengan kolom umur, lama langganan, jumlah transaksi, dan satu kolom terakhir yang isinya "berhenti" atau "lanjut".

Kolom terakhir itu labelnya. Model belajar pola pelanggan yang berhenti, lalu dipakai nebak siapa yang bakal berhenti bulan depan.

Dua jenis utamanya:

• Klasifikasi: targetnya kategori. Berhenti atau lanjut, penipuan atau bukan, kategori keluhan A sampai E.
• Regresi: targetnya angka. Prediksi omzet minggu depan, harga rumah, jumlah permintaan barang.

Kalau kamu belum pernah nyentuh keduanya, mulai dari regresi linear atau regresi logistik. Dua-duanya gampang dijelasin ke orang non teknis, dan itu nilai plus di kantor.

Apa itu unsupervised learning?

Unsupervised learning adalah metode yang nyari struktur di dalam data tanpa dikasih tau jawaban yang benar. Nggak ada kolom target. Yang dihasilkan bukan prediksi, tapi pengelompokan atau ringkasan.

Tiga tugas yang paling sering dipakai analis:

• Clustering: bagi data jadi beberapa kelompok yang anggotanya mirip. Dipakai buat segmentation pelanggan.
• Deteksi anomali: nyari baris yang polanya beda sendiri. Berguna buat nyari transaksi mencurigakan atau kesalahan input.
• Pengurangan dimensi: mampatkan puluhan kolom jadi beberapa kolom ringkasan biar gampang divisualisasikan.

Yang perlu kamu terima sejak awal: hasil clustering nggak punya jawaban benar. Dua orang bisa dapat kelompok yang beda dari data yang sama, dan dua-duanya bisa masuk akal.

Apa bedanya supervised dan unsupervised learning?

Aspek	Supervised	Unsupervised
Butuh kolom target	Wajib	Nggak
Hasilnya	Prediksi nilai atau kategori	Kelompok, pola, atau ringkasan
Cara ngukur benar	Bandingin prediksi sama kenyataan	Ukuran nggak langsung plus penilaian manusia
Biaya persiapan data	Tinggi, soalnya label harus dibikin	Lebih rendah
Contoh algoritma	Regresi logistik, random forest, gradient boosting	K-means, DBSCAN, PCA
Risiko utama	Model hafal data latihan	Hasilnya cantik tapi nggak berguna

Perbedaan yang paling berdampak ke jadwal kerja ada di baris keempat. Bikin label itu mahal.

Kalau kamu mau prediksi keluhan pelanggan masuk kategori mana, ada orang yang harus baca dan ngasih kategori ke beberapa ribu keluhan dulu. Itu kerjaan berminggu-minggu yang sering nggak masuk perkiraan awal.

Daftar lengkap algoritma dan penjelasan matematisnya ada di dokumentasi resmi scikit-learn.

Gimana cara milih pendekatan yang tepat?

Empat pertanyaan berurutan.

1. Apa keputusan yang mau kamu bantu? Tulis kalimatnya lengkap. "Nentuin pelanggan mana yang dikasih voucher bulan depan" itu jelas. "Memahami pelanggan lebih baik" itu belum bisa dikerjain.
2. Ada kolom yang jadi jawabannya? Kalau ada, dan isinya udah kerekam rapi, arahnya supervised.
3. Kalau belum ada, bisa dibikin dengan biaya wajar? Kadang label bisa disusun dari data yang udah ada. Misalnya "pelanggan berhenti" bisa didefinisikan sebagai nggak transaksi 90 hari.
4. Kalau nggak bisa juga, mulai dari unsupervised. Pakai clustering buat ngerti bentuk datanya dulu. Sering dari situ definisi label yang masuk akal baru kelihatan.

Urutan ini penting. Banyak proyek yang gagal soalnya lompat langsung ke algoritma sebelum ada yang bisa nulis kalimat di poin pertama.

Contoh kasus: 8.400 pelanggan toko_berkah

Dataset latihan ngulikdata punya 8.400 pelanggan dengan riwayat transaksi 12 bulan. Ada dua pertanyaan yang sering muncul dari data kayak gini, dan keduanya butuh pendekatan beda.

Pertanyaan pertama: pelanggan mana yang bakal berhenti belanja bulan depan?

Ini supervised. Labelnya bisa dibikin dari data lama: pelanggan yang nggak transaksi selama 90 hari ditandai "berhenti". Dari 8.400 pelanggan, 1.176 masuk kategori itu, atau 14 persen.

Model regresi logistik sederhana dengan tiga kolom masukan (jarak hari dari transaksi terakhir, jumlah transaksi, rata-rata nilai belanja) udah cukup buat mulai. Yang penting bukan akurasinya, tapi apakah daftar pelanggan berisiko yang keluar itu masuk akal buat tim penjualan.

Pertanyaan kedua: pelanggan kita sebenarnya ada berapa tipe?

Ini unsupervised. Nggak ada kolom "tipe pelanggan" di data mana pun, dan nggak ada jawaban benar.

Hasil clustering dengan k-means di dataset yang sama, pakai tiga kolom yang sama:

Kelompok	Jumlah	Rata-rata belanja	Transaksi per bulan
Rutin nilai kecil	3.612	Rp 42.000	4,8
Jarang nilai besar	1.940	Rp 315.000	0,7
Rutin nilai besar	884	Rp 287.000	3,9
Sekali mampir	1.964	Rp 68.000	0,2

Kelompok ketiga isinya cuma 10,5 persen pelanggan, tapi kalau dikalikan, kontribusi omzet bulanannya paling besar di antara empat kelompok.

Angka itu langsung ngubah prioritas. Voucher yang selama ini disebar rata jadi lebih masuk akal kalau difokuskan ke kelompok kedua, yang nilai belanjanya besar tapi frekuensinya rendah.

Perhatiin bedanya. Yang supervised ngasih daftar nama. Yang unsupervised ngasih cara mikir. Dua-duanya berguna, tapi buat keputusan yang beda.

Kesalahan umum

Bikin label dari hasil clustering, lalu diprediksi. Kamu cuma ngajarin model niru pengelompokan yang kamu bikin sendiri. Akurasinya bakal tinggi dan artinya nol.

Ngukur model klasifikasi cuma pakai akurasi. Kalau cuma 3 persen transaksi yang penipuan, model yang selalu bilang "bukan penipuan" akurasinya 97 persen dan sama sekali nggak berguna. Lihat presisi dan recall.

Maksain jumlah kelompok jadi tiga. Tiga kelompok itu enak dipresentasiin, bukan hasil dari data. Coba beberapa jumlah, lihat mana yang kelompoknya bisa dikasih nama yang beneran beda.

Nggak nyamain skala kolom sebelum clustering. Kolom nilai belanja dalam jutaan bakal ngalahin kolom jumlah transaksi yang cuma satuan. Hasilnya kelompoknya cuma ngikutin satu kolom. Skalakan dulu semua kolom.

Nyampur data masa depan ke kolom masukan. Kalau kamu prediksi pelanggan berhenti tapi salah satu kolomnya "total transaksi setahun penuh", itu bocor. Angka itu baru ada setelah kejadiannya lewat.

FAQ

Bisa nggak dua pendekatan ini dipakai barengan?

Bisa, dan ini pola yang sering dipakai. Kamu jalanin clustering dulu buat ngelompokkan pelanggan, lalu nomor kelompoknya dipakai sebagai kolom tambahan di model prediksi. Pola lain: pakai deteksi outlier buat buang baris aneh sebelum melatih model prediksi. Yang penting kamu jangan pakai hasil clustering sebagai target prediksi, soalnya itu cuma bikin model nebak keputusanmu sendiri.

Berapa banyak data yang dibutuhkan buat supervised learning?

Tergantung jumlah kolom dan seberapa seimbang targetnya. Patokan kasar buat masalah klasifikasi sederhana: minimal beberapa ratus contoh untuk tiap kelas. Yang lebih penting dari jumlah total itu jumlah kasus positifnya. Kalau kamu punya 50 ribu baris tapi cuma 30 pelanggan yang pernah berhenti langganan, model kamu bakal susah belajar pola berhentinya.

Clustering hasilnya bener atau salah gimana ngukurnya?

Nggak ada jawaban benar buat dibandingin, jadi ukurannya beda. Yang biasa dipakai skor silhouette buat lihat seberapa rapat tiap kelompok dan seberapa jauh antarkelompok. Tapi skor bagus nggak jamin hasilnya berguna. Ukuran yang paling nyata: apakah tim bisnis bisa ngasih nama ke tiap kelompok dan bikin perlakuan yang beda buat masing-masing.

Apa itu semi-supervised learning?

Pendekatan di tengah, dipakai waktu kamu punya sedikit data berlabel dan banyak data tanpa label. Model belajar dari yang berlabel dulu, lalu pakai struktur data tanpa label buat nambah pemahamannya. Cocok buat kasus di mana ngasih label itu mahal, misalnya kamu harus baca ribuan ulasan pelanggan satu per satu. Buat analis, ini biasanya baru dipakai setelah pendekatan dasar udah dicoba.

Harus pakai Python atau bisa di Excel?

Regresi linear dan logistik sederhana bisa dikerjain di Excel pakai add-in analisis data. Clustering k-means juga bisa dipaksain pakai rumus, tapi ribet dan lambat. Begitu jumlah kolom kamu lebih dari lima atau barisnya puluhan ribu, pindah ke Python pakai scikit-learn jauh lebih hemat waktu. Bahasa pemrogramannya bukan bagian yang susah, yang susah itu nyiapin datanya.

Rangkuman

Tiga hal yang perlu dibawa:

• Pembedanya cuma ada atau nggaknya kolom target. Cek itu sebelum mikirin algoritma.
• Supervised ngasih daftar nama yang bisa ditindaklanjuti. Unsupervised ngasih cara ngelompokkan yang bisa ngubah strategi.
• Biaya bikin label sering lebih besar dari biaya bikin modelnya. Hitung itu di depan.

Kalau kamu baru mau mulai, ambil data pelanggan kantormu, definisikan satu label sederhana, lalu coba regresi logistik. Modelnya gampang dijelasin dan hasilnya langsung kepakai.

Lanjut baca: panduan regresi logistik buat contoh supervised yang paling sering dipakai analis, dan AI untuk deteksi anomali kalau kasus kamu lebih dekat ke sisi unsupervised.