Supervised Learning adalah salah satu pendekatan Machine Learning di mana model dilatih menggunakan data yang telah memiliki label atau kategori. Tujuan dari Supervised Learning adalah membuat model yang dapat melakukan prediksi secara akurat dan tepat berdasarkan pola maupun hubungan yang ada di data latih. Proses pelatihan biasanya menggunakan beberapa algoritma machine learning dan kemudian diambil model yang dapat melakukan generalisasi yang paling baik pada data yang belum pernah dilihat sebelumnya.
Sebagai contoh, model Supervised Learning dapat dilatih untuk membedakan transaksi keuangan yang terindikasi fraud atau tidak. Kita perlu memberikan dataset berupa data historis dengan label mana yang merupakan transaksi fraud dan mana yang tidak. Beberapa algorithma Machine Learning yang kita pilih akan belajar memprediksi transaksi tersebut dengan menemukan pola yang ada di dalam data. Selanjutnya, model terbaik yang dihasilkan oleh beberapa algoritma machine learning akan ditentukan dengan evaluation metrics.
Terdapat dua jenis supervised learning, yaitu:
- Klasifikasi, yang digunakan untuk memprediksi label atau kategori seperti spam atau bukan spam, benar atau salah. Evaluation metrics yang biasa digunakan adalah akurasi dan F1-score.
- Regresi, yang digunakan untuk memprediksi nilai kontinu seperti harga rumah dan evaluation metrics yang biasa digunakan adalah R2 dan RMSE.
Supervised learning sering diterapkan untuk menyelesaikan berbagai masalah seperti deteksi fraud pada transaksi keuangan, deteksi spam, sentimen analisis dan klasifikasi gambar, kategori produk, nilai wajar, dan jenis malware. Salah satu penerapan yang mungkin paling memiliki dampak signifikan terhadap manusia dimasa pandemi Covid-19 adalah Linearfold AI, dimana LinearFold mampu memprediksi struktur sekunder urutan RNA COVID-19 hanya dalam 27 detik, 120 kali lebih cepat daripada metode lainnya.
Kesimpulan
Supervised Learning adalah adalah salah satu pendekatan pada machine learning di mana model dilatih dengan menggunakan data yang telah memiliki label atau kategori. Algorithma Machine Learning akan mempelajari pola yang ada pada dataset yang diberikan untuk menghasilkan model yang dapat memberikan prediksi yang akurat, sehingga penting untuk memiliki dataset yang berkualitas. Pengukuran kualitas model yang dihasilkan menggunakan evaluation metrics berupa R2 dan RMSE untuk regresi dan Akurasi atau F1 score untuk klasifikasi.