Apa itu Supervised Learning?

Jenis machine learning di mana model dilatih menggunakan data berlabel (pasangan input-output) sehingga dapat mempelajari pemetaan dari input ke output untuk prediksi data baru.

Kapan Supervised Learning digunakan?

Prediksi churn pelanggan berdasarkan data perilaku historis. Deteksi fraud transaksi menggunakan data transaksi berlabel fraud/normal. Prediksi harga rumah berdasarkan fitur properti. Klasifikasi tiket support ke departemen yang tepat. Credit scoring untuk keputusan pinjaman

Apa kesalahpahaman umum tentang Supervised Learning?

Supervised learning tidak membutuhkan label yang sempurna - model cukup robust terhadap sejumlah label noise, asalkan tidak sistematis. Akurasi bukan satu-satunya metrik - pada dataset tidak seimbang (imbalanced), akurasi bisa tinggi padahal model gagal mendeteksi kelas minoritas. Lebih banyak fitur tidak selalu lebih baik - fitur yang tidak relevan atau redundan bisa menurunkan performa dan meningkatkan overfitting

Supervised Learning: Pengertian, Jenis, dan Contoh Penggunaan

Supervised Learning adalah pendekatan machine learning di mana model belajar dari data training yang sudah memiliki label (jawaban yang benar), kemudian menggunakan pengetahuan tersebut untuk memprediksi label pada data baru yang belum pernah dilihat.

Dua Sub-tipe Supervised Learning

Klasifikasi (Classification)

Output berupa kategori diskrit:

Biner: Churn vs tidak churn, fraud vs normal
Multi-kelas: Kategori produk, jenis tiket support
Metrik: Accuracy, Precision, Recall, F1, AUC-ROC

Regresi (Regression)

Output berupa nilai kontinu:

Prediksi harga, permintaan, rating
Metrik: MAE, RMSE, R²

Siklus Training Supervised Learning

Alur umum: Data berlabel > Train/Val/Test split > Feature engineering > Training model > Evaluasi > Hyperparameter tuning > Evaluasi final pada test set > Deployment

Tantangan Umum

Tantangan	Deskripsi	Solusi
Overfitting	Model hafal training data, buruk di data baru	Regularisasi, lebih banyak data, cross-validation
Class imbalance	Distribusi kelas tidak seimbang	SMOTE, class weights, threshold tuning
Data leakage	Informasi dari future masuk ke training	Strict train/test split, time-aware splitting
Label noise	Label training tidak akurat	Label cleaning, confident learning

Dua Sub-tipe Supervised Learning

Klasifikasi (Classification)

Output berupa kategori diskrit:

Biner: Churn vs tidak churn, fraud vs normal
Multi-kelas: Kategori produk, jenis tiket support
Metrik: Accuracy, Precision, Recall, F1, AUC-ROC

Regresi (Regression)

Output berupa nilai kontinu:

Prediksi harga, permintaan, rating
Metrik: MAE, RMSE, R²

Siklus Training Supervised Learning

Alur umum: Data berlabel > Train/Val/Test split > Feature engineering > Training model > Evaluasi > Hyperparameter tuning > Evaluasi final pada test set > Deployment

Tantangan Umum

Tantangan	Deskripsi	Solusi
Overfitting	Model hafal training data, buruk di data baru	Regularisasi, lebih banyak data, cross-validation
Class imbalance	Distribusi kelas tidak seimbang	SMOTE, class weights, threshold tuning
Data leakage	Informasi dari future masuk ke training	Strict train/test split, time-aware splitting
Label noise	Label training tidak akurat	Label cleaning, confident learning

Supervised Learning

Dua Sub-tipe Supervised Learning

Klasifikasi (Classification)

Regresi (Regression)

Siklus Training Supervised Learning

Tantangan Umum

Istilah Terkait

Deep Learning

Unsupervised Learning

Supervised Learning

Dua Sub-tipe Supervised Learning

Klasifikasi (Classification)

Regresi (Regression)

Siklus Training Supervised Learning

Tantangan Umum

Istilah Terkait

Deep Learning

Unsupervised Learning